Cognee

La mayoría de los agentes de IA actuales tienen memoria de pez: cierras la sesión, abres otra y tu asistente vuelve a resolver desde cero el mismo problema de la semana pasada, quemando tokens y tu paciencia. Cognee resuelve esta amnesia dándoles a los agentes y entornos de programación una memoria persistente a largo plazo, capaz de conectar documentos, repositorios, tickets y chats de empresa en un único «cerebro» consultable.

El problema del RAG vectorial clásico es que solo busca fragmentos de texto parecidos por similitud matemática, sin entender cómo se relacionan los datos ni qué hechos han cambiado con el tiempo (por ejemplo, si una factura emitida el martes fue reembolsada el viernes). Desarrollado por la empresa berlinesa Topoteretes UG, Cognee sustituye ese enfoque plano por una arquitectura híbrida de tres capas: combina una base vectorial (LanceDB por defecto, con soporte para pgvector, Qdrant, Milvus, Weaviate o Redis), un grafo de conocimiento con ontologías generadas automáticamente (Ladybug o Kuzu en local, además de Neo4j o FalkorDB) y almacenamiento relacional (SQLite o PostgreSQL) para controlar versiones, trazabilidad y citas exactas.

A diferencia de constructores de chatbots llave en mano como Chatbase o Kommunicate, que se centran en desplegar widgets de atención al cliente y flujos de soporte visual, Cognee opera puramente como un motor de infraestructura de memoria que acoplas a tus propios agentes o editores de código. Todo su ciclo de vida se resume en cuatro operaciones asíncronas (`remember`, `recall`, `improve` y `forget`) y 14 modos de recuperación que incluyen razonamiento paso a paso (Chain-of-Thought), consultas Cypher, análisis temporal y reglas de código.

Qué ofrece en la práctica:

• Integración directa con herramientas de desarrollo y agentes: conexión mediante plugins, extensiones o su propio servidor MCP (Model Context Protocol) con Claude Code, Cursor, Codex, VS Code, Cline, Claude Desktop, Gemini CLI, OpenClaw y Hermes Agent.
• Orquestación y fuentes de datos: conectores para Slack, GitHub, Google Drive, Notion, Linear, Jira, Confluence, Dropbox, Salesforce y Amazon S3, además de integración con n8n (mediante nodo), Dify (mediante plugin), LangGraph y CrewAI.
• Memoria que se autooptimiza: en la nube, el sistema aprende del uso real y del feedback, reforzando las conexiones útiles y podando los nodos obsoletos para afinar las respuestas.
• Panel de control y auditoría visual: la interfaz web (en inglés) permite explorar el grafo de nodos interactivo, gestionar datasets, medir el ahorro de tokens (Cost Savings) y evaluar la cobertura de la memoria (Memory Coverage) usando un sistema *LLM-as-judge*.
• Despliegue flexible y modo 100 % offline: su código abierto (en Python y con un motor ultrarrápido en Rust que responde en un cuarto de segundo) se puede alojar en local o en redes aisladas (*air-gapped*) usando extractores locales como GLiNER sin siquiera necesitar claves de API externas, o conectando modelos de OpenAI, Anthropic Claude u Ollama.

En cuanto a los detalles operativos que conviene tener claros antes de empezar: en la interfaz estándar existe un límite de una conexión de fuente de datos por espacio de trabajo (*one connection per workspace*), y las instancias inactivas en la nube entran en modo reposo automáticamente, tardando hasta un minuto en reactivarse ante una nueva consulta. Para empezar en Cognee Cloud (que funciona sobre un modelo de pesos abiertos de OpenAI), el servicio ofrece una prueba con 10 USD en créditos gratuitos (equivalentes a 1 espacio de trabajo y 1.000.000 de tokens sin pedir tarjeta); después, la tarifa estándar pasa a ser de 1 USD por cada 1.000.000 de tokens procesados y 5 USD al mes por cada espacio de trabajo adicional.