Avis cognee : mémoire en graphe de connaissances open source pour agents IA

Qu'est-ce que cognee ?

• Type de produit : une bibliothèque Python auto-hébergée et un framework de pipeline, pas une application autonome téléchargeable ni un SaaS entièrement managé par défaut
• Créateur : Topoteretes UG (haftungsbeschränkt), une société enregistrée à Berlin ; directeur général Vasilije Markovic
• Dépôt : github.com/topoteretes/cognee
• Licence : Apache-2.0, confirmée via le fichier de licence du dépôt
• Localité : hybride — le moteur de graphe de connaissances, le stockage vectoriel et toute base de données locale s'exécutent sur votre propre infrastructure, mais le texte envoyé pour l'extraction d'entités, l'enrichissement et l'embedding est par défaut acheminé vers le fournisseur LLM/embedding externe que vous configurez ; cognee documente également la prise en charge du routage de ce traitement via un modèle Ollama local à la place
• Échelle : plus de 30 700 étoiles GitHub, et le site de cognee cite plus de 5 millions d'exécutions SDK par mois au moment de cet avis

Histoire du projet cognee

• cognee se positionne autour d'un pipeline de type Extract-Cognify-Load : ingérer des données, construire à partir d'elles un graphe de connaissances et une couche d'enrichissement (« cognify »), puis rendre ce graphe interrogeable — le SDK actuel expose cela via add(), cognify() et search(), avec les fonctions wrapper plus récentes remember()/recall() ajoutées par-dessus pour un usage plus simple
• cognee revendique plus de 5 millions d'exécutions SDK par mois et cite des utilisateurs en production tels que Bayer (mémoire de recherche), Knowunity, SlideSpeak et l'University of Wyoming, selon le site de cognee
• Cognee Cloud, une offre managée distincte, a été introduite comme option pour les équipes qui souhaitent la même couche de mémoire sans auto-héberger le moteur

Que peut-on faire avec cognee ?

• Construction de graphe de connaissances — cognee extrait entités, relations et structure du texte et du code, et construit un graphe à partir de cela, plutôt que de ne stocker que des vecteurs d'embedding plats
• Ingestion multi-format — documents, code source et historique de conversation peuvent tous être alimentés dans le même pipeline
• Routage automatique de récupération — la couche de recherche de cognee sélectionne une stratégie de récupération (traversée de graphe, similarité vectorielle ou hybride) selon la requête, sans que vous ayez à en choisir une manuellement
• Mémoire de session avec synchronisation en arrière-plan — le contexte conversationnel peut être conservé en mémoire de session et synchronisé dans le graphe permanent en arrière-plan
• Visualisation de graphe et ontologies personnalisées — vous pouvez inspecter visuellement le graphe construit et définir votre propre ontologie afin que l'extraction suive les types d'entités et de relations spécifiques à votre domaine
• Localité hybride avec prise en charge des modèles locaux — le flux par défaut de cognee envoie les données à un fournisseur LLM/embedding externe configuré pour le traitement, mais il documente la prise en charge du routage de ce traitement vers une instance Ollama locale à la place, gardant tout le pipeline sur votre propre matériel
• Intégrations agents et IDE — les intégrations documentées incluent Claude Code (comme plugin de mémoire), Cursor, Cline, LangGraph, CrewAI, OpenClaw et la prise en charge du Model Context Protocol (MCP) pour connecter cognee comme outil aux clients compatibles MCP

Exemples d'utilisation : trois façons d'utiliser cognee

• Construire une mémoire à partir d'un texte et l'interroger : exécutez pip install cognee, puis appelez cognee.remember(text) pour ingérer et cognee.recall(query_text=...) pour interroger — la documentation de cognee décrit remember() comme exécutant l'ingestion, le découpage, l'extraction d'entités et la construction du graphe en une seule étape, et recall() comme acheminant automatiquement la requête vers la meilleure stratégie de récupération
• Utiliser directement le pipeline de type ECL de plus bas niveau pour plus de contrôle : appelez cognee.add(data) pour ingérer du texte brut ou des fichiers, cognee.cognify() pour exécuter l'extraction d'entités/relations et construire le graphe de connaissances, puis cognee.search(query_text=...) pour l'interroger — utile lorsque vous voulez inspecter ou personnaliser ce qui se passe à chaque étape du pipeline plutôt que d'utiliser les wrappers à appel unique remember()/recall()
• Diriger cognee vers un modèle Ollama local plutôt qu'un fournisseur LLM/embedding cloud : la configuration de cognee permet de définir le fournisseur LLM et embedding sur un point de terminaison Ollama local, afin que les étapes d'extraction d'entités et d'embedding s'exécutent sur votre propre matériel plutôt que d'appeler une API externe — vérifiez la documentation de configuration de cognee pour les noms actuels des variables d'environnement avant d'intégrer cela dans un projet, car les détails de configuration du fournisseur peuvent changer d'une version à l'autre

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())

Installer cognee

Tarifs cognee : cognee est-il vraiment gratuit ?

• Moteur open source : gratuit, Apache-2.0, aucune limite d'utilisation imposée par cognee lui-même
• Vos propres coûts incluent toujours ce que votre fournisseur LLM/embedding externe configuré facture pour les appels API que cognee effectue pendant cognify()/remember() — ou aucun coût supplémentaire au-delà de votre propre matériel si vous acheminez ce traitement via un modèle Ollama local
• Cognee Cloud : une offre managée distincte et optionnelle ; le site de cognee invite les équipes intéressées à « passer à Cognee Cloud lorsque vous avez besoin d'une échelle managée » sans lister de tarification précise par palier sur la page principale
• Aucun compte ni inscription n'est requis pour installer et utiliser la bibliothèque open source

cognee vs. Langchain-Chatchat

À qui s'adresse cognee ?

Concurrents et alternatives

Erreurs courantes en évaluant cognee

Questions fréquemment posées

Sources

Lectures complémentaires

• Local LLM Software Directory 2026 — le catalogue complet d'outils IA locaux auquel appartient cet article, incluant l'entrée de cognee lui-même.
• Avis Chroma — une base de données vectorielle auto-hébergeable souvent associée aux couches de récupération et de mémoire comme cognee.
• Avis LangChain — un framework généraliste pour applications LLM qui peut être combiné avec la couche de mémoire de cognee.
• Avis LlamaIndex — un framework d'indexation de données pour applications LLM, à comparer avec l'approche de graphe de connaissances de cognee.