AI Agent 如何拥有长期记忆？Cognee 知识图谱使用方法

一个项目 Agent 记住“发布推迟到周五”并不难，难的是它还要知道：谁提出延期、影响哪条需求、之前为何否决周四，以及新决策是否已经覆盖旧决策。长期记忆要解决的不是保存一句话，而是把事实放回关系网络中。

先把记忆分成快路径和重路径

Cognee 的 remember 有两种用法。带 session_id 时，内容先进入会话缓存，写入快，适合正在发生的对话；不带会话 ID 时，会执行摄取、分块、实体关系抽取、建图与富化，形成永久图记忆。

默认开启自我改进时，会话内容还会在后台桥接到长期图谱。若关闭该选项，缓存里的内容不会凭空变成永久记忆，需要显式运行 improve。失败场景很直接：Agent 在当前窗口记得决定，隔天换会话却查不到，通常是桥接没有完成或写进了另一个数据集。

用一个项目数据集跑通写入与召回

import asyncio
import cognee

async def main():
    await cognee.remember(
        "支付改版延期到周五，原因是回归测试未完成。",
        dataset_name="release_notes"
    )
    results = await cognee.recall(
        query_text="支付改版为什么延期？",
        datasets=["release_notes"]
    )
    for item in results:
        print(item.text)

asyncio.run(main())

这里故意限定数据集。省略范围时，召回可能搜索当前用户有权读取的多个数据集，知识越多，噪声也越多。共享数据集还应优先按数据集 ID 控制权限；只凭名称查找，非创建者即使获得读权限也可能解析失败。

图谱让“相关”多一层结构

向量检索擅长找到意思接近的片段，图谱则把实体作为节点、把关系作为边。项目名、负责人、日期、阻塞项和决策可以被连接起来，于是“延期原因”和“受影响需求”不必恰好出现在同一段文字里。

recall 默认会根据问题选择检索策略。关系型问题更偏向图上下文，时间问题会偏向时间检索，精确短语则更适合词法路径。自动路由省掉手工选择；问题写得过于含糊时，它也可能选不到理想路径，关键任务可显式指定查询类型。

三个边界决定记忆是否可信

1. 先写后查。 recall 不负责初始化数据库；空库直接查询会报前置条件错误。
2. 等待索引完成。 数据正在处理时也能查询，但只能看到已经完成索引的部分，结果可能不完整。
3. 允许遗忘。 旧政策、错误事实和用户撤回的数据要用 forget 清理，不能只靠新增一条相反记录覆盖。

实用做法是给每类 Agent 单独划数据集，短对话写会话缓存，稳定事实进入永久图谱，再用一组固定问题做回归检查。能准确召回只是第一关；能解释记忆属于哪个项目、何时写入，并在规则变化后及时删除，才是可持续的长期记忆。