cognee Review: Open-Source-Wissensgraph-Gedächtnis für KI-Agenten

Was ist cognee?

• Produkttyp: eine selbst gehostete Python-Bibliothek und Pipeline-Framework, keine eigenständige herunterladbare App und standardmäßig kein vollständig verwaltetes SaaS
• Entwickler: Topoteretes UG (haftungsbeschränkt), eine in Berlin registrierte Firma; Geschäftsführer Vasilije Markovic
• Repository: github.com/topoteretes/cognee
• Lizenz: Apache-2.0, bestätigt über die Lizenzdatei des Repositorys
• Lokalität: hybrid — Wissensgraph-Engine, Vektorspeicher und lokale Datenbanken laufen auf Ihrer eigenen Infrastruktur, aber Text zur Entitätsextraktion, Anreicherung und Einbettung wird standardmäßig an den von Ihnen konfigurierten externen LLM-/Embedding-Anbieter geleitet; cognee dokumentiert auch Unterstützung dafür, diese Verarbeitung stattdessen über ein lokales Ollama-Modell laufen zu lassen
• Umfang: über 30.700 GitHub-Stars, und cognees eigene Website nennt mehr als 5 Millionen SDK-Aufrufe pro Monat zum Zeitpunkt dieser Review
• Aktuelle Version: v1.6.1, veröffentlicht am 2026-09-24 (bestätigt über cognees GitHub-Releases)

Projektgeschichte von cognee

• cognee positioniert sich um eine Extract-Cognify-Load-artige Pipeline herum: Daten aufnehmen, daraus einen Wissensgraphen und eine Anreicherungsschicht aufbauen („cognify"), und diesen Graphen dann abfragbar machen — das aktuelle SDK stellt dies als add(), cognify() und search() bereit, mit neueren remember()/recall()-Wrapper-Funktionen für einfachere Nutzung
• cognee berichtet von über 5 Millionen SDK-Aufrufen pro Monat und nennt Produktionsnutzer wie Bayer (Forschungsgedächtnis), Knowunity, SlideSpeak und die University of Wyoming, laut cognees eigener Website
• Cognee Cloud, ein separates verwaltetes Angebot, wurde als optionaler Weg für Teams eingeführt, die dieselbe Gedächtnisschicht nutzen möchten, ohne die Engine selbst zu hosten

Was kann man mit cognee tun?

• Wissensgraph-Aufbau — cognee extrahiert Entitäten, Beziehungen und Struktur aus Text und Code und baut daraus einen Graphen, statt nur flache Embedding-Vektoren zu speichern
• Multi-Format-Aufnahme — Dokumente, Quellcode und Konversationsverlauf können alle in dieselbe Pipeline eingespeist werden
• Automatisches Retrieval-Routing — cognees Suchschicht wählt je nach Abfrage eine Retrieval-Strategie (Graph-Traversierung, Vektorähnlichkeit oder hybrid), statt dass Sie eine manuell auswählen müssen
• Sitzungsgedächtnis mit Hintergrund-Synchronisierung — Konversationskontext kann im Sitzungsgedächtnis gehalten und im Hintergrund in den dauerhaften Graphen synchronisiert werden
• Graph-Visualisierung und eigene Ontologien — Sie können den aufgebauten Graphen visuell inspizieren und eine eigene Ontologie definieren, damit die Extraktion den spezifischen Entitäts- und Beziehungstypen Ihrer Domäne folgt
• Hybride Lokalität mit Unterstützung lokaler Modelle — cognees eigener Standardfluss sendet Daten zur Verarbeitung an einen konfigurierten externen LLM-/Embedding-Anbieter, dokumentiert aber Unterstützung dafür, diese Verarbeitung stattdessen an eine lokale Ollama-Instanz zu richten und die gesamte Pipeline auf Ihrer eigenen Hardware zu halten
• Agenten- und IDE-Integrationen — dokumentierte Integrationen umfassen Claude Code (als Gedächtnis-Plugin), Cursor, Cline, LangGraph, CrewAI, OpenClaw und Model-Context-Protocol-(MCP)-Unterstützung, um cognee als Tool mit MCP-kompatiblen Clients zu verbinden
• Mehrere Vektorspeicher-Backends — LanceDB ist der Standard, mit integrierter Unterstützung für PGVector, Turso/libSQL, Neptune Analytics und ChromaDB, plus Community-Adaptern für Qdrant, Redis, FalkorDB, Pinecone, Turbopuffer, Milvus und Weaviate, laut cognees Dokumentation zu Vektorspeichern

Anwendungsbeispiele: Drei Wege, cognee zu nutzen

• Gedächtnis aus einem Textstück aufbauen und abfragen: pip install cognee ausführen, dann cognee.remember(text) aufrufen, um aufzunehmen, und cognee.recall(query_text=...), um abzufragen — cognees eigene Dokumentation beschreibt remember() als eine Funktion, die Aufnahme, Chunking, Entitätsextraktion und Graph-Aufbau in einem Schritt ausführt, und recall() als automatisches Routing der Abfrage an die beste Retrieval-Strategie
• Die niedrigere ECL-artige Pipeline direkt für mehr Kontrolle nutzen: cognee.add(data) aufrufen, um rohen Text oder Dateien aufzunehmen, cognee.cognify(), um Entitäts-/Beziehungsextraktion auszuführen und den Wissensgraphen aufzubauen, dann cognee.search(query_text=...), um ihn abzufragen — nützlich, wenn Sie inspizieren oder anpassen möchten, was in jeder Pipeline-Stufe passiert, statt die Einzelaufruf-Wrapper remember()/recall() zu verwenden
• cognee statt an einen Cloud-LLM-/Embedding-Anbieter an ein lokales Ollama-Modell richten: cognees Konfiguration unterstützt das Setzen des LLM- und Embedding-Anbieters auf einen lokalen Ollama-Endpunkt, sodass die Schritte zur Entitätsextraktion und Einbettung auf Ihrer eigenen Hardware laufen, statt eine externe API aufzurufen — prüfen Sie cognees eigene Konfigurationsdokumentation auf die aktuellen Umgebungsvariablennamen, bevor Sie dies in ein Projekt einbauen, da sich Details der Anbieterkonfiguration zwischen Releases ändern können

import asyncio
import cognee

async def main():
    text = "cognee turns documents into AI memory."
    await cognee.remember(text)
    results = await cognee.recall(query_text="What does cognee do?")
    for result in results:
        print(result.text)

asyncio.run(main())

cognee installieren

cognee Preise: Ist cognee wirklich kostenlos?

• Quelloffene Engine: kostenlos, Apache-2.0, keine von cognee selbst auferlegten Nutzungsgrenzen
• Ihre eigenen Kosten umfassen weiterhin, was Ihr konfigurierter externer LLM-/Embedding-Anbieter für die API-Aufrufe berechnet, die cognee während cognify()/remember() tätigt — oder keine zusätzlichen Kosten über Ihre eigene Hardware hinaus, falls Sie diese Verarbeitung über ein lokales Ollama-Modell leiten
• Cognee Cloud: ein separates, optionales verwaltetes Angebot; cognees eigene Website verweist interessierte Teams darauf, „zu Cognee Cloud zu wechseln, wenn Sie verwaltete Skalierung benötigen", ohne genaue Stufenpreise auf der Hauptseite zu listen
• Für die Installation und Nutzung der quelloffenen Bibliothek ist kein Konto oder keine Anmeldung erforderlich

cognee vs. Langchain-Chatchat

Im Verzeichnis vergleichen→

Für wen eignet sich cognee?

Wettbewerber und Alternativen

Im Verzeichnis vergleichen→

Häufige Fehler bei der Bewertung von cognee

Häufig gestellte Fragen

Quellen

Weiterführende Artikel

• Local LLM Software Directory 2026 — der vollständige Katalog lokaler KI-Tools, zu dem dieser Artikel gehört, einschließlich cognees eigenem Directory-Eintrag.
• Chroma Review — eine selbst hostbare Vektordatenbank, die häufig mit Retrieval- und Gedächtnisschichten wie cognee kombiniert wird.
• LangChain Review — ein Allzweck-Framework für LLM-Anwendungen, das mit cognees Gedächtnisschicht kombiniert werden kann.
• LlamaIndex Review — ein Daten-Indexierungs-Framework für LLM-Anwendungen, zum Vergleich mit cognees Wissensgraph-Ansatz.