topoteretes/cognee

在用户询问 Cognee、AI 记忆、持久化 Agent 记忆、自我改进的 Agent、从反馈中学习的 Agent、知识图谱、基于图谱的 RAG、 Agent 长期记忆、Agent 短期记忆、个性化、角色设定（personas）、时序搜索、时序知识图谱、基于本体的抽取、本体接地（ontology grounding）、反馈、Cypher 搜索、自然语言图谱搜索、片段（chunk）搜索、RAG 搜索、跨会话记忆、会话反馈、反馈循环、基于会话的记忆、基于 Redis 的记忆、知识晋升（knowledge promotion）时使用本技能。在用户描述如下工作流时也请使用本技能： "turn documents into a knowledge graph"（将文档转化为知识图谱）、"build memory from files"（从文件构建记忆）、 "search my graph"（搜索我的图谱）、"extract entities and relations"（抽取实体与关系）、 "sync data into a graph"（将数据同步到图谱中）、"update graph memory"（更新图谱记忆）、 "store memories for an agent"（为 Agent 存储记忆）、"help my agent learn over time"（帮助我的 Agent 持续学习）、 "visualize a knowledge graph built from documents"（可视化由文档构建的知识图谱）、 "let the agent learn"（让 Agent 学习）、"adaptive agents"（自适应 Agent）、 "personalized agents"（个性化 Agent）、"session based personalization"（基于会话的个性化）、 "find important ontologies"（查找重要的本体）、"find custom pydantic models"（查找自定义的 Pydantic 模型）、 "isolate agentic behaviour"（隔离 Agent 行为）、"add permission control to retrieval"（为检索加入权限控制）、 "reduce context bloating"（减少上下文膨胀）。

编程协作开发 Agent Agent 技能自动化 skill agent-skill cognee topoteretes

技术栈: cursor3万+许可证: Apache-2.0开发者: topoteretes

Skill 介绍Skill 文件

重要提示：本站仅作 Skill 资源导航与收录，正文以 GitHub 原仓库为准，版权归原项目所有。

在 GitHub 查看 ↗

原文译文

以下为摘要预览，完整内容请查看 GitHub 原文。

Cognee

Use this skill for Cognee-specific Python API help and for mapping user goals to the right Cognee workflow.

When to apply this skill

Apply this skill whenever the user wants to do any of the following with Cognee:

ingest text, files, URLs, repos, or datasets
build or rebuild a knowledge graph
search documents, chunks, summaries, triplets, or graph context
choose a SearchType
enrich an existing graph with memify
define custom graph extraction models or DataPoint types
run custom task pipelines
configure LLM, graph DB, vector DB, or storage settings
tag and scope memory with node_set / NodeSets
build persistent memory for agents across sessions
create feedback loops or self-improving agent workflows
work with temporal extraction, ontologies, Cypher, or natural-language graph queries
manage datasets, sessions, feedback, pruning, updates, or visualization

If the user’s intent is “store information in memory and query it later,” prefer Cognee’s core flow: add -> cognify -> search

Core workflow

import cognee
from cognee import SearchType

await cognee.add(
    "Your text, file path, URL, or list of inputs",
    dat…

以下为摘要预览，完整内容请查看 GitHub 原文。

Cognee

本技能用于提供 Cognee 专属的 Python API 帮助，并将用户目标映射到正确的 Cognee 工作流。

何时应用本技能

当用户希望使用 Cognee 完成以下任何任务时，请应用本技能：

摄取文本、文件、URL、代码仓库或数据集
构建或重建知识图谱
搜索文档、片段、摘要、三元组或图谱上下文
选择 SearchType
使用 memify 丰富已有图谱
定义自定义图谱抽取模型或 DataPoint 类型
运行自定义任务流水线
配置 LLM、图数据库、向量数据库或存储设置
使用 node_set / NodeSets 为记忆打标签并限定范围
为跨会话的 Agent 构建持久化记忆
创建反馈循环或自我改进的 Agent 工作流
处理时序抽取、本体、Cypher 或自然语言图谱查询
管理数据集、会话、反馈、剪枝、更新或可视化

如果用户的意图是"把信息存入记忆并在之后查询"，请优先使用 Cognee 的核心流程： add -> cognify -> search

核心工作流

import cognee
from cognee import SearchType

await cognee.add(
    "Your text, file path, URL, or list of inputs",
    dataset_name="main",
    node_set=["default_memory"],
)
await cognee.cognify(datasets="main")
results = await cognee.search(
    "What are the key insights?",
    query_type=SearchType.GRAPH_COMPLETION,
    datasets="main",
)

默认指引

在协助使用 Cognee 时：

除非用户明确要求高级配置，否则从最简可行的路径开始。
优先使用标准工作流：
- 使用 add(...) 进行摄取
- 使用 cognify(...) 构建图谱
- 使用 search(...) 进行查询
将 Cognee API 视为 async。
当用户拥有多个数据源时，使用 dataset_name / datasets 保持工作井然有序。
当用户希望进行轻量级打标签、项目范围限定、每用户记忆桶或子图过滤时，使用 node_set。
仅当高级功能与任务匹配时才予以推荐：
- 使用 `memify(...…