Skip to main content

​
CogneeRetriever

本指南将帮助你开始使用 Cognee 检索器。有关所有 CogneeRetriever 功能和配置的详细文档，请参阅 API 参考。

​
集成详情

自带数据（即索引和搜索自定义文档语料库）：
检索器自托管云端服务包
CogneeRetriever✅❌langchain-cognee

​
设置

对于 cognee 的默认设置，你只需要 OpenAI API 密钥。 如果你想要从各个查询中获取自动追踪，也可以通过取消以下注释来设置你的 LangSmith API 密钥： 
os.environ["LANGSMITH_API_KEY"] = getpass.getpass("Enter your LangSmith API key: ")
os.environ["LANGSMITH_TRACING"] = "true"

​
安装

此检索器位于 langchain-cognee 包中： 
pip install -qU langchain-cognee

import nest_asyncio

nest_asyncio.apply()

​
实例化

现在我们可以实例化我们的检索器： 
from langchain_cognee import CogneeRetriever

retriever = CogneeRetriever(
    llm_api_key="sk-",  # OpenAI API 密钥
    dataset_name="my_dataset",
    k=3,
)

​
使用方法

添加一些文档，处理它们，然后运行查询。Cognee 检索与查询相关的知识并生成最终答案。 
# 添加和处理文档的示例
from langchain_core.documents import Document

docs = [
    Document(page_content="Elon Musk is the CEO of SpaceX."),
    Document(page_content="SpaceX focuses on rockets and space travel."),
]

retriever.add_documents(docs)
retriever.process_data()

# 现在让我们查询检索器
query = "Tell me about Elon Musk"
results = retriever.invoke(query)

for idx, doc in enumerate(results, start=1):
    print(f"Doc {idx}: {doc.page_content}")
在 GitHub 上编辑此页面或提交问题。
通过 MCP 将这些文档连接到 Claude、VSCode 等以获取实时答案。