Skip to main content

使用 goose 进阶集成 Cognee

本教程聚焦于 Cognee 扩展的进阶使用方式，包括自动化记忆管理、知识图谱优化，以及不同的集成策略。

概览​

基础的 Cognee MCP 配置 只能帮你“接上” Cognee；而本教程更关注如何让 goose 主动 使用知识图谱，并把它真正纳入你的工作流。

关键概念​

知识图谱记忆​

Cognee 会构建一个结构化知识图谱，它能够：

  • 把对话、文档、图片和音频转写内容关联起来
  • 支持 30 多种数据源
  • 用动态关系映射替代传统 RAG
  • 支持复杂的多跳推理

搜索类型​

理解 Cognee 的搜索类型，是高效使用它的关键：

搜索类型适用场景说明
SUMMARIES摘要请求高层概览
INSIGHTS关系查询实体之间的连接
CHUNKS具体事实原始文本片段
COMPLETION解释型问题由 LLM 生成的回答
GRAPH_COMPLETION复杂关系多跳推理
GRAPH_SUMMARY简明回答短而聚焦的结果
GRAPH_COMPLETION_COT多跳问答连续推理
GRAPH_CONTEXT_EXT上下文扩展扩展相关上下文
CODE代码示例编程相关查询

自动化策略​

指令文件​

如果你想在多个 session 中保持一致行为，可以使用 instruction files。这种方式 token 开销较低，但启动速度会更慢一些。

创建 ~/.config/goose/cognee-instructions.md：

You are an LLM agent with access to a Cognee knowledge graph for memory.

**IMPORTANT RULES:**
- Never call the `prune` command
- Always search memory before responding to user queries
- Automatically cognify new information you learn about the user

**Memory Workflow:**
1. **Before each response**: Search the knowledge graph
   - Map user request to appropriate search type:
     - Summary → SUMMARIES
     - Relationships → INSIGHTS  
     - Specific facts → CHUNKS
     - Explanations → COMPLETION
     - Complex relations → GRAPH_COMPLETION
     - Code examples → CODE
   
2. **Search command**:
   ```text
   cognee-mcp__search(\{
     search_query: "user prompt",
     search_type: "mapped type"
   \})
   ```

3. **Incorporate results** into your response

**Memory Updates:**
- When you learn new facts, preferences, or relationships about the user
- Call: `cognee-mcp__cognify(\{ data: "information" \})`
- Monitor with: `cognee-mcp__cognify_status()`

**Code Analysis:**
- When asked to analyze code repositories
- Use: `cognee-mcp__codify(\{ repo_path: "path" \})`
- Only process files returned by `rg --files`

使用 instruction file 启动 goose：

goose run -i ~/.config/goose/cognee-instructions.md -s

策略 3：结合 Memory MCP​

你还可以搭配 Memory MCP 扩展，形成混合策略：

  1. 把 Cognee 的使用规则保存为 memories
  2. 用 Memory MCP 触发 Cognee 搜索
  3. 相比 .goosehints，token 占用更低
  4. 相比纯 instruction file，更稳定

进阶工作流​

开发工作流​

对于软件开发项目，可以这样使用：

# 启动 goose 并接入 Cognee
goose session

# 在 goose 中分析代码库
> goose, please codify this repository and then help me understand the architecture

goose 会：

  1. 对你的仓库执行 cognee-mcp__codify
  2. 建立代码知识图谱
  3. 基于这个图谱回答架构问题

研究工作流​

适合处理论文和文档：

# 将研究文档写入图谱
> goose, please cognify the contents of these research papers: paper1.pdf, paper2.pdf, paper3.pdf

# 随后查询关系
> What are the connections between the methodologies in these papers?

个人助理工作流​

适合个人效率场景：

# 记录偏好
> Remember that I prefer morning meetings, work best with 2-hour focused blocks, and need 15-minute breaks between calls

# 后续查询
> Based on my preferences, how should I structure tomorrow's schedule?

性能优化​

服务端配置​

为了获得更好的性能，建议把 Cognee 作为独立服务运行：

# Create optimized startup script
cat > start-cognee-optimized.sh << 'EOF'
#!/bin/bash
set -e

# Performance settings
export DEBUG=false
export LOG_LEVEL=WARNING
export RATE_LIMIT_INTERVAL=30

# Model configuration
export LLM_API_KEY=${OPENAI_API_KEY}
export LLM_MODEL=openai/gpt-4o-mini  # Faster, cheaper model
export EMBEDDING_API_KEY=${OPENAI_API_KEY}
export EMBEDDING_MODEL=openai/text-embedding-3-small  # Faster embedding

# Server settings
export HOST=0.0.0.0
export PORT=8000

cd /path/to/cognee-mcp
uv run python src/server.py --transport sse
EOF

chmod +x start-cognee-optimized.sh

记忆管理​

你还需要定期监控与维护知识图谱：

# 查看状态
> goose, what's the status of the cognify pipeline?

# 按需清理（如果必要）
> goose, can you help me identify outdated information in the knowledge graph?

故障排查​

常见问题​

  1. 启动慢：优先使用更轻量的 server 配置
  2. 记忆不持久：检查文件路径和权限
  3. 搜索结果为空：确认数据是否真的完成了 cognify
  4. token 消耗过高：优先使用 instruction files，而不是把所有规则都放进 .goosehints

调试命令​

# 查看 Cognee 日志
tail -f ~/.local/share/cognee/logs/cognee.log

# 测试 server 连通性
curl http://localhost:8000/health

# 验证知识图谱状态
# In goose session:
> goose, run cognify_status and codify_status

最佳实践​

数据组织​

  1. 使用 nodesets 对不同类型的信息分组：

    # 开发规则
    > goose, add these coding standards to the 'developer_rules' nodeset

    # 项目专属信息  
    > goose, cognify this project documentation with nodeset 'project_alpha'

  2. 定期维护：

    • 每月回顾和更新已存信息
    • 清理过期偏好和事实
    • 根据实际使用情况优化搜索 query

集成模式​

  1. 分层方案：Memory MCP 和 Cognee 分别承担不同职责
  2. 上下文切换：为不同工作流准备不同 instruction files
  3. 选择性自动化：并不是每次交互都必须触发知识图谱查询

示例​

代码评审助手​

# Setup
> goose, codify this repository and remember that I prefer: functional programming patterns, comprehensive tests, and clear documentation

# Usage
> Review this pull request and check it against my coding preferences

会议助手​

# Before meeting
> goose, cognify the agenda and participant backgrounds from these documents

# During/after meeting
> Based on the knowledge graph, what are the key action items and how do they relate to our previous discussions?

研究助手​

# Literature review
> goose, cognify these 10 research papers and create a knowledge graph of the relationships between their methodologies

# Synthesis
> What are the emerging patterns in the research and what gaps exist?

这份进阶指南的目标，是帮助你把 Cognee 从“只是接上了”推进到“真正能成为 goose 长期记忆和自动化的一部分”。关键不在安装，而在于把检索、记忆更新与代码知识图谱真正融入你的日常工作流。