跳到主要内容

​
Cognee检索器

这将帮助您开始使用 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）
检索器自托管云服务包
Cognee检索器✅❌langchain-cognee

​
设置

对于 cognee 的默认设置，您只需要您的 OpenAI API 密钥。 如果您想从单个查询中获得自动化跟踪，您还可以通过取消注释以下内容来设置您的 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 Key
    dataset_name="my_dataset",
    k=3,
)

​
用法

添加一些文档，处理它们，然后运行查询。Cognee 将检索与您的查询相关的知识并生成最终答案。 
# Example of adding and processing documents
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()

# Now let's query the retriever
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}")

​
API 参考

待办：添加 API 参考链接。
在 GitHub 上编辑此页面源文件。
以编程方式连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。
© . This site is unofficial and not affiliated with LangChain, Inc.