代理工作流图谱记忆与上下文检索

要解决的问题

当代理在多轮会话或跨步骤工作流中执行任务时，常出现两类典型问题：

• 上下文断裂：上一轮已确认的实体关系、约束条件或决策依据，在下一轮只留下简短摘要甚至完全丢失，导致重复提问或行为漂移。
• 记忆分散：项目知识散落在代码、文档、工单和运行日志中，代理每次启动都要重新扫描，既浪费 token，也难保证检索结果一致。

这类问题不是提示词措辞能根治的：缺少可持久化的外部记忆时，代理对同一项目的理解会随会话长度增加而衰减。

技能如何工作

该技能围绕 Cognee 提供一套图谱 + 向量的混合记忆路径，核心能力如下：

• 知识导入：将项目已有数据接入 Cognee，由其统一处理解析、切分和表示生成。
• 记忆构建：知识被写入图谱内存用于保留实体关系，同时写入向量内存用于语义相似检索；两类索引相互配合，避免只做关键词匹配或只做 embedding。
• 上下文检索：在会话或工作流步骤之间，代理可根据当前任务从记忆中召回相关实体、关系和原始片段，而不是仅依赖最近几轮对话。
• 持久化复用：检索结果可在不同会话与工作流之间复用，使后续步骤不必从零重建项目背景。

关键步骤按顺序大致是：准备符合要求的 Python 环境并完成 Cognee 与所选 LLM 凭证配置；把项目知识导入 Cognee；由其完成图谱和向量内存的构建；在代理执行任务时触发上下文检索；将召回内容注入后续步骤，形成稳定的记忆闭环。

适用边界与注意点

该方案更适合“项目知识需要跨会话复用”的代理系统。若任务主要是一次性问答或上下文始终完整，引入外部记忆的边际收益有限。

同时需要注意：

• 依赖 Python 3.10 到 3.14，以及 Cognee、LLM 提供商凭证；图数据库和向量数据库后端属于可选组件，但生产场景通常建议提前规划。
• 知识导入质量会直接影响检索上限：噪声文档、过期字段或混乱实体关系会原样进入记忆层。
• 图谱构建和维护会带来额外工程成本，应评估项目规模与更新频率是否匹配；数据权限、敏感字段和合规边界也需要在接入前梳理清楚。