cogneeレビュー：AIエージェント向けオープンソース知識グラフメモリ

cogneeとは？

• 製品タイプ：セルフホスト型のPythonライブラリおよびパイプラインフレームワークであり、単独でダウンロードできるアプリでも、デフォルトで完全マネージドなSaaSでもない
• 開発元：Topoteretes UG (haftungsbeschränkt)（ベルリン登記の企業、代表取締役Vasilije Markovic）
• リポジトリ：github.com/topoteretes/cognee
• ライセンス：リポジトリのライセンスファイルで確認できるApache-2.0
• ローカリティ：ハイブリッド——知識グラフエンジン、ベクトルストア、その他のローカルデータベースは自分のインフラ上で動作するが、エンティティ抽出・エンリッチメント・埋め込みのために送信されるテキストは、デフォルトでは設定した外部LLM/埋め込みプロバイダーにルーティングされる。cogneeは、その処理をローカルのOllamaモデルに代わりにルーティングするサポートも文書化している
• 規模：GitHubスターは30,700を超え、cognee自身のサイトによれば、このレビュー時点で月間500万回を超えるSDK実行がある

cogneeのプロジェクト沿革

• cogneeは、Extract-Cognify-Load型のパイプラインを中心に据えています：データを取り込み、そこから知識グラフとエンリッチメント層を構築し（「cognify」）、そのグラフをクエリ可能にする——現在のSDKはこれをadd()、cognify()、search()として公開しており、その上によりシンプルに使える新しいremember()/recall()ラッパー関数を重ねています
• cognee自身のサイトによれば、月間500万回を超えるSDK実行があり、本番利用者としてBayer（研究メモリ）、Knowunity、SlideSpeak、University of Wyomingを挙げている
• Cognee Cloudは、エンジンをセルフホストせずに同じメモリ層を利用したいチーム向けのオプションとして導入された、別途提供のマネージドサービス

cogneeでできること

• 知識グラフの構築 — cogneeはテキストやコードからエンティティ・関係・構造を抽出し、フラットな埋め込みベクトルのみを保存するのではなく、そこからグラフを構築する
• マルチフォーマット取り込み — ドキュメント、ソースコード、会話履歴をすべて同じパイプラインに投入できる
• 自動検索ルーティング — cogneeの検索層は、手動で1つを選ぶ必要なく、クエリに応じて検索戦略（グラフ探索、ベクトル類似度、またはハイブリッド）を選択する
• バックグラウンド同期付きセッションメモリ — 会話コンテキストをセッションメモリに保持し、バックグラウンドで永続的なグラフに同期できる
• グラフの可視化とカスタムオントロジー — 構築されたグラフを視覚的に検査でき、抽出が自分のドメイン固有のエンティティ・関係タイプに従うよう独自のオントロジーを定義できる
• ローカルモデルをサポートするハイブリッドローカリティ — cognee自体のデフォルトフローは、処理のためにデータを設定済みの外部LLM/埋め込みプロバイダーに送信するが、代わりにその処理をローカルのOllamaインスタンスに向けるサポートも文書化しており、パイプライン全体を自分のハードウェア上に保つことができる
• エージェント・IDE統合 — ドキュメント化された統合には、Claude Code（メモリプラグインとして）、Cursor、Cline、LangGraph、CrewAI、OpenClaw、そしてcogneeをMCP対応クライアントに接続するツールとして扱うModel Context Protocol（MCP）サポートが含まれる

使用例：cogneeを使う3つの方法

• テキストからメモリを構築してクエリする：pip install cogneeを実行し、cognee.remember(text)を呼び出して取り込み、cognee.recall(query_text=...)でクエリする——cognee自身のドキュメントでは、remember()は取り込み・チャンク分割・エンティティ抽出・グラフ構築を1ステップで実行し、recall()はクエリを最適な検索戦略へ自動でルーティングすると説明されている
• より細かい制御のために、より低レベルのECL型パイプラインを直接使う：cognee.add(data)で生のテキストやファイルを取り込み、cognee.cognify()でエンティティ・関係抽出を実行して知識グラフを構築し、cognee.search(query_text=...)でクエリする——各パイプライン段階で何が起きているかを検査・カスタマイズしたい場合、単発呼び出しのremember()/recall()ラッパーを使うよりも便利
• cogneeをクラウドLLM/埋め込みプロバイダーではなくローカルOllamaモデルに向ける：cogneeの設定では、LLMおよび埋め込みプロバイダーをローカルのOllamaエンドポイントに設定できるため、エンティティ抽出と埋め込みのステップが外部APIを呼び出す代わりに自分のハードウェア上で実行される——プロジェクトに組み込む前に、プロバイダー設定の詳細はリリースごとに変わる可能性があるため、現在の環境変数名についてcognee自身の設定ドキュメントを確認すること

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をインストールする

cogneeの料金：本当に無料か？

• オープンソースエンジン：無料、Apache-2.0、cognee自体が課す使用制限はなし
• 自分自身のコストとしては、cognify()/remember()実行中にcogneeが行うAPI呼び出しに対して、設定した外部LLM/埋め込みプロバイダーが請求する費用が依然として発生する——その処理をローカルのOllamaモデル経由で行う場合は、自分のハードウェア以外に追加コストはかからない
• Cognee Cloud：別途提供されるオプションのマネージドサービス。cognee自身のサイトは、興味のあるチームに対して「マネージドなスケールが必要になったらCognee Cloudに移行を」と案内しているが、メインページには正確なプラン料金を掲載していない
• オープンソースライブラリのインストールと利用にアカウントやサインアップは不要

cognee vs. Langchain-Chatchat

cogneeはどんな人におすすめか？

競合とその代替

cognee評価時によくある誤解

よくある質問

出典

関連記事

• ローカルLLMソフトウェアディレクトリ2026 — この記事が属する、cognee自身のディレクトリエントリーを含むローカルAIツールの完全なカタログ。
• Chroomaレビュー — cogneeのような検索・メモリ層とよく組み合わされる、セルフホスト可能なベクトルデータベース。
• LangChainレビュー — cogneeのメモリ層と組み合わせられる汎用LLMアプリケーションフレームワーク。
• LlamaIndexレビュー — cogneeの知識グラフアプローチと比較するための、LLMアプリケーション向けデータインデックス作成フレームワーク。