用途：本技能用于安装 cognee 并运行首次 remember → recall 流程，覆盖全新环境搭建、虚拟环境、可选依赖（extras）选择与基础配置。
安装：需要 Python 3.10–3.14。推荐使用 uv：uv venv && source .venv/bin/activate，然后 uv pip install cognee（从 PyPI 安装）；在仓库内开发时可用 uv pip install -e .。按需添加 extras，例如 cognee[postgres]、cognee[neo4j]、cognee[docling]（office/HTML 文档解析，轻量）、cognee[docs]（unstructured）、cognee[anthropic]、cognee[ollama]、cognee[aws]；完整列表见 pyproject.toml 的 [project.optional-dependencies]。
配置：唯一必需设置是 LLM API 密钥。在工作目录创建 .env（或导出该变量）：LLM_API_KEY="your_openai_api_key"。默认无需外部服务：SQLite（关系型）、LanceDB（向量）与 Ladybug（图）均本地存储。OpenAI 是默认 LLM 与嵌入提供方；若只配置了其他 LLM 而未配置嵌入（或相反），另一方会静默保持 OpenAI。其他提供方与数据库需使用 cognee-integrations 技能。
首次运行：自 cognee 1.x 起，记忆 API（remember、recall、forget、improve）是主接口，所有 SDK 函数均为异步。最小示例： import asyncio import cognee
async def main(): await cognee.remember("Cognee turns documents into AI memory.") results = await cognee.recall("What does cognee do?") print(results)
asyncio.run(main())
remember() 一次调用完成整个摄取路径：执行 add() + cognify()，再执行 improve() 为图建立索引（默认 self_improvement=True）。它接受文本、文件路径、URL 和二进制流，可传 dataset_name="my_project"；recall() 传 datasets=["my_project"] 可限定在单个数据集内。recall() 默认自动路由查询到某种搜索策略；可传 query_type=SearchType.CHUNKS 等固定策略，或 auto_route=False 回退到 GRAPH_COMPLETION。
会话记忆：remember(..., session_id="chat_1") 写入快速会话缓存，而非内联执行 add+cognify；recall(..., session_id="chat_1") 读取（命中会话则跳过图搜索）。默认 self_improvement=True 时，仍会在后台把数据桥接进永久图；improve(dataset=..., session_ids=[...]) 可显式执行。会话缓存默认开启（CACHING=true）；设为 CACHING=false 会完全禁用它，并使 remember(session_id=...) 报错。
底层原语 add() / cognify() / search() / memify() 仍然存在，是 remember/recall/improve 的底层实现，仅在需要单独驱动某个阶段（如自定义管线任务）时使用。cognee.delete 自 0.3.9 起正式弃用，forget() 是 1.x 统一替代。recall() 与底层 search() 的取舍见 docs/recall-vs-search.md。
验证与排错：可用 cognee-cli remember "hello" && cognee-cli recall "hello" 在 shell 中走通同一流程；清空本地状态用 cognee-cli forget --all（或 await cognee.forget(everything=True)）。读取慢或每次查询都消耗 token，可设 AUTO_FEEDBACK=false（保留 CACHING=true），因为默认每次回答都会发起一次结构化输出 LLM 调用以自调优记忆。结构化 LLM 输出报错通常说明模型/提供方需要显式 instructor 模式：LLM_INSTRUCTOR_MODE="json_schema_mode"。