Cognee — долговременная память и граф знаний для агентов

Вердикт AI-ReadyПроверить в ограниченном Memory Continuity Experiment на обезличенном корпусе.

Что это

open-source AI memory platform для агентов: строит долговременную память на knowledge graph, embeddings и graph reasoning. В GitHub Trending сегодня проект отмечен среди заметных AI-репозиториев.

Бизнес-проблема

агентам нужна постоянная память о документах, пользователях, задачах, коде и прошлых действиях, а не каждый раз “начнём с чистого листа”, как будто бизнес живёт в амнезии.

Практическая польза

можно использовать как слой памяти для AI-Ready support agents, sales agents, knowledge hubs, internal wiki и coding agents.

Почему интересно сейчас

свежий релиз v1.2.2 от 26 июня 2026 добавил блок Truth Subspace & Retrieval Improvements; repo имеет около 24k stars, 2.3k forks, 8,426 commits, 125 issues, 197 PR, 121 releases, лицензия Apache-2.0.

Показатели активности относятся к исходному обзору от 2026-06-28. Перед выбором технологии их нужно проверять заново; сами по себе они не доказывают качество или готовность.

Технические особенности

основной стек Python + TypeScript; есть Python SDK, CLI, local UI, MCP server, Docker Compose, Postgres-only режим, optional Neo4j/Neptune/Redis/pgvector/LanceDB/Qdrant/ChromaDB/Weaviate/Milvus, Claude Code memory plugin, OTEL collector.

Значение для AI-Ready

готовый компонент / Test now. Риски: нужно проверить качество retrieval на русском/румынском, privacy для клиентских данных, стоимость graph+vector storage, поведение памяти при конфликтующих фактах. Вердикт: Test now.

Риски

Конфликтующие или устаревшие факты могут закрепиться в памяти без явной политики пересмотра.
Graph + vector слой увеличивает операционную сложность и стоимость до доказанной пользы.

Граница вывода

Первый тест — только на копии внутренних Markdown-артефактов без клиентских данных и автоматических внешних действий.

Ключевые риски

Конфликтующие или устаревшие факты могут закрепиться в памяти без явной политики пересмотра.
Graph + vector слой увеличивает операционную сложность и стоимость до доказанной пользы.

Разберите эту страницу со своей LLM

Скопируйте контекст страницы в ChatGPT, Claude, Gemini или другую LLM и попросите применить эту схему к вашему бизнесу.

Можно спросить:

Какую задачу AI-Ready разумно проверить с помощью Cognee?
Какие риски и ограничения нужно закрыть перед пилотом Cognee?

{
  "проект": "Cognee",
  "репозиторий": "https://github.com/topoteretes/cognee",
  "лицензия": "Apache-2.0",
  "проверено": "2026-07-16",
  "кратко": "open-source AI memory platform для агентов: строит долговременную память на knowledge graph, embeddings и graph reasoning. В GitHub Trending сегодня проект отмечен среди заметных AI-репозиториев.",
  "бизнес_проблема": "агентам нужна постоянная память о документах, пользователях, задачах, коде и прошлых действиях, а не каждый раз “начнём с чистого листа”, как будто бизнес живёт в амнезии.",
  "практическая_польза": "можно использовать как слой памяти для AI-Ready support agents, sales agents, knowledge hubs, internal wiki и coding agents.",
  "роль_для_ai_ready": "готовый компонент / Test now.\nРиски: нужно проверить качество retrieval на русском/румынском, privacy для клиентских данных, стоимость graph+vector storage, поведение памяти при конфликтующих фактах.\nВердикт: Test now.",
  "вердикт": "Проверить в ограниченном Memory Continuity Experiment на обезличенном корпусе.",
  "риски": [
    "Конфликтующие или устаревшие факты могут закрепиться в памяти без явной политики пересмотра.",
    "Graph + vector слой увеличивает операционную сложность и стоимость до доказанной пользы."
  ],
  "зависимости": [
    "Выбранная embedding-модель и хранилище",
    "Политика записи, исправления и удаления памяти"
  ],
  "адрес_страницы": "https://ai-ready.pro/ai-radar/open-source/cognee",
  "инструкция": "Разбери Cognee как кандидата для AI-Ready. Отдели подтверждённые свойства от нашей оценки, учти лицензию Apache-2.0 и не предлагай внешние действия без approval gate."
}

Открыть каталог