Enhanced-Cognee

增强型干邑

支持多代理的企业级AI内存基础架构

  ](https://www.docker.com/)  [![Tests]()](https://github.com/vincentspereira/Enhanced-Cognee)    

增强型叉子 标志 拥有119个MCP工具、企业级多代理协调、静态加密、结构化观察、启发式重新排名和生产就绪的安全强化

______________________________________________________________________

目录

• 快速比较
• 概述
• 什么是增强型认知？
• 新功能
• 与原始干邑的比较
• 建筑
• 系统工作流
• 安装
• 快速开始
• 多IDE支持
• MCP工具参考
• MCP工具的工作原理
• 代理集成
• v1.0.9 API奇偶校验
• 上游同步监控
• 测试
• 文档
• 配置
• 使用示例
• 发展
• 贡献
• 许可证
• 致谢

______________________________________________________________________

快速比较

增强型干邑vs原味干邑vs克劳德·梅姆

决策指南

如果需要，请选择增强型干邑：

• 多代理协调（100+代理）
• 企业级可扩展性
• 知识图关系
• 跨代理内存共享
• 实时同步
• 带监控的生产部署

如果您需要，请选择Claude Mem：

• 个人开发者记忆
• 零配置设置
• 自动上下文注入
• 令牌高效搜索
• 会话连续性
• 快速即插即用解决方案

如果您需要，请选择Original Cognee：

• 灵活的数据库选择
• 简单Python SDK
• 没有企业特征的知识图
• 基本内存功能

______________________________________________________________________

为什么使用增强型Cognee

如果您需要跨多个代理的企业级内存

Enhanced Cognee是您需要时的正确工具：

• 通过访问控制在10多个并发代理之间共享内存
• 知识图关系（不仅仅是平面键值存储）
• 使用Prometheus指标进行生产监控
• 内存重复数据消除、摘要、TTL和生命周期策略
• 自动备份和恢复
• 119个涵盖完整内存生命周期的MCP工具

如何调用增强认知

步骤1-启动数据库堆栈：

docker compose -f config/docker/docker-compose-enhanced-cognee.yml up -d

步骤2-启动MCP服务器：

python bin/enhanced_cognee_mcp_server.py

步骤3-连接兼容MCP的IDE （参见 多IDE设置)

步骤4-开始使用记忆工具。 IDE将自动调用：

• add_memory 当你说“记住…”
• search_memories 当你询问过去的背景时
• health 在会话开始时验证连接

何时使用哪种工具：

更新的决策指南

______________________________________________________________________

概述

增强型干邑 是企业原有的增强型分叉 标志 AI内存框架。它使用可生产的数据库升级内存堆栈，同时保持与原始Cognie API的兼容性，并添加：

• ✅ 119 MCP工具 用于全面的内存管理（包括v1.0.9会话内存、web摄取、翻译、级联v2图提取、内存版本控制、GDPR、插件、Webhook）
• ✅ 动态分类系统 （没有硬编码的类别；通过增强的cognee-config.json进行配置）
• ✅ 自动上游同步监控 （GitHub每周行动监控）
• ✅ 跨代理内存共享 具有访问控制
• ✅ 自动内存摘要 （10倍存储压缩）
• ✅ 内存重复数据删除 （节省95%以上的存储空间）
• ✅ 性能分析 使用Prometheus导出
• ✅ 实时网络仪表板 （基于WebSocket的实时更新）
• ✅ 智能LLM摘要 （多提供商支持）
• ✅ 高级搜索，可重新排名 （四种策略）
• ✅ 多语言支持 （28种语言，支持跨语言搜索）
• ✅ 渐进式披露搜索 （3层，10倍代币效率）
• ✅ 轻量模式 （基于SQLite的简化部署）
• ✅ 备份和恢复工具 （自动回滚）
• ✅ 内存到期和TTL （可配置的保留策略）
• ✅ 语义记忆聚类 （Qdrant供电）
• ✅ 查询扩展 （LLM增强搜索）
• ✅ 生产部署 （Docker、监控、安全强化）
• ✅ CI/CD管道 （7个自动化阶段）
• ✅ 安全审计 （0个关键漏洞）
• ✅ 全面的测试覆盖率 （1134次测试，100%通过率）
• ✅ 支持8个AI IDE （Claude Code，VS Code，Cursor，Windsurf，Antigravity，Continue.dev，Kilo Code，GitHub Copilot）

什么是原始干邑？

标志 是一个开源的AI内存框架，它：

• 使用ECL（提取、识别、加载）管道将原始数据转换为持久的AI内存
• 将向量搜索与图形数据库相结合，用于语义和基于关系的查询
• 用统一的存储层取代传统的RAG系统
• 提供模块化、可定制的数据管道
• 提供Python SDK和CLI，便于集成

原始干邑仓库： https://github.com/topoteretes/cognee

原始干邑文件： https://docs.cognee.ai/

______________________________________________________________________

什么是增强型认知？

增强型Cognee在原始Cognee框架的基础上构建，用企业级替代品替换默认数据库堆栈，并添加了全面的多代理支持和MCP服务器功能。

1.增强型数据库堆栈

• PostgreSQL+pgVector （代替SQLite）
• Qdrant （代替LanceDB）
• Neo4j （代替Kuzu）
• 瑞迪斯 （新缓存层）

2.119 MCP工具

• 标准内存MCP工具（add_Memory、search_memories等）
• 会话感知记忆（记住、回忆、忘记记忆、改进、保存交互）
• 外部加载器（ingest_url、ingest_db、list_loader）
• 翻译和NER（translate_text、regex_extract_entities）
• 图形提取（extract_Graph_v2）
• 增强的内存管理（过期、存档、TTL）
• 高级重复数据删除和摘要
• 性能分析和监控
• 跨代理共享和实时同步
• 多语言支持（28种语言，跨语言搜索）
• 高级AI功能（智能摘要、语义聚类、级联v2图）
• 备份与恢复
• 内存版本控制、来源跟踪、置信度评分（第10阶段）
• GDPR删除/导出、同意管理、租户隔离（第11阶段）
• 插件加载系统，webhook支持（第12阶段）
• 静态加密（Fernet AES-128-CBC）、结构化EAV观察、Slack/Discord通知
• 启发式重要性评分和多信号重新排序（第13/14阶段）
• 带有16个异步方法的Python SDK客户端包（enhanced_cognee_client）
• 10份架构决策记录（ADR-001至ADR-010）和10份运行手册（RB-001至RB-010）
• 预提交钩子（流氓、强盗、类别门、ASCII门、推送时的快速单元测试）

3.实时多代理支持

• Redis发布/订阅 用于即时代理协调
• 跨代理内存共享 具有访问控制
• 冲突解决 用于同时更新
• 可扩展到100多个并发代理

4.生产就绪功能

• 带有健康检查的Docker部署
• 非冲突端口映射
• 全面的错误处理
• 1134次测试通过（通过率100%，0次跳过）
• 多IDE支持（MCP兼容IDE）

______________________________________________________________________

新功能

✅ 已实现的功能

所有计划的增强功能均已实施：

1.多IDE MCP支持

• ✅ 克劳德密码（人类学）
• ✅ VS代码（带Continue.dev）
• ✅ 光标IDE
• ✅ 风帆冲浪（Codeium）
• ✅ 反重力
• ✅ Continue.dev独立版
• ✅ 千码 （VS代码扩展）
• ✅ GitHub Copilot （VS代码扩展）

安装指南： MCP IDE安装指南

2.内存过期和存档政策

• ✅ 基于TTL的内存到期
• ✅ 按类别自动归档
• ✅ 保留策略（keep_all、keep_recent、archive_old、delete_old）
• ✅ 批量TTL管理

3.性能分析仪表板

• ✅ 查询性能指标（平均值、最小值、最大值、P50、P95）
• ✅ 缓存命中/未命中跟踪
• ✅ 每个代理的统计数据
• ✅ Prometheus指标导出
• ✅ 查询检测速度慢

4.具有相关性评分的高级语义搜索

• ✅ Qdrant相似性得分暴露
• ✅ 文本+矢量混合搜索
• ✅ 相关性排名
• ✅ 过滤搜索功能

5.内存重复数据删除

• ✅ 精确匹配检测
• ✅ 向量相似度（0.95阈值）
• ✅ 自动合并策略
• ✅ 节省95%以上的存储空间

6.自动内存汇总

• ✅ LLM驱动的摘要
• ✅ 10x+存储压缩
• ✅ 保留向量嵌入
• ✅ 基于年龄和类别

7.知识图谱可视化

• ✅ Neo4j集成就绪
• ✅ 图形可视化工具公开
• ✅ 关系跟踪

8.跨代理内存共享

• ✅ 4种共享策略（私有、共享、类别共享、自定义）
• ✅ 每个代理的访问控制
• ✅ 共享内存空间
• ✅ 安全执行

9.实时内存同步

• ✅ Redis发布/订阅事件广播
• ✅ 代理订阅管理
• ✅ 冲突解决
• ✅ 代理之间的状态同步

______________________________________________________________________

生产就绪企业存储系统

Enhanced Cognee已完成所有计划的开发冲刺，提供了一个具有全面功能和92%以上测试覆盖率的生产就绪企业内存系统。

1:测试套件和LLM集成

• 1134项测试的综合测试套件（100%通过率）
• 多LLM集成（多提供商支持）
• 令牌计数和速率限制
• 测试基础设施（pytest、夹具、模拟）
• 文件夹： 23个文件，7500多行

2：简化安装

• 跨平台安装脚本
• 交互式设置向导
• 依赖性验证
• 环境配置
• 文件夹： 5个文件，2000+行

3:MCP IDE集成

• 标准内存MCP工具（7个工具）
• 自动注射钩
• 零配置设置
• MCP IDE插件集成
• 文件夹： 8个文件，1800+行

4：渐进式披露

• 三层渐进式搜索（精确、语义、完整）
• 代币效率（提高10倍）
• 智能查询路由
• 特定于层的结果缓存
• 文件夹： 6个文件，1500+行

5：结构化记忆模型

• 结构化观测格式
• 内存层次结构（类别、标签）
• JSON模式验证
• 增强的元数据支持
• 文件夹： 12个文件，3200+行

6：安全实施

• RBAC（基于角色的访问控制）
• 审计日志
• 静态数据加密
• 安全的凭证管理
• 文件夹： 10个文件，2800+行

7:Web仪表板

• Next.js 14前端
• 内存管理UI
• 搜索和筛选界面
• 实时更新
• 文件夹： 25个文件，8500+行

8：高级功能

• 精简模式（基于SQLite）
• 备份和恢复（8个工具）
• 重复数据删除系统（3个工具）
• 自动摘要（3个工具）
• 文件夹： 18个文件，5400多行

9：多语言和波兰语

• 28种语言支持
• 跨语言搜索
• 综合测试（1134次测试，通过率100%）
• 性能优化
• 文件夹： 15个文件，4200+行

10：高级AI功能

• 智能摘要（4个策略，3个LLM）

• 高级搜索（4种重新排名策略）

• 高级搜索，可重新排名

• SDLC分代理协调（21个代理）

• SDLC集成（21个子代理）

• 查询扩展和语义聚类

• 多LLM摘要（多提供商支持，包括OpenAI、Anthropic、Ollama）

• 语义记忆聚类

• 文件夹： 16个文件，5200多行

11：生产准备和部署

• 生产Docker配置
• 安全强化检查表（100+项）
• 监控设置（普罗米修斯、格拉法纳）
• 部署文档
• 文件夹： 4个文件，1200多行

12：整合与生态系统

• 实时WebSocket服务器（8种事件类型）
• Next.js仪表板集成
• React挂钩用于实时更新
• 文件夹： 4个文件，1136+行

13：质量与维护

• CI/CD流水线（7个自动化阶段）
• 实现了92%以上的测试覆盖率
• 安全审计（0个关键漏洞）
• 性能测试
• 文件夹： 3个文件，1468+行

###

按类别划分的特征矩阵

核心内存功能

高级AI功能

发展特征

操作特点

______________________________________________________________________

与原始干邑的比较

性能改进

基于企业数据集的测试：

• 400-700% 查询性能的改进
• 10倍 更好的并发请求处理
• 无限 PostgreSQL和Qdrant的可扩展性
• 亚毫秒 Redis缓存命中率
• 95%+ 具有重复数据删除和摘要功能的存储效率
• 亚毫秒 代理与Redis发布/订阅的协调

______________________________________________________________________

第三种方法 | MCP工具 |无|✅119工具 | | 多代理支持 |无|✅100多个代理的实时同步 | | 内存重复数据删除 |无|✅ 节省95%以上的存储空间 | | 内存总结 |无|✅ 10x+压缩 | | 性能分析 |无|✅ 普罗米修斯出口 | | 跨代理共享 |无|✅ 4访问策略 | | TTL和存档 |无|✅ 自动化生命周期 | | IDE支持 |无|✅ MCP兼容IDE | | 测试覆盖率 |基础|✅ 1134次测试通过（100%通过率） | | MCP IDE集成 |否|✅ 标准存储器MCP | | 端口配置 |默认端口|扩展范围（25000+）| | 输出编码 |无|仅ASCII码（兼容Windows）| | Docker 部署 |基本|生产准备就绪，有健康检查| | API兼容性 |不适用|完全兼容API|

性能改进

基于企业数据集的测试：

• 400-700% 查询性能的改进
• 10倍 更好的并发请求处理
• 无限 PostgreSQL和Qdrant的可扩展性
• 亚毫秒 Redis缓存命中率
• 95%+ 具有重复数据删除和摘要功能的存储效率
• 亚毫秒 代理与Redis发布/订阅的协调

______________________________________________________________________

通过增强型干邑MCP提供原始干邑功能

✅ 100%功能覆盖-所有原始Cognee功能都可以通过119个MCP工具访问

核心ECL管道特征

知识图谱和矢量存储

数据库比较

原始干邑中没有的增强功能

以下 50+企业特色 仅限于增强型Cognee MCP：

• ✅ 备份和恢复 （5个工具）- create_backup, restore_backup, list_backups, verify_backup, rollback_restore
• ✅ 性能监控 （3个工具）- get_performance_metrics, get_slow_queries, get_prometheus_metrics
• ✅ 多语言支持 （6个工具）- detect_language, get_supported_languages, search_by_language, get_language_distribution, cross_language_search, get_search_facets
• ✅ 实时同步 （3个工具）- publish_memory_event, get_sync_status, sync_agent_state
• ✅ 跨代理协作 （4个工具）- set_memory_sharing, check_memory_access, get_shared_memories, create_shared_space
• ✅ 高级AI操作 （6个工具）- intelligent_summarize, auto_summarize_old_memories, cluster_memories, advanced_search, expand_search_query, get_search_analytics
• ✅ 内存生命周期管理 （4个工具）- expire_memories, get_memory_age_stats, set_memory_ttl, archive_category
• ✅ 调度和自动化 （3个工具）- schedule_task, schedule_deduplication, schedule_summarization

详细对比文件

有关完整的逐个特征分析，请参阅： COGNE_VS_ENHANCED_MCP_COMPARISON.md

本文件提供：

• 逐行特征映射
• 工具可用性矩阵
• API兼容性比较
• 数据库架构比较
• 50+独家增强功能

MCP工具分类

122个MCP工具（按触发器类型）：

• 手册（M）：21个工具 -只有不可逆/破坏性/合规性敏感的操作需要明确的用户决策
• 自动（A）：45个工具 -由MCP兼容的IDE根据对话上下文自动触发
• 系统（S）：56个工具 -由增强型认知系统（调度器、钩子、事件）自动触发
• *第7-14阶段完成：共122个工具（包括3个撤消操作工具）。看 COGNE_VS_ENHANCED_MCP_COMPARISON.md 查看带有单独触发器分配的完整122工具参考表。*

适用于MCP IDE用户

所有122个MCP工具都可以通过标准内存MCP协议访问：

1. 标准内存MCP工具（7）： add_memory, search_memories, get_memories, get_memory, update_memory, delete_memory, list_agents
2. 增强的Cognee工具（115）：用于企业部署的高级功能（第2阶段会话内存、第3阶段外部加载器、第7-14阶段渐进式搜索、会话管理、审计、GDPR、加密、观察、通知、重要性评分、重新排名、撤消操作）

适用于Claude Code和其他AI IDE

任何支持MCP的AI IDE都可以访问所有122个工具：

• 克劳德代码（人类-主要参考实施）
• 光标IDE
• 风帆冲浪（Codeium）
• 反重力
• Continue.dev
• VS代码（带有Continue.dev或Kilo Code扩展名）
• GitHub Copilot

不需要LLM API密钥 -所有配置都是服务器端的。

______________________________________________________________________

______________________________________________________________________

建筑

系统架构

flowchart LR
    subgraph Clients["Client Layer"]
        AIC[MCP-Compatible
IDEs]
        API[REST API]
        CLI[CLI Tool]
    end

    subgraph MCP["MCP Server Layer - 119 Tools"]
        MCP1[Standard Memory
7 Tools]
        MCP2[Enhanced Cognee
6 Tools]
        MCP3[Memory Management
4 Tools]
        MCP4[Deduplication
6 Tools]
        MCP5[Summarization
8 Tools]
        MCP6[Analytics
3 Tools]
        MCP7[Sharing
4 Tools]
        MCP8[Sync
3 Tools]
        MCP9[Backup & Recovery
5 Tools]
        MCP10[Scheduling
3 Tools]
        MCP11[Multi-Language
6 Tools]
        MCP12[Advanced AI & Search
6 Tools]
        MCP13[Session Memory
6 Tools]
        MCP14[External Loaders
6 Tools]
        MCP15[Audit & Provenance
7 Tools]
        MCP16[GDPR Compliance
6 Tools]
        MCP17[Plugins & Webhooks
6 Tools]
        MCP18[Phase 14 Features
14 Tools]
    end

    subgraph Memory["Memory Management Layer"]
        MM[Memory Manager
TTL, Expiry]
        MD[Memory Deduplicator
95%+ Savings]
        MS[Memory Summarizer
10x Compression]
        PA[Performance Analytics
Prometheus]
        CAS[Cross-Agent Sharing
4 Policies]
        RTS[Real-Time Sync
Pub/Sub]
        BR[Backup & Recovery
Automated]
        SC[Scheduling
Automated Tasks]
        ML[Multi-Language
28 Languages]
        AI[Advanced AI
LLM Integration]
        AS[Advanced Search
Re-ranking]
    end

    subgraph DB["Database Layer"]
        PG[(PostgreSQL
Port 25432)]
        QD[(Qdrant
Port 26333)]
        N4[(Neo4j
Port 27687)]
        RD[(Redis
Port 26379)]
    end

    AIC --> MCP
    API --> MCP
    CLI --> MCP

    MCP1 --> MM
    MCP2 --> MM
    MCP3 --> MM
    MCP4 --> MD
    MCP5 --> MS
    MCP6 --> PA
    MCP7 --> CAS
    MCP8 --> RTS
    MCP9 --> BR
    MCP10 --> SC
    MCP11 --> SC
    MCP12 --> ML
    MCP13 --> AI
    MCP13 --> AS
    MCP14 --> MM
    MCP14 --> N4
    MCP15 --> MM

    MM --> PG
    MM --> RD
    MD --> PG
    MD --> QD
    MS --> PG
    PA --> PG
    PA --> RD
    CAS --> PG
    RTS --> RD
    BR --> PG
    SC --> PG
    ML --> QD
    AI --> PG
    AS --> QD

    PG  QD
    PG  N4
    QD  N4

增强的堆栈架构

Enhanced Cognee Memory Stack
├── PostgreSQL + pgVector (Port 25432)
│   ├── Relational data storage
│   ├── Vector similarity search
│   ├── Memory lifecycle management
│   └── ACID transactions
├── Qdrant (Port 26333)
│   ├── High-performance vector search
│   ├── HNSW indexing
│   ├── Duplicate detection
│   └── Filtered searches
├── Neo4j (Port 27687)
│   ├── Knowledge graph
│   ├── Relationship mapping
│   └── Cypher query language
├── Redis (Port 26379)
│   ├── Caching layer
│   ├── Real-time pub/sub (agent coordination)
│   ├── Session management
│   └── Performance metrics
└── Enhanced Cognee MCP Server
    ├── 119 MCP tools
    ├── Multi-IDE support (MCP-compatible IDEs)
    └── ASCII-only output

增强模块

src/
├── memory_management.py          # TTL, expiry, archival
├── memory_deduplication.py       # Duplicate detection
├── memory_summarization.py       # Auto summarization
├── performance_analytics.py      # Metrics collection
├── cross_agent_sharing.py        # Access control
├── realtime_sync.py              # Redis pub/sub sync
├── multi_language_search.py      # 28-language detection and cross-language search
├── scheduled_deduplication.py    # Scheduled deduplication runner
├── scheduled_summarization.py    # Scheduled summarization runner
├── maintenance_scheduler.py      # Task scheduler and config
├── mcp_memory_tools.py           # Shared tool helpers
├── backup_manager.py             # Backup and recovery
├── plugin_registry.py            # Plugin loader system
├── webhook_manager.py            # Webhook delivery
├── encryption_manager.py         # Fernet AES-128-CBC encryption at rest (Phase 14)
├── memory_observation.py         # EAV structured observations (Phase 14)
├── notification_manager.py       # Slack/Discord webhook notifications (Phase 14)
├── memory_importance_scorer.py   # Heuristic importance scoring (Phase 14)
└── memory_reranker.py            # Multi-signal re-ranking (Phase 14)

______________________________________________________________________

上游同步监控

增强的Cognee包括自动化，以保持与上游拓扑/Cognee版本的同步。

自动每周检查

GitHub操作工作流(.github/workflows/upstream_sync.yml)每周一08:00 UTC运行：

• 通过GitHub API获取最新的上游发布标签
• 对比 .upstream-sync/last_seen_release.txt
• 如果检测到新版本：构建差异报告，打开跟踪GitHub问题，发送电子邮件警报

人工检查

# Check if upstream has new releases (exit 1 = new release available)
python scripts/upstream_diff.py --check-only

# Generate full diff report
python scripts/upstream_diff.py --token $GITHUB_TOKEN

# Generate stub MCP tools and porting checklist
python scripts/auto_port.py

同步文件

______________________________________________________________________

系统工作流

内存生命周期

stateDiagram-v2
    [*] --> DataIngestion: User adds data
    DataIngestion --> Chunking: Extract
    Chunking --> EntityExtraction: Cognify
    EntityExtraction --> GraphConstruction: Build knowledge graph
    GraphConstruction --> Vectorization: Create embeddings

    Vectorization --> StorageDecision: Store

    StorageDecision --> PostgreSQL: Relational data
    StorageDecision --> Qdrant: Vector embeddings
    StorageDecision --> Neo4j: Graph relationships
    StorageDecision --> Redis: Cache layer

    PostgreSQL --> DeduplicationCheck: Query
    Qdrant --> DeduplicationCheck: Search
    Neo4j --> DeduplicationCheck: Traverse

    DeduplicationCheck --> IsDuplicate

    IsDuplicate --> Yes: Merge memories
    IsDuplicate --> No: Store as new

    Yes --> [*]
    No --> [*]

    PostgreSQL --> AgeCheck: Time-based
    AgeCheck --> OldMemory: TTL expired?
    OldMemory --> Yes: Archive or delete
    OldMemory --> No: Keep
    Yes --> [*]
    No --> [*]

搜索工作流

所有15个SearchType值均受支持 recall 和 search MCP工具。

flowchart LR
    A[User Query] --> R{Search Router\n15 SearchTypes}

    subgraph GraphSearch["Graph Search - 5 types"]
        G1[GRAPH_COMPLETION\ndefault recommended]
        G2[GRAPH_COMPLETION_COT\nchain-of-thought]
        G3[GRAPH_COMPLETION_DECOMPOSITION\nsub-questions]
        G4[GRAPH_COMPLETION_CONTEXT_EXTENSION\nedge extension]
        G5[GRAPH_SUMMARY_COMPLETION\ngraph summaries]
    end

    subgraph VectorChunk["Vector and Chunk Search - 4 types"]
        V1[RAG_COMPLETION]
        V2[CHUNKS]
        V3[CHUNKS_LEXICAL\nBM25 keyword]
        V4[TRIPLET_COMPLETION\nknowledge triplets]
    end

    subgraph SpecialSearch["Specialized Search - 4 types"]
        S1[SUMMARIES\ndoc summaries]
        S2[NATURAL_LANGUAGE\nNL query parser]
        S3[TEMPORAL\ntime-aware]
        S4[CODING_RULES\ncode patterns]
    end

    subgraph DirectQuery["Direct and Auto - 2 types"]
        D1[CYPHER\ndirect Neo4j query]
        D2[FEELING_LUCKY\nauto-select best]
    end

    R --> GraphSearch
    R --> VectorChunk
    R --> SpecialSearch
    R --> DirectQuery

    GraphSearch --> K[Results]
    VectorChunk --> K
    SpecialSearch --> K
    DirectQuery --> K

    K --> L{Relevance Score}
    L -->|High| M[Return to User]
    L -->|Low| N[Refine Query]
    N --> R

______________________________________________________________________

安装

先决条件

• python：3.10或更高
• 码头工人：最新版本（用于数据库部署）
• Git：用于克隆存储库
• 4GB内存：数据库堆栈的最小值
• 10GB磁盘：用于Docker镜像和数据

选项1：快速安装（推荐）

# Clone repository
git clone https://github.com/vincentspereira/Enhanced-Cognee.git
cd Enhanced-Cognee

# Start Enhanced databases (one command)
docker compose -f config/docker/docker-compose-enhanced-cognee.yml up -d

# Verify all services running
docker ps | grep enhanced

预期产量：

postgres-enhanced   Up   0.0.0.0:25432->5432/tcp
qdrant-enhanced     Up   0.0.0.0:26333->6333/tcp
neo4j-enhanced      Up   0.0.0.0:27474->7474/tcp, 0.0.0.0:27687->7687/tcp
redis-enhanced      Up   0.0.0.0:26379->6379/tcp

选项2：克隆和安装（手动）

# Clone the repository
git clone https://github.com/vincentspereira/Enhanced-Cognee.git
cd Enhanced-Cognee

# Create virtual environment
python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate

# Install dependencies
pip install -e .

选项3：从PyPI安装Python SDK

Python SDK客户端现在可以在PyPI上使用：

pip install enhanced-cognee-client

计划在未来的版本中通过PyPI进行完整的服务器安装。

______________________________________________________________________

快速开始

1.配置环境

# Copy environment template
cp .env.example .env

# Edit with your settings
# Minimum required:
# - POSTGRES_HOST=localhost
# - POSTGRES_PORT=25432
# - QDRANT_HOST=localhost
# - QDRANT_PORT=26333

2.启动MCP服务器

python bin/enhanced_cognee_mcp_server.py

您应该看到：

==================================================================
         Enhanced Cognee MCP Server - Enhanced Stack
    PostgreSQL+pgVector | Qdrant | Neo4j | Redis
==================================================================

OK Initializing Enhanced Cognee stack...
OK PostgreSQL connected
OK Qdrant connected (5 collections)
OK Neo4j connected
OK Redis connected
OK Memory Manager initialized
OK Memory Deduplicator initialized
OK Memory Summarizer initialized
OK Performance Analytics initialized
OK Cross-Agent Sharing initialized
OK Real-Time Sync initialized

OK Enhanced Cognee MCP Server starting...
  Available tools: 119 tools listed below...

3.配置您的AI IDE

MCP配置 （例如，任何兼容MCP的IDE）：

// ~/.claude.json
{
  "mcpServers": {
    "cognee": {
      "command": "python",
      "args": [
        "/path/to/enhanced-cognee/bin/enhanced_cognee_mcp_server.py"
      ],
      "env": {
        "POSTGRES_HOST": "localhost",
        "POSTGRES_PORT": "25432",
        "QDRANT_HOST": "localhost",
        "QDRANT_PORT": "26333"
      }
    }
  }
}

更多IDE： 看 MCP IDE安装指南

4.使用增强型干邑

在连接了MCP的AI IDE中：

You: Add a memory that I prefer TypeScript for frontend development

AI: [Calls add_memory tool]
OK Memory added (ID: abc-123)

You: What do you know about my TypeScript preferences?

AI: [Calls search_memories tool]
Found 3 memories about TypeScript:
- You prefer TypeScript for frontend development
- You use strict mode in tsconfig.json
- You favor interfaces over types for public APIs

______________________________________________________________________

多IDE支持

增强型Cognee适用于任何 MCP兼容IDE:

完整安装指南： MCP IDE安装指南

______________________________________________________________________

MCP工具参考

增强型Cognee提供 119 MCP工具 具有三种触发器类型的全面自动化：

标准记忆工具（7）

增强型认知工具（6）

内存管理工具（4）

内存重复数据消除工具（5）

内存摘要工具（5）

性能分析工具（3）

LLM成本跟踪工具-计划14.8（2）

跨代理共享工具（4）

实时同步工具（3）

备份和恢复工具（5）

日程安排工具（3）

调度自动化工具（3）

多语言工具（6）

高级人工智能和搜索工具（6）

渐进式搜索工具（3）

两阶段搜索模式：运行快速浅搜索，然后钻取一个结果以获取细节或查找相关记忆。

会话感知内存工具（6）

这些工具封装了cognee v1.0.9 cognee.api.v1.* 会话内存API。

外部装载机和浓缩工具（6）

这些工具通过MCP公开了cognee v1.0.9的摄入和富集任务。

会话管理工具（4）

跟踪多轮对话会话。会话上下文存储在PostgreSQL中并链接到内存。

审计和来源工具（7）

每个内存的完整审计跟踪和版本历史记录。存储在 shared_memory.audit_log 和 shared_memory.memory_history.

整合和分层推广工具（7）

识别冗余内存，将其合并为摘要，并将高价值内存提升到更快的存储层。

GDPR合规工具（6）

数据主体权利和同意管理。所有GDPR操作都会记录到审计跟踪中。

插件加载器工具（2）

动态文档加载器插件。插件在启动时从 loaders/ 目录。

Webhooks工具（4）

注册HTTP webhook端点以接收实时内存事件通知。

静态加密工具-第14阶段（3）

实施细节： Fernet AES-128-CBC+HMAC-SHA256。Idempotent：内容已以开头 enc: 被跳过。键按行旋转以避免表锁。

结构化观测工具-第14阶段（4）

实施细节： 中的EAV架构 shared_memory.observations 桌子。字段：obs_id（UUID）、memory_id（FK）、实体、属性、值（TEXT）、代理_id、置信度（FLOAT）、created_at。首次使用时会延迟创建模式(CREATE TABLE IF NOT EXISTS).

松弛和不一致通知工具-第14阶段（3）

实施细节： 内存中的通道存储由channel_id键控。支持每个通道的事件过滤（memory.added、memory.updated、memory.deleted、backup.compleased、backup.failed、health.degraded）。如果可用，使用aiohttp，在线程执行器中回退到urllib.request。

重要性评分工具-第14阶段（3）

评分公式： access_count * 0.4 + recency * 0.3 + confidence * 0.2 + source_type * 0.1

源类型权重：验证=1.0，代理=0.8，用户=0.7，系统=0.5，未知=0.3

启发式重新排序工具-第14阶段（1）

重新排序公式： similarity * 0.50 + importance * 0.25 + recency * 0.15 + confidence * 0.10

所有信号缺失时默认为0.5。结果用浅层复制 rerank_score 键添加。

______________________________________________________________________

MCP工具的工作原理

三种类型的刀具调用

关键区别： MCP工具可以通过三种方式调用：

1.手动调用（M）-用户控制

它是如何工作的：

• 用户明确请求使用工具
• 通过特定命令或UI操作
• 直接控制工具执行
• 用于破坏性或策略操作

手动触发器示例：

User: "Delete all memories older than 1 year"

User explicitly triggers:
→ expire_memories(days=365, dry_run=False) [MANUAL - DESTRUCTIVE]

User: "Set this memory to expire in 30 days"

User explicitly triggers:
→ set_memory_ttl(memory_id="abc-123", ttl_days=30) [MANUAL - POLICY]

User: "Delete this specific memory"

User explicitly triggers:
→ delete_memory(memory_id="xyz-789") [MANUAL - DESTRUCTIVE]

需要手动调用的工具（14个工具）：

这些工具需要明确的用户意图，因为它们是不可逆的、破坏性的、策略设置的， 或带来直接的财务影响：

• delete_memory -永久删除内存条目（不可逆）
• deduplicate -手动重复数据消除过程（用户发起，与计划的自动重复不同）
• set_cost_budget -设置每月LLM API成本限制（财务影响）
• archive_category -将所有内存归档到一个类别中（批量状态更改）
• restore_backup -用备份覆盖实时数据库状态（破坏性）
• cancel_task -中止正在运行的后台任务
• forget_memory -从知识图中删除实体和关系（不可逆）
• revert_memory -将内存还原到以前的版本（破坏性）
• gdpr_delete_user_data -GDPR删除权（合法、不可逆）
• gdpr_record_consent -记录同意决定（合法，必须是明确的人类行为）
• disable_webhook -禁用向外部webhook端点传递事件
• rotate_encryption_key -使用新密钥重新加密所有数据（安全，不能中断）
• undo_last -反转上次自动记忆操作（显式人工反转）
• redo_last -重新应用最近反向的操作（显式人工重新应用）

2.自动调用（A）-AI IDE控制

它是如何工作的：

• AI IDE（Claude Code、Cursor等）决定何时调用工具
• 基于用户查询和上下文需求
• 无需用户干预
• 最常见的使用模式

自动触发器示例：

User: "What did we discuss about authentication?"

AI IDE automatically calls:
→ search_memories(query="authentication", limit=10)
→ Returns results
→ AI formulates response

No user action needed - completely automatic

User: "Remember that we use JWT for authentication"

AI IDE automatically calls:
→ add_memory(content="We use JWT for authentication") [AUTO]
→ System internally triggers:
→   check_duplicate(content="...") [SYSTEM AUTO]
→   publish_memory_event(event_type="memory_added") [SYSTEM AUTO]
→ Returns memory ID

由MCP兼容IDE自动触发的工具（40个工具）：

• add_memory -当IDE想要记住信息时
• search_memories -当你询问过去的信息时
• get_memories -为新会话加载上下文时
• get_memory -引用特定内存ID时
• update_memory -当IDE需要更正信息时
• list_agents -列出可用代理时
• cognify -将数据转化为知识时
• search -搜索知识图时
• list_data -列出文件时
• get_stats -检查系统状态时
• health -启动时验证系统状态
• create_backup -创建系统备份时
• get_shared_memories -加载共享内存时
• list_backups -列出可用备份时
• list_tasks -列出计划任务时
• get_supported_languages -列出支持的语言时
• remember -当用户说“记住/保存/注意这个”时
• recall -当用户询问过去的背景或决策时
• cognify_status -检查后台任务状态时
• ingest_url -当用户提供要学习的URL时
• ingest_db -当用户提供用于摄取的数据库凭据时
• list_loaders -当用户询问支持哪些文件类型时
• start_session -启动新的内存会话时
• get_session_context -检索活动会话上下文时
• get_session_history -浏览会话历史记录时
• list_webhooks -列出已注册的webhooks时
• list_loader_plugins -列出加载器插件时
• load_document_with_plugin -通过插件加载文档时
• get_undo_history -当用户询问哪些操作可以颠倒时
• set_memory_sharing -当用户说“与代理X共享此内容”或表示共享意图时
• create_shared_space -当用户请求多代理协作时（“创建共享工作区”）
• set_memory_ttl -当用户说“记住30天”或给出有时限的保留提示时
• end_session -当对话结束或用户说“我们暂时结束”时
• test_webhook -register_webhook成功验证端点后自动执行
• test_notification_channel -配置Slack/Discord以验证交付后自动执行
• configure_slack_notifications -当用户提供Slack webhook URL和事件首选项时
• configure_discord_notifications -当用户提供Discord webhook URL和事件首选项时
• gdpr_export_user_data -当用户说“导出我的数据”或要求数据可移植性时
• register_webhook -当用户为事件传递提供webhook端点URL时
• delete_observation -当AI IDE从内存中删除特定的EAV观察值时

3.系统调用（S）-增强认知控制

它是如何工作的：

• 增强的Cognee会根据事件自动触发工具
• 用户/AI操作后的链式自动化
• 定期维护任务
• 性能监控和优化
• 无需用户或AI IDE的直接干预

系统触发器示例：

User: "Add memory: We use JWT for authentication"

User triggers:
→ add_memory(content="We use JWT for authentication")

System automatically chains:
→ check_duplicate() [SYSTEM - checks for duplicates]
→ publish_memory_event() [SYSTEM - notifies other agents]
→ get_performance_metrics() [SYSTEM - logs performance]

System scheduled task runs:

System automatically triggers:
→ auto_deduplicate() [SYSTEM - scheduled maintenance]
→   → get_deduplication_stats() [SYSTEM - gets stats]
→   → publish_memory_event() [SYSTEM - notifies of duplicates]
→   → get_performance_metrics() [SYSTEM - logs performance]

增强型认知系统触发的工具（68个工具）：

性能与监控（5个工具）：

• check_duplicate -在add_memory之前自动调用
• publish_memory_event -内存更改后自动调用
• get_performance_metrics -操作后自动调用
• get_slow_queries -自动调用性能问题
• get_prometheus_metrics -自动调用进行监控

统计（7种工具）：

• get_memory_age_stats -由内存操作自动调用
• get_deduplication_stats -通过重复数据删除自动调用
• get_summary_stats -通过摘要自动调用
• get_summarization_stats -自动调用摘要指标
• summary_stats -自动调用摘要统计
• get_sync_status -自动调用同步诊断
• check_memory_access -在内存访问之前自动调用

重复数据删除（5个工具）：

• auto_deduplicate -自动计划（维护）
• deduplicate -自动触发重复数据删除
• deduplication_report -自动生成报告
• schedule_deduplication -自动安排重复数据删除
• verify_backup -create_backup后自动调用

总结（6个工具）：

• summarize_old_memories -自动计划（维护）
• summarize_category -由策略自动触发
• intelligent_summarize -自动触发LLM摘要
• auto_summarize_old_memories -自动批量汇总
• schedule_summarization -自动安排摘要
• rollback_restore -恢复失败时自动调用

多语言（6个工具）：

• detect_language -自动检测文本语言
• get_supported_languages -自动列出支持的语言
• search_by_language -按语言自动搜索
• get_language_distribution -自动获取语言统计信息
• cross_language_search -自动执行跨语言搜索
• get_search_facets -自动获取搜索方面

高级人工智能和搜索（4个工具）：

• cluster_memories -自动对内存进行聚类
• advanced_search -自动执行高级搜索
• expand_search_query -自动展开查询
• get_search_analytics -自动获取分析

后台任务监控（第2阶段）（1个工具）：

• cognify_status -自动跟踪背景记忆/改善任务状态

阶段8b-调度器驱动（3个工具，在增强的cognee-config.json中启用）：

• expire_memories -每日计划程序作业（auto_scheduler.expire_memories.enabled=true）
• improve -每周质量改进作业（auto_scheduler.improve.enabled=true）
• schedule_task -服务器启动时从配置引导的默认任务

阶段8b-摄入后挂钩（3个工具，在增强的cognee-config.json中启用）：

• translate_text -摄取后自动翻译非默认语言内容
• regex_extract_entities -每次内存写入后自动提取命名实体
• extract_graph_v2 -摄取后自动丰富图形（计算密集型）

阶段8b-TTL自动化（1个工具，在增强的cognee-config.json中启用）：

• set_memory_ttl -通过关键字规则（Auto_ttl_rules.rules）在写入时自动应用

计划14.8-LLM成本跟踪（1个系统工具）：

• get_llm_cost_report -由监控仪表板和调度器自动调用

用于定期LLM支出报告；当用户询问时也会自动调用 关于API成本或代币使用

总结（第1-14阶段完成）：

• 14工具 需要明确的手动调用（M）-不可逆/破坏性/法律/财务影响操作
• 40工具 由AI IDE自动触发（A）
• 68工具 由增强型认知系统（S）自动触发
• 总计：122个工具 -83%（101/122）自动呼叫，无需用户操作

混合方法（三者中最好的）

显示手动+自动+系统触发器的示例工作流程：

sequenceDiagram
    participant User
    participant AI as AI IDE
    participant MCP as Enhanced Cognee MCP
    participant Sys as System Automation

    Note over User,AI: Session Start

    AI->>MCP: health() [AUTO - AI IDE]
    MCP-->>AI: All systems OK

    AI->>MCP: get_memories(limit=50) [AUTO - AI IDE]
    MCP->>Sys: get_performance_metrics() [SYSTEM - chained]
    MCP-->>AI: Returns 50 recent memories

    Note over User,AI: During Conversation

    User->>AI: "What did we decide about authentication?"

    AI->>MCP: search_memories("authentication") [AUTO - AI IDE]
    MCP->>Sys: get_performance_metrics() [SYSTEM - chained]
    MCP->>Sys: get_slow_queries() [SYSTEM - if slow]
    MCP-->>AI: Found 3 memories

    AI-->>User: "We decided to use JWT tokens..."

    Note over User,AI: Information to Remember

    User->>AI: "We use OAuth 2.0 for external services"

    AI->>MCP: add_memory("We use OAuth 2.0...") [AUTO - AI IDE]
    MCP->>MCP: check_duplicate() [SYSTEM - chained]
    MCP->>MCP: publish_memory_event() [SYSTEM - chained]
    MCP->>Sys: get_performance_metrics() [SYSTEM - chained]
    MCP-->>AI: Memory added (ID: xyz-789)

    Note over User,AI: Manual Policy Setting

    User->>AI: "Set this memory to expire in 30 days"

    AI->>MCP: set_memory_ttl(memory_id="xyz-789", ttl_days=30) [MANUAL - User]
    MCP->>Sys: get_memory_age_stats() [SYSTEM - chained]
    MCP->>Sys: get_performance_metrics() [SYSTEM - chained]
    MCP-->>AI: TTL set successfully

    Note over User,AI: Automatic System Maintenance

    Sys->>MCP: auto_deduplicate() [SYSTEM - scheduled]
    MCP->>MCP: get_deduplication_stats() [SYSTEM - chained]
    MCP->>MCP: publish_memory_event() [SYSTEM - chained]
    MCP->>Sys: get_performance_metrics() [SYSTEM - chained]
    Sys->>Sys: Scheduled task complete

    Note over User,AI: Later - Automatic Context

    AI->>MCP: get_memory("xyz-789") [AUTO - AI IDE]
    MCP->>Sys: get_performance_metrics() [SYSTEM - chained]
    MCP-->>AI: Returns OAuth memory

三向触发系统的主要优点：

1. 手册（M）-用户控制

- 明确控制破坏性操作（删除、过期、存档） - 策略配置（TTL、共享、备份） - 安全措施防止意外数据丢失

1. 汽车（A）-AI IDE智能

- 上下文感知工具调用 - 自动内存检索和存储 - 与AI工作流程无缝集成

1. 系统（S）-增强自动化

- 自动性能监控 - 依赖链（一个操作触发多个） - 定期维护任务 - 实时事件发布 - 无需用户干预

完整自动化示例：

当您添加内存时，系统会自动：

1. 检查重复项（系统）
2. 将事件发布到其他代理（系统）
3. 记录性能指标（系统）
4. 更新内存使用时间统计信息（系统）
5. 检测慢速查询（如果适用）（系统）

所有这些都不需要任何手动配置-开箱即用的全面自动化！

______________________________________________________________________

v1.0.9 API奇偶校验

增强的Cognie通过MCP工具跟踪并公开完整的toporetes/cognie v1.0.9公共API。

会话感知内存（第2阶段）

这些工具包裹着 cognee.api.v1.* 上游v1.0.9中添加的模块：

外部装载机和浓缩（第3阶段）

搜索类型参考

全部15 SearchType 支持的值 recall 和 search:

______________________________________________________________________

代理集成

原始的21个SDLC代理模块（ATS、OMA、SMC类别）已存档 由于硬编码的类别违规，截至第4阶段。增强型Cognee现在使用 从加载的动态代理注册表 .enhanced-cognee-config.json。参见 .archive/2026-05-13_agents_ats_oma_smc/ARCHIVE_NOTES.md 移民指导。

动态代理注册表

代理从配置文件中动态注册：

{
  "categories": {
    "my_agent": { "prefix": "agent_", "description": "My custom agent" }
  }
}

Enhanced Cognee支持无限制的自定义代理类型，包括：

• \[OK\]Redis发布/订阅用于亚毫秒代理协调
• \[OK\]事件广播（添加记忆、更新记忆、删除记忆）
• \[OK\]代理之间的自动状态同步
• \[OK\]具有4种访问策略的跨代理内存共享
• \[OK\]每个代理的性能指标和Prometheus导出

______________________________________________________________________

开发包

Enhanced Cognee发布了一个在PyPI上发布的类型化异步Python客户端：

pip install enhanced-cognee-client

PyPI： https://pypi.org/project/enhanced-cognee-client/1.0.0/

快速使用SDK

import asyncio
from enhanced_cognee_client import EnhancedCogneeClient

async def main():
    async with EnhancedCogneeClient(host="localhost", port=37777) as client:
        # Add a memory
        result = await client.add_memory(
            content="Enhanced Cognee has 119 MCP tools",
            user_id="default",
            agent_id="my-agent",
        )
        print(result)

        # Search memories
        hits = await client.search_memories(query="MCP tools", limit=5)
        print(hits)

        # Health check
        status = await client.health()
        print(status)

asyncio.run(main())

SDK功能

• 异步优先（引擎盖下的httpx）
• 从不引发网络错误，而是返回错误字典
• 完整类型注释；PEP 561 py.typed 标记
• 16种公共方法： add_memory, search_memories, get_memories, get_memory, update_memory, delete_memory, list_agents, health, get_stats, cognify, search, gdpr_export_user_data, gdpr_delete_user_data, gdpr_record_consent, remember, recall
• 与Python 3.10兼容+

______________________________________________________________________

性能基准

所有119个MCP工具都使用模拟数据库池（不需要实时服务）进行了基准测试（每个迭代N=50次）。结果衡量纯Python调度开销。

自己运行基准测试：

python benchmarks/benchmark_all_tools.py

结果保存到 benchmarks/results/benchmark_results.json.

基准业绩（2026-05-14）

关键发现： 所有生产延迟都是DB绑定的，而不是Python绑定的。Python调度层在所有119个工具中增加了0.07ms（p95）。最慢功能： get_memory_importance （由于单例初始化冷启动，平均为0.22ms）。最快的： list_agents （0.00ms）。

______________________________________________________________________

测试

Enhanced Cognee拥有全面的测试套件，包括 100%通过率:

# Install test dependencies
pip install -r requirements-test.txt

# Run all tests
python run_tests.py

# Or run specific categories
pytest tests/unit/ -v -m unit
pytest tests/integration/ -v -m integration
pytest tests/system/ -v -m system
pytest tests/e2e/ -v -m e2e

# Generate coverage report
pytest --cov=src --cov-report=html
open htmlcov/index.html

检验统计量

• 测试文件总数： 25+
• 测试用例总数： 1134次测试通过（100%通过率）
• 代码覆盖范围： 92%+单位覆盖率
• 成功率： 100%（1134/1134测试通过）
• 集成测试： 单独提供（需要实时数据库连接）
• 警告： 0
• 跳过的测试： 0

测试指南： 测试指导

______________________________________________________________________

文档

提供全面的文档：

______________________________________________________________________

配置

动态类别

创建 .enhanced-cognee-config.json 在项目根目录中：

{
  "categories": {
    "trading": {
      "prefix": "trading_",
      "description": "Trading system memories"
    },
    "development": {
      "prefix": "dev_",
      "description": "Development-related memories"
    },
    "analysis": {
      "prefix": "analysis_",
      "description": "Analysis and reports"
    }
  }
}

无需更改代码-Enhanced Cognee在运行时加载类别。 任何类别名称，任何前缀。

端口配置

增强型Cognee使用非标准端口来避免冲突：

环境变量

看 .env.example 对于所有可用的配置选项。

______________________________________________________________________

使用示例

示例1：使用MCP的基本内存操作

# In any MCP-capable IDE or client:

# Add a memory
/add_memory "I prefer TypeScript for frontend development"

# Search memories
/search_memories "TypeScript"

# Get all memories
/get_memories

# Check system health
/health

示例2：多代理协调

import asyncio
from src.realtime_sync import RealTimeMemorySync

async def main():
    # Initialize sync
    sync = RealTimeMemorySync(redis_client, postgres_pool)

    # Agent 2 subscribes to updates
    async def on_memory_update(event):
        print(f"Received update: {event['event_type']}")

    await sync.subscribe_to_updates("agent-2", on_memory_update)

    # Agent 1 publishes memory event
    await sync.publish_memory_event(
        event_type="memory_added",
        memory_id="mem-123",
        agent_id="agent-1",
        data={"content": "Important requirement"}
    )

示例3：内存共享设置

from src.cross_agent_sharing import CrossAgentMemorySharing, SharePolicy

async def main():
    sharing = CrossAgentMemorySharing(postgres_pool)

    # Set memory as shared across team
    await sharing.set_memory_sharing(
        memory_id="project-design",
        policy=SharePolicy.SHARED
    )

    # Or use custom whitelist
    await sharing.set_memory_sharing(
        memory_id="sensitive-data",
        policy=SharePolicy.CUSTOM,
        allowed_agents=["agent-1", "agent-2"]
    )

______________________________________________________________________

发展

项目结构

enhanced-cognee/
├── README.md                          # This file
├── LICENSE                            # Apache 2.0 license
├── .env.example                       # Environment template
├── .gitignore                         # Git ignore rules
├── requirements.txt                   # Runtime dependencies
├── requirements-test.txt              # Test dependencies
├── pytest.ini                         # Pytest configuration
├── bin/                               # Executable scripts
│   ├── enhanced_cognee_mcp_server.py  # Main MCP server
│   ├── install.py                     # Python installer
│   └── run_tests.py                   # Test runner script
├── setup/                             # Installation scripts
│   ├── install.sh, install.ps1        # Platform-specific installers
│   └── uninstall.sh, uninstall.ps1    # Uninstall scripts
├── config/                            # Configuration files
│   ├── docker/                        # Docker compose files
│   │   └── docker-compose-enhanced-cognee.yml
│   ├── environments/                  # Environment templates
│   └── automation/                    # Automation configs
├── cognee/                            # Original Cognee framework
│   └── infrastructure/                # Database adapters
├── src/                               # Enhanced Cognee modules
│   ├── memory_management.py           # TTL, expiry, archival
│   ├── memory_deduplication.py        # Duplicate detection
│   ├── memory_summarization.py        # Auto summarization
│   ├── performance_analytics.py       # Metrics collection
│   ├── cross_agent_sharing.py         # Access control
│   ├── realtime_sync.py               # Redis pub/sub sync
│   ├── multi_language_search.py       # 28-language support
│   ├── scheduled_deduplication.py     # Scheduled dedup runner
│   ├── scheduled_summarization.py     # Scheduled summ runner
│   ├── maintenance_scheduler.py       # Task scheduler
│   ├── backup_manager.py              # Backup and recovery
│   ├── plugin_registry.py             # Plugin loader system
│   ├── webhook_manager.py             # Webhook delivery
│   ├── encryption_manager.py          # Fernet encryption at rest
│   ├── memory_observation.py          # EAV structured observations
│   ├── notification_manager.py        # Slack/Discord notifications
│   ├── memory_importance_scorer.py    # Heuristic importance scoring
│   └── memory_reranker.py             # Multi-signal re-ranking
├── enhanced_cognee_client/            # Python SDK package
│   ├── __init__.py
│   ├── client.py                      # EnhancedCogneeClient (16 methods)
│   ├── exceptions.py                  # Typed exception hierarchy
│   └── py.typed                       # PEP 561 marker
├── benchmarks/                        # Performance benchmarks
│   ├── benchmark_all_tools.py         # N=50 benchmark for all 119 tools
│   └── results/benchmark_results.json # Baseline timing data
├── tests/                             # Comprehensive test suite
│   ├── unit/                          # Unit tests
│   ├── integration/                   # Integration tests
│   ├── system/                        # System tests
│   ├── e2e/                           # End-to-end tests
│   └── conftest.py                    # Pytest fixtures
└── docs/                              # Comprehensive documentation

运行测试

# Install test dependencies
pip install -r requirements-test.txt

# Run all tests
python run_tests.py

# Run with coverage
pytest --cov=src --cov-report=html

______________________________________________________________________

贡献

我们欢迎捐款！请查看我们的 贡献指南 了解详情。

开发设置

# Fork the repository
git clone https://github.com/vincentspereira/Enhanced-Cognee.git
cd Enhanced-Cognee

# Create virtual environment
python -m venv .venv
source .venv/bin/activate

# Install in development mode
pip install -e ".[dev]"

# Run tests
python run_tests.py

开发：预提交钩子

# Install pre-commit (once per dev machine)
pip install pre-commit

# Install the hooks into .git/hooks/
pre-commit install

# Run all hooks on all files (verify setup)
pre-commit run --all-files

# Run hooks on staged files only (automatic on git commit)
git add 
pre-commit run

钩子在每一个 git commit:

• 尾随空格+文件卫生
• ruff 带自动修复功能的棉绒（取代黑色）
• ruff-format 代码格式化
• bandit 安全扫描
• 没有硬编码的ATS/OMA/SMC类别门（内联Python挂钩）
• bin/enhanced_cognee_mcp_server.py（内联Python钩子）上的仅ASCII输出检查

钩住 pre-push 仅限阶段：

• 快速单元测试子集（无需数据库，在60秒内运行）

______________________________________________________________________

许可证

此项目根据Apache许可证2.0获得许可-请参阅 许可证 文件以获取详细信息。

版权

增强型干邑源自 标志 由Topotes UG提供，根据Apache许可证2.0版获得许可。

Apache 2.0许可证要求：

1. 此通知保留在所有发行版中
2. 原始Cognee项目已记入贷方（如上所述）
3. 与原始版本的更改已被记录（在git历史记录和本README中完成）

Copyright 2024 Topoteretes UG (Original Cognee)
Copyright 2026 Vincent S. Pereira (Enhanced Cognee additions)

Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at

    http://www.apache.org/licenses/LICENSE-2.0

Unless required by applicable law or agreed to in writing, software
distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and
limitations under the License.

______________________________________________________________________

致谢

原味干邑

《Enhanced Cognee》是一部基于优秀作品的衍生作品 标志 框架by 地形 UG.

• 原始存储库: https://github.com/topoteretes/cognee
• 原始文件: https://docs.cognee.ai/
• 原始许可证：Apache许可证2.0

第三方图书馆

Enhanced Cognee与以下优秀的开源项目集成：

• PostgreSQL: https://www.postgresql.org/
• pg矢量: https://github.com/pgvector/pgvector
• Qdrant: https://qdrant.tech/
• Neo4j: https://neo4j.com/
• 瑞迪斯: https://redis.io/
• FastMCP: https://github.com/jlowin/fastmcp

特别感谢

• 最初的Cognee开发团队创建了一个优秀的框架
• 所有底层开源项目的贡献者
• MCP协议规范贡献者
• Enhanced Cognee的所有贡献者

______________________________________________________________________

支持

• 文档：参见 docs/ 项目根目录中的目录和MD文件
• 问题：通过以下方式报告错误和请求功能
• 讨论：使用 回答问题

______________________________________________________________________

明星历史

如果你觉得Enhanced Cognee有用，请考虑在GitHub上发布它！

明星历史

______________________________________________________________________

作为增强型叉子制造 标志

用于多代理系统的企业级AI内存基础架构

· 报告问题 · 请求功能

文档 · 测试指导 · 多IDE设置 · 代理集成