Análise do cognee: memória em grafo de conhecimento open source para agentes de IA

O que é o cognee?

• Tipo de produto: uma biblioteca Python e um framework de pipeline auto-hospedados, não um aplicativo independente para download nem um SaaS totalmente gerenciado por padrão
• Criador: Topoteretes UG (haftungsbeschränkt), empresa registrada em Berlim; diretor-gerente Vasilije Markovic
• Repositório: github.com/topoteretes/cognee
• Licença: Apache-2.0, confirmada pelo arquivo de licença do repositório
• Localidade: híbrida — o mecanismo de grafo de conhecimento, o armazenamento vetorial e qualquer banco de dados local rodam na sua própria infraestrutura, mas o texto enviado para extração de entidades, enriquecimento e embedding é, por padrão, roteado para o provedor externo de LLM/embeddings que você configurar; o cognee também documenta suporte para rotear esse processamento por meio de um modelo Ollama local em vez disso
• Escala: mais de 30.700 estrelas no GitHub, e o próprio site do cognee cita mais de 5 milhões de execuções de SDK por mês no momento desta análise

Histórico do projeto cognee

• O cognee se posiciona em torno de um pipeline no estilo Extract-Cognify-Load: ingerir dados, construir a partir deles um grafo de conhecimento e uma camada de enriquecimento ("cognify"), e então tornar esse grafo consultável — o SDK atual expõe isso como add(), cognify() e search(), com as funções wrapper mais recentes remember()/recall() adicionadas por cima para um uso mais simples
• O cognee relata mais de 5 milhões de execuções de SDK por mês e cita usuários em produção como Bayer (memória de pesquisa), Knowunity, SlideSpeak e a University of Wyoming, segundo o próprio site do cognee
• O Cognee Cloud, uma oferta gerenciada separada, foi introduzido como um caminho opcional para equipes que querem a mesma camada de memória sem auto-hospedar o mecanismo

O que dá para fazer com o cognee?

• Construção de grafo de conhecimento — o cognee extrai entidades, relações e estrutura de texto e código, e constrói um grafo a partir disso, em vez de armazenar apenas vetores de embedding simples
• Ingestão multiformato — documentos, código-fonte e histórico de conversas podem ser todos alimentados no mesmo pipeline
• Roteamento automático de recuperação — a camada de busca do cognee seleciona uma estratégia de recuperação (travessia de grafo, similaridade vetorial ou híbrida) com base na consulta, em vez de exigir que você escolha uma manualmente
• Memória de sessão com sincronização em segundo plano — o contexto conversacional pode ser mantido na memória de sessão e sincronizado com o grafo permanente em segundo plano
• Visualização de grafo e ontologias personalizadas — você pode inspecionar visualmente o grafo construído e definir sua própria ontologia para que a extração siga os tipos específicos de entidades e relações do seu domínio
• Localidade híbrida com suporte a modelos locais — o fluxo padrão do cognee envia os dados para um provedor externo de LLM/embeddings configurado para processamento, mas ele documenta suporte para direcionar esse processamento a uma instância local do Ollama em vez disso, mantendo todo o pipeline no seu próprio hardware
• Integrações com agentes e IDEs — as integrações documentadas incluem Claude Code (como plugin de memória), Cursor, Cline, LangGraph, CrewAI, OpenClaw, e suporte ao Model Context Protocol (MCP) para conectar o cognee como ferramenta a clientes compatíveis com MCP

Exemplos de uso: três formas de usar o cognee

• Construir memória a partir de um texto e consultá-la: execute pip install cognee, depois chame cognee.remember(text) para ingerir e cognee.recall(query_text=...) para consultar — a própria documentação do cognee descreve remember() como a execução de ingestão, fragmentação, extração de entidades e construção do grafo em uma única etapa, e recall() como o roteamento automático da consulta para a melhor estratégia de recuperação
• Usar diretamente o pipeline de nível mais baixo no estilo ECL para mais controle: chame cognee.add(data) para ingerir texto bruto ou arquivos, cognee.cognify() para executar a extração de entidades/relações e construir o grafo de conhecimento, depois cognee.search(query_text=...) para consultá-lo — útil quando você quer inspecionar ou personalizar o que acontece em cada etapa do pipeline, em vez de usar os wrappers de chamada única remember()/recall()
• Direcionar o cognee para um modelo Ollama local em vez de um provedor de LLM/embeddings na nuvem: a configuração do cognee permite definir o provedor de LLM e embeddings como um endpoint Ollama local, para que as etapas de extração de entidades e embedding rodem no seu próprio hardware em vez de chamar uma API externa — verifique a própria documentação de configuração do cognee para os nomes atuais das variáveis de ambiente antes de integrar isso a um projeto, já que os detalhes de configuração do provedor podem mudar entre versões

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())

Instalar o cognee

Preços do cognee: é realmente gratuito?

• Mecanismo open source: gratuito, Apache-2.0, sem limites de uso impostos pelo próprio cognee
• Seus próprios custos ainda incluem o que seu provedor externo de LLM/embeddings configurado cobra pelas chamadas de API que o cognee faz durante cognify()/remember() — ou nenhum custo adicional além do seu próprio hardware, se você rotear esse processamento por um modelo Ollama local
• Cognee Cloud: uma oferta gerenciada separada e opcional; o próprio site do cognee direciona equipes interessadas a "migrar para o Cognee Cloud quando você precisar de escala gerenciada", sem listar preços exatos por nível na página principal
• Nenhuma conta ou cadastro é necessário para instalar e usar a biblioteca open source

cognee vs. Langchain-Chatchat

Para quem o cognee é indicado?

Concorrentes e alternativas

Erros comuns ao avaliar o cognee

Perguntas frequentes

Fontes

Leituras relacionadas

• Diretório de Software de LLM Local 2026 — o catálogo completo de ferramentas de IA local ao qual este artigo pertence, incluindo a própria entrada do cognee.
• Análise do Chroma — um banco de dados vetorial auto-hospedável frequentemente combinado com camadas de recuperação e memória como o cognee.
• Análise do LangChain — um framework de aplicações LLM de propósito geral que pode ser combinado com a camada de memória do cognee.
• Análise do LlamaIndex — um framework de indexação de dados para aplicações LLM, para comparação com a abordagem de grafo de conhecimento do cognee.