Wissensdatenbank · Vektordatenbanken & RAG · KI-Gedächtnis mit Wissensgraph

Cognee – ein Gedächtnis für KI-Agenten aus Wissensgraph und Vektorsuche.

Sprachmodelle vergessen nach jeder Sitzung alles, und klassisches RAG findet zwar ähnliche Textstellen, versteht aber selten, wie Kunden, Projekte, Maschinen und Entscheidungen zusammenhängen. Cognee setzt genau hier an: Das Open-Source-Framework verwandelt Dokumente, Gespräche, Tickets und Code in ein dauerhaftes Gedächtnis aus Wissensgraph, Vektorindex und Metadaten. Dieser Fachartikel ordnet Produktfamilie, Funktionsweise, Ökosystem, Wettbewerb, Betrieb, Kosten und die DSGVO-Frage herstellerneutral ein.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

28 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Expertenbeitrag
Cognee
topoteretes · Open Source & Cognee Cloud
Typ
KI-Gedächtnis / Memory-Layer
Speicher
Graph + Vektor + relational
Lizenz
Apache 2.0, Stand prüfen
Schnittstellen
Python, REST, CLI, MCP
Betrieb
Self-Hosted, Docker, Cloud
Stärke
Zusammenhänge statt Treffer
INAGRO Eignung souveränes RAG im Mittelstand
★★★★★
Kapitel 01 · Überblick

Was ist Cognee – und warum brauchen KI-Agenten ein Gedächtnis?

Cognee ist ein Open-Source-Framework, das unstrukturierte und strukturierte Daten in ein dauerhaftes, abfragbares Gedächtnis für KI-Anwendungen verwandelt. Es kombiniert drei Speicherarten: einen Wissensgraphen für Entitäten und Beziehungen, einen Vektorindex für semantische Ähnlichkeit und eine relationale Datenbank für Metadaten, Herkunft und Berechtigungen. Agenten und RAG-Anwendungen greifen über eine schlanke Schnittstelle darauf zu – und bekommen Zusammenhänge statt bloßer Textfragmente.

Um Cognee einzuordnen, lohnt ein Blick auf das Grundproblem. Große Sprachmodelle sind zustandslos: Jede Anfrage beginnt bei null, und alles, was das Modell über ein Unternehmen, einen Kunden oder ein laufendes Projekt wissen soll, muss im Kontextfenster mitgeliefert werden. Retrieval-Augmented Generation löst das, indem passende Textabschnitte aus einer Vektordatenbank gesucht und dem Modell vorgelegt werden. Für viele Fragen funktioniert das hervorragend. Es stößt aber an Grenzen, sobald eine Antwort Informationen aus mehreren Quellen verknüpfen muss: „Welche Kunden sind von der Lieferverzögerung beim Zulieferer betroffen, und wer hat die Ersatzlösung freigegeben?“ Solche Fragen beantwortet kein einzelner Textabschnitt. Die Antwort steckt in den Beziehungen zwischen Kunden, Aufträgen, Lieferanten, Personen und Entscheidungen.
Genau diese Beziehungen macht Cognee explizit. Während der Verarbeitung extrahiert ein Sprachmodell – oder in neueren Versionen wahlweise ein kleines lokales Extraktionsmodell – aus jedem Dokument Entitäten wie Personen, Organisationen, Produkte, Orte oder Fachbegriffe sowie die Beziehungen zwischen ihnen. Diese landen in einem Graphen. Parallel werden Textabschnitte, Zusammenfassungen und Knoten vektorisiert. Bei einer Anfrage kann Cognee dann zuerst semantisch passende Einstiegspunkte im Vektorraum finden und von dort aus entlang der Kanten im Graphen weiterwandern. Das Ergebnis ist ein Kontext, der nicht nur ähnlich klingt, sondern inhaltlich zusammenhängt.

Herkunft, Team und Open-Source-Modell

Cognee wird von einem kleinen Unternehmen namens topoteretes entwickelt, dessen Team seine Wurzeln in Berlin hat; Gründer und treibende Kraft ist Vasilije Markovic, der auch an Forschungsarbeiten zur Schnittstelle zwischen Wissensgraphen und Sprachmodellen beteiligt ist. Firmensitz, Gesellschaftsform und Teamstruktur können sich im Zuge von Finanzierungsrunden und internationaler Expansion ändern – wer die Herkunft für eine Lieferantenbewertung oder Souveränitätsbetrachtung benötigt, sollte die aktuellen Angaben im Impressum und in den Vertragsunterlagen des Anbieters prüfen.
Der Kern von Cognee steht unter der Apache-2.0-Lizenz und wird öffentlich auf GitHub entwickelt. Diese Lizenz erlaubt die kommerzielle Nutzung, Veränderung und Weitergabe ohne Copyleft-Pflichten und ist im Unternehmensumfeld gut etabliert. Daneben betreibt der Anbieter mit Cognee Cloud eine gehostete Variante und bietet für einzelne fortgeschrittene Funktionen lizenzierte Produktversionen an. Dieses Open-Core-Modell ist bei Infrastruktursoftware verbreitet; wichtig ist, vor einer Architekturentscheidung zu prüfen, welche Funktionen tatsächlich im freien Kern enthalten sind und welche nicht.

Gedächtnis statt Suchindex: das mentale Modell

Der wichtigste Perspektivwechsel bei Cognee: Es versteht sich nicht als weitere Vektordatenbank und auch nicht primär als RAG-Baukasten, sondern als Gedächtnisschicht – im englischsprachigen Umfeld als „AI Memory“ bezeichnet. Ein Gedächtnis unterscheidet sich von einem Suchindex in drei Punkten. Erstens ist es strukturiert: Es kennt Dinge und ihre Beziehungen, nicht nur Textstücke. Zweitens ist es dauerhaft und lernfähig: Neue Informationen werden mit bestehendem Wissen verknüpft, Rückmeldungen verbessern die Struktur, und Erkenntnisse aus einer Agentensitzung stehen in der nächsten zur Verfügung. Drittens ist es gezielt vergesslich: Einzelne Inhalte oder ganze Datensätze lassen sich wieder entfernen – ein Punkt, der für Löschpflichten nach DSGVO relevant ist.
In der aktuellen Schnittstelle spiegelt sich dieses Modell in vier Grundoperationen wider: remember speichert Inhalte im Gedächtnis, recall ruft Kontext und Antworten ab, improve reichert das Gedächtnis an und verarbeitet Rückmeldungen, und forget entfernt gezielt Inhalte. Ältere Versionen und viele Tutorials verwenden noch die Begriffe add, cognify, memify und search, die dieselben Schritte feiner granuliert abbilden. Welche Bezeichnungen in Ihrer Version gelten, zeigt die offizielle Dokumentation.
INAGRO-Einschätzung

Cognee ist aus unserer Sicht eines der interessantesten Open-Source-Projekte an der Schnittstelle von RAG, Wissensgraph und Agenten. Es senkt die Einstiegshürde für GraphRAG-artige Architekturen erheblich, lässt sich vollständig selbst betreiben und passt damit gut zu souveränen Mittelstandsarchitekturen. Gleichzeitig ist es ein junges, sich schnell entwickelndes Projekt: Schnittstellen ändern sich, die Graphqualität hängt stark von Daten und Modellen ab, und die Extraktion kostet Rechenzeit. Wir empfehlen Cognee für klar umrissene Anwendungsfälle mit vernetztem Wissen – und eine saubere Evaluierung gegen ein klassisches RAG-System als Vergleichsbasis.

Kapitel 02 · Editionen & Positionierung

Open Source, Cloud, Plugins: die Cognee-Produktfamilie im Überblick

Cognee gibt es als frei verfügbare Bibliothek, als selbst betriebenen Dienst mit Programmierschnittstelle und Oberfläche, als gehostete Cloud-Variante und in Form von Plugins für Agentenumgebungen. Die Übersicht ist bewusst qualitativ; Funktionsumfang, Lizenzbedingungen und Konditionen sind stets beim Anbieter zu prüfen.

Cognee Open Source
Self-Hosted

Die Python-Bibliothek samt Kommandozeile, eingebetteten Standard-Backends und Pipeline-Baukasten. Läuft lokal auf dem Laptop, in einer VM oder im Container – mit freier Wahl von Modellen und Datenbanken.

Betriebvollständig selbst
Datenstandortfrei wählbar
LizenzApache 2.0
Cognee als Dienst
API & UI

Derselbe Kern als Server mit REST-Schnittstelle, Benutzer- und Rechteverwaltung, lokaler Oberfläche zur Graphvisualisierung und MCP-Server – bereitgestellt per Docker-Image oder Deployment-Vorlagen.

Betriebeigene Infrastruktur
Mandantenkonfigurierbar
KostenInfrastruktur, Betrieb
Cognee Cloud
Managed

Die gehostete Variante des Anbieters. Betrieb, Skalierung und Updates übernimmt der Anbieter; der Zugriff erfolgt über dieselben Konzepte und Schnittstellen. Standort und Vertragsbedingungen beim Anbieter prüfen.

Betriebdurch Anbieter
Datenstandortbeim Anbieter prüfen
KostenTarif und Nutzung
Plugins & Lizenzprodukte
Erweiterungen

Gedächtnis-Plugins für Coding-Agenten und MCP-Clients, SDKs für weitere Sprachen sowie lizenzierte, produktionsreife Varianten einzelner Funktionen, etwa für leistungsfähigere Extraktion oder Postgres als Graphspeicher.

Betriebje nach Baustein
Umfangim Detail prüfen
Konditionenauf Anfrage

Bibliothek, Dienst und Cloud: drei Arten, Cognee zu nutzen

Der häufigste Einstieg ist die Python-Bibliothek. Nach der Installation genügen wenige Zeilen Code, um Texte ins Gedächtnis zu schreiben und Fragen daran zu stellen. Standardmäßig nutzt Cognee dabei eingebettete Datenbanken, die keine separate Installation erfordern: eine dateibasierte Graphdatenbank, einen dateibasierten Vektorspeicher und SQLite für Metadaten. Das macht Prototypen extrem schnell – und ist zugleich eine Falle, wenn man den Prototyp unverändert in den Produktivbetrieb übernimmt. Für Mehrbenutzerbetrieb, Ausfallsicherheit und größere Datenmengen werden diese Standard-Backends in der Regel durch Serverdatenbanken ersetzt.
Wer Cognee nicht in eine bestehende Python-Anwendung einbetten, sondern als zentralen Dienst bereitstellen möchte, startet den mitgelieferten API-Server. Er stellt die Gedächtnisoperationen über eine REST-Schnittstelle bereit, verwaltet Benutzer, Datensätze und Berechtigungen und kann um eine lokale Weboberfläche zur Visualisierung des Graphen sowie um einen MCP-Server für Agenten-Clients ergänzt werden. Bemerkenswert ist, dass der Server standardmäßig im mandantenfähigen Modus mit Authentifizierung startet; der vereinfachte Einzelbenutzermodus muss für lokale Demos bewusst aktiviert werden. Das ist eine sinnvolle Voreinstellung aus Sicherheitsperspektive.
Cognee Cloud richtet sich an Teams, die sich nicht um Datenbanken, Skalierung und Updates kümmern wollen. Die Konzepte bleiben gleich, der Betrieb liegt beim Anbieter. Für Unternehmen im DACH-Raum stellen sich hier die üblichen Fragen nach Hosting-Standort, Unterauftragsverarbeitern und Vertragsgrundlage, die wir in Kapitel 09 behandeln. Preise, Kontingente und Regionen sollten aktuell beim Anbieter erfragt werden, da sich gerade bei jungen Cloud-Angeboten Tarife häufig ändern.

Positionierung: zwischen Vektordatenbank, RAG-Framework und Agenten-Gedächtnis

Cognee besetzt eine Lücke, die viele Projektteams kennen. Vektordatenbanken wie Qdrant, Weaviate oder pgvector speichern und durchsuchen Vektoren – sie wissen aber nichts über Entitäten und Beziehungen. RAG-Frameworks wie LangChain, LlamaIndex oder Haystack orchestrieren Lade-, Zerlege-, Such- und Generierungsschritte, überlassen die Modellierung von Wissen aber weitgehend dem Entwickler. Graphdatenbanken wie Neo4j speichern Beziehungen hervorragend, bringen aber keinen Mechanismus mit, der aus unstrukturierten Texten automatisch einen Graphen erzeugt. Cognee verbindet diese Welten: Es nutzt Vektor- und Graphdatenbanken als Speicher, bringt eine Pipeline für die automatische Wissensextraktion mit und stellt Agenten eine Gedächtnis-Schnittstelle bereit.
Damit konkurriert Cognee weniger mit einzelnen Datenbanken als mit anderen Gedächtnis- und GraphRAG-Ansätzen – etwa Mem0, Zep mit Graphiti, Letta oder Microsoft GraphRAG. Die Abgrenzung im Detail folgt in Kapitel 06. Für die Positionierung im Mittelstand ist entscheidend: Cognee ist ein Entwicklerwerkzeug, kein fertiges Endanwenderprodukt. Wer eine Wissensdatenbank mit Chat-Oberfläche für Mitarbeitende sucht, baut sie mit Cognee als Unterbau, bekommt sie aber nicht schlüsselfertig geliefert.
Open Core bewusst prüfen

Der freie Kern ist umfangreich und für viele Projekte ausreichend. Einzelne Funktionen – etwa die produktionsreife Nutzung von Postgres als vollständiger Graphspeicher oder leistungsfähigere Extraktionsmodelle – werden vom Anbieter als lizenzierte Produkte positioniert und sind in der freien Fassung teils nur als Demo verfügbar. Klären Sie vor Projektstart, welche Funktionen Sie benötigen und unter welcher Lizenz sie verfügbar sind.

Kapitel 03 · Funktionsumfang

ECL-Pipeline, Graph plus Vektor und vielfältige Datenquellen

Technisch ist Cognee eine Pipeline-Engine mit drei Speichern. Wer die Pipeline versteht – vom Einlesen über die Wissensextraktion bis zum Laden in Graph und Vektorindex –, versteht auch, wo Qualität entsteht, wo Kosten anfallen und wo man eingreifen kann.

Extract, Cognify, Load: wie aus Rohdaten Wissen wird

Cognee beschreibt seine Verarbeitung als ECL-Pipeline – Extract, Cognify, Load – in bewusster Anlehnung an die klassischen ETL-Prozesse der Datenintegration. Im Schritt Extract werden Daten aus ihren Quellen gelesen: Textdateien, PDFs, Office-Dokumente, Webseiten, Datenbanktabellen, Audio- und Bilddateien oder Code-Repositories. Jede Quelle wird in ein internes Datenmodell überführt, mit Herkunftsangaben versehen und einem Datensatz zugeordnet. Datensätze sind die zentrale Organisationseinheit: Sie trennen Wissensbereiche, Mandanten oder Projekte und bilden die Grundlage für Berechtigungen.
Der Schritt Cognify ist das Herzstück. Hier werden Dokumente in Abschnitte zerlegt, und für jeden Abschnitt extrahiert ein Modell Entitäten und Beziehungen. Aus „Die Müller GmbH bezieht seit 2024 Hydraulikventile von der Schmidt AG“ werden Knoten für zwei Unternehmen und ein Produkt sowie Kanten wie „bezieht von“ und „liefert“. Zusätzlich erzeugt Cognee Zusammenfassungen, klassifiziert Inhalte und verknüpft gleiche Entitäten über Dokumentgrenzen hinweg. So entsteht schrittweise ein Graph, in dem die Müller GmbH aus dem Liefervertrag, aus dem Reklamationsticket und aus dem Besprechungsprotokoll derselbe Knoten ist. Wie gut diese Zusammenführung gelingt, ist einer der wichtigsten Qualitätsfaktoren des gesamten Systems.
Im Schritt Load werden die Ergebnisse in die Speicher geschrieben: Knoten und Kanten in die Graphdatenbank, Embeddings von Abschnitten, Zusammenfassungen und Entitäten in die Vektordatenbank, Metadaten, Herkunft und Verarbeitungsstatus in die relationale Datenbank. Diese Dreiteilung erlaubt später sehr unterschiedliche Abfragen – von reiner Ähnlichkeitssuche über Graphtraversierung bis zu strukturierten Abfragen in einer Graphsprache. Neuere Versionen führen die Schritte über die Operation remember zusammen; wer feiner steuern will, kann die Pipeline weiterhin in Einzelschritten oder als eigene Aufgabenfolge ausführen.

Datenpunkte, Ontologien und eigene Pipelines

Eine Stärke von Cognee ist die Erweiterbarkeit des Datenmodells. Alles, was im Gedächtnis landet, ist ein Datenpunkt – technisch eine typisierte Python-Klasse auf Basis von Pydantic. Entwickler können eigene Datenpunkttypen definieren, etwa Maschine, Störung, Ersatzteil und Servicetechniker, und festlegen, welche Felder vektorisiert und welche als Beziehungen im Graphen abgebildet werden. Damit lässt sich der Graph gezielt auf die eigene Domäne zuschneiden, statt sich allein auf die generische Extraktion zu verlassen.
Noch einen Schritt weiter gehen Ontologien. Cognee kann formale Begriffsmodelle in gängigen Semantic-Web-Formaten einlesen und die Extraktion daran ausrichten. Wenn ein Unternehmen bereits eine Produktklassifikation, einen Teilekatalog oder ein Fachvokabular pflegt, kann dieses als Gerüst dienen, an dem sich extrahierte Entitäten orientieren. Das erhöht Konsistenz und Nachvollziehbarkeit erheblich. Zusätzlich lassen sich eigene Pipelines aus Aufgaben zusammensetzen: etwa ein vorgeschalteter Schritt zur Anonymisierung, eine spezialisierte Zerlegung für technische Dokumentation oder eine Nachbearbeitung, die Entitäten mit Stammdaten aus dem ERP abgleicht.

Datenquellen, Suchmodi und Speicherschichten

Bei den Datenquellen ist Cognee breit aufgestellt. Neben Dateien und Texten unterstützt es das Einlesen relationaler Datenbanken, wobei Tabellen und Fremdschlüsselbeziehungen in Graphstrukturen übersetzt werden können. Über Integrationen mit Datenlade-Werkzeugen und eigene Konnektoren lassen sich weitere Quellen anbinden; neuere Versionen bringen etwa Konnektoren für verbreitete Cloud-Speicher und E-Mail-Dienste mit. Für Code-Repositories gibt es eine eigene Verarbeitung, die Symbole, Dateien und Abhängigkeiten als Graph abbildet. Welche Konnektoren in welcher Reife verfügbar sind, ändert sich häufig und sollte aktuell geprüft werden.
Bei der Abfrage stehen mehrere Suchmodi zur Verfügung, die sich in Tiefe und Kosten unterscheiden. Die folgende Tabelle gibt einen qualitativen Überblick; exakte Bezeichnungen variieren je nach Version.
Baustein Zweck Praxisnutzen
Abschnittssuche Reine Vektorsuche auf Textabschnitten Schnelle Fundstellen mit Quelle, ohne Sprachmodell
Klassische RAG-Antwort Abschnitte plus Generierung Vergleichsbasis zu herkömmlichem RAG
Graph-Antwort Vektor-Einstieg plus Graphkontext Fragen über mehrere Dokumente und Beziehungen
Zusammenfassungen Suche auf verdichteten Inhalten Überblicksfragen zu großen Beständen
Graphabfrage Strukturierte Abfrage in Graphsprache Exakte Auswertungen, Prüfungen, Berichte
Natürlichsprachliche Graphabfrage Modell übersetzt Frage in Graphabfrage Strukturierte Antworten ohne Abfragekenntnisse
Zeitbezogene Suche Berücksichtigt zeitliche Zusammenhänge Fragen nach Entwicklungen und Abfolgen
Automatisches Routing Wählt Suchstrategie selbst Einfacher Einstieg, weniger Feinsteuerung
Kapitel 04 · KI- & Automatisierungsfunktionen

Agenten-Gedächtnis, GraphRAG-Abfragen und lernende Wissensstrukturen

Die eigentliche Zielgruppe von Cognee sind KI-Agenten: Systeme, die über mehrere Schritte und Sitzungen hinweg Aufgaben erledigen und dabei auf Unternehmenswissen, frühere Entscheidungen und gelernte Regeln zugreifen sollen. Drei Funktionsbereiche stehen im Mittelpunkt.

Sitzungsgedächtnis und dauerhaftes Gedächtnis für Agenten

Cognee unterscheidet zwischen Sitzungsgedächtnis und dauerhaftem Gedächtnis. Das Sitzungsgedächtnis hält den Kontext einer laufenden Interaktion vor: Was hat der Nutzer gefragt, welche Zwischenergebnisse hat der Agent erzeugt, welche Werkzeuge wurden aufgerufen? Das dauerhafte Gedächtnis ist der Wissensgraph mit seinem Vektorindex – das, was über Sitzungen hinweg bestehen bleibt. Der interessante Teil ist der Übergang zwischen beiden: Cognee kann Erkenntnisse aus Sitzungen verdichten und als dauerhafte Lektionen in den Graphen übernehmen. Ein Agent, der in einer Sitzung herausgefunden hat, dass eine bestimmte Fehlermeldung an einer Anlage fast immer auf einen verschmutzten Sensor zurückgeht, kann dieses Wissen für künftige Sitzungen – und für andere Agenten – verfügbar machen.
Diese Fähigkeit adressiert eine der größten Schwächen heutiger Agenten: Sie lernen nicht aus Erfahrung. Jeder Lauf beginnt mit demselben Wissensstand, und Fehler werden wiederholt. Mit einem Gedächtnis, das akzeptierte Erkenntnisse übernimmt und mit vorhandenem Wissen verknüpft, entsteht schrittweise ein organisationales Gedächtnis. Wichtig ist dabei das Wort „akzeptiert“: Nicht jede Agentenausgabe sollte ungeprüft ins dauerhafte Wissen wandern. In der Praxis braucht es Regeln, welche Erkenntnisse übernommen werden – automatisch nach Bestätigung durch den Nutzer, nach einer Qualitätsprüfung oder nur nach menschlicher Freigabe.

GraphRAG-artige Abfragen und Mehrschritt-Schlussfolgerungen

Bei einer Graph-Abfrage findet Cognee über die Vektorsuche zunächst relevante Einstiegspunkte – Abschnitte, Entitäten oder Zusammenfassungen, die zur Frage passen. Von dort aus wird der Graph erkundet: Welche Entitäten hängen mit den gefundenen zusammen, über welche Beziehungen, und welche weiteren Abschnitte belegen diese Beziehungen? Der so zusammengestellte Kontext enthält sowohl Fließtext als auch explizite Tripel aus Subjekt, Beziehung und Objekt. Das Sprachmodell erhält damit eine strukturierte Landkarte statt einer losen Sammlung von Fundstellen.
Dieser Ansatz ist mit dem verwandt, was unter dem Begriff GraphRAG bekannt geworden ist, unterscheidet sich aber im Detail. Microsofts GraphRAG-Verfahren legt einen Schwerpunkt auf hierarchische Community-Zusammenfassungen, die globale Fragen über einen ganzen Korpus beantworten. Cognee setzt stärker auf ein inkrementell wachsendes Gedächtnis, auf erweiterbare Datenmodelle und auf die Kombination verschiedener Suchstrategien. Für Fragen, die Mehrschritt-Schlussfolgerungen erfordern – „Welche Projekte nutzen Bauteile von Lieferanten, deren Zertifizierung in diesem Quartal ausläuft?“ –, kann der Graphkontext einen deutlichen Unterschied machen. Für einfache Faktenfragen bringt er oft wenig Mehrwert gegenüber klassischem RAG. Belastbare Aussagen liefert nur eine Evaluierung mit eigenen Fragen und Daten; veröffentlichte Benchmarks des Anbieters oder Dritter sollten mit Blick auf Methodik und Vergleichbarkeit gelesen werden.

Feedback, Anreicherung und Selbstverbesserung

Über die Operation improve – in älteren Versionen unter anderem als memify bezeichnet – lässt sich das Gedächtnis nachträglich anreichern. Dazu gehören das Ableiten zusätzlicher Beziehungen, das Verdichten von Wissen, das Zusammenführen doppelter Entitäten und die Verarbeitung von Nutzerfeedback. Wenn Anwender eine Antwort als hilfreich oder falsch markieren, kann dieses Signal in die Gewichtung von Kanten und Inhalten einfließen. So entsteht ein System, das sich mit der Nutzung verbessert, statt nach dem ersten Import statisch zu bleiben.
Für die Automatisierung im Unternehmen ist das ein zweischneidiges Schwert. Einerseits wird das Wissen mit der Zeit präziser, andererseits verändert sich das System ständig – was Reproduzierbarkeit und Prüfbarkeit erschwert. Wir empfehlen daher, Anreicherungsschritte bewusst und protokolliert auszuführen, Datensätze zu versionieren oder zu sichern und vor wichtigen Änderungen Evaluierungsläufe mit einem festen Fragenkatalog durchzuführen.
Graphqualität ist kein Selbstläufer

Ein automatisch extrahierter Wissensgraph ist nur so gut wie Daten, Modell und Prompts. Typische Fehler sind doppelte Entitäten mit leicht abweichenden Namen, zu allgemeine Beziehungen, erfundene Verknüpfungen und fehlende Zeitbezüge. Prüfen Sie den Graphen nach dem ersten Import visuell, definieren Sie bei Bedarf eigene Datenmodelle oder eine Ontologie und messen Sie die Antwortqualität systematisch.

Kapitel 05 · Integrationen & Ökosystem

Modelle, Datenbanken, Frameworks: wie Cognee sich einfügt

Cognee ist bewusst modular gebaut. Sprachmodell, Embedding-Modell, Graphdatenbank, Vektordatenbank und relationale Datenbank lassen sich weitgehend unabhängig voneinander wählen. Das ist für souveräne Architekturen ein großer Vorteil – erfordert aber auch Entscheidungen, die man bewusst treffen sollte.

Sprach- und Embedding-Modelle

Für Extraktion und Antwortgenerierung benötigt Cognee in der Regel ein Sprachmodell. Ohne weitere Konfiguration wird ein Modell eines großen US-Anbieters verwendet, sobald ein entsprechender API-Schlüssel hinterlegt ist. Über eine Abstraktionsschicht lassen sich jedoch zahlreiche weitere Anbieter anbinden – darunter andere kommerzielle Modellanbieter, Cloud-Plattformen der Hyperscaler und vor allem lokale Modelle, etwa über Ollama oder OpenAI-kompatible Server wie vLLM. Für die Extraktion ist entscheidend, dass das Modell zuverlässig strukturierte Ausgaben erzeugt; nicht jedes kleine lokale Modell leistet das gleich gut.
Ähnliches gilt für Embedding-Modelle. Neben Modellen kommerzieller Anbieter lassen sich lokale Embedding-Modelle nutzen, was für Datenschutz und Kosten attraktiv ist. Neuere Versionen bieten zudem einen Modus, in dem ein kleines lokales Extraktionsmodell und ein lokales Embedding-Modell ganz ohne API-Schlüssel arbeiten; generierte Antworten erfordern dann zusätzlich ein Sprachmodell. Der Anbieter positioniert diesen Modus selbst als Einstieg und verweist für höhere Genauigkeit auf leistungsfähigere Varianten – für ernsthafte Projekte sollte die Modellwahl daher bewusst getroffen und getestet werden.

Graph-, Vektor- und relationale Backends

Bei den Graphdatenbanken nutzt Cognee standardmäßig eine eingebettete Graphdatenbank, die ohne Server auskommt. Für produktive Szenarien werden unter anderem Neo4j, FalkorDB und weitere Graphsysteme unterstützt; welche Adapter offiziell gepflegt und welche von der Community beigesteuert werden, ändert sich und sollte geprüft werden. Bei den Vektordatenbanken ist der Standard ein eingebetteter, dateibasierter Speicher; daneben stehen Adapter für verbreitete Systeme wie Qdrant, Weaviate, Milvus, ChromaDB und pgvector zur Verfügung. Als relationale Datenbank dienen SQLite für den Einstieg und PostgreSQL für den Produktivbetrieb.
Eine bemerkenswerte Entwicklung ist die Möglichkeit, die gesamte Gedächtnisschicht auf PostgreSQL zu betreiben: relationale Metadaten, Vektoren über pgvector und Graphzustand in einer einzigen Datenbank. Für Mittelständler, die PostgreSQL bereits beherrschen, wäre das ein erheblicher Vereinfachungsgewinn gegenüber einem Stapel aus drei oder vier Spezialdatenbanken. Der Anbieter kennzeichnet die Graphfunktion auf Postgres in der freien Version allerdings als Demo und bietet die produktionsreife Fassung als lizenziertes Produkt an. Wer diesen Weg gehen will, sollte Reifegrad und Lizenzbedingungen vorab klären.
Schicht Einstieg Produktiv typischerweise
Sprachmodell Cloud-API oder kleines lokales Modell EU-gehostetes oder lokales Modell mit stabiler strukturierter Ausgabe
Embeddings Cloud-API oder lokales Modell Lokales, mehrsprachiges Modell mit Deutschqualität
Graph Eingebettete Graphdatenbank Neo4j, FalkorDB oder weitere unterstützte Systeme
Vektor Eingebetteter Dateispeicher Qdrant, Weaviate, Milvus oder pgvector
Relational SQLite PostgreSQL

Frameworks, Agenten-Clients und Schnittstellen

Cognee steht nicht in Konkurrenz zu Orchestrierungs-Frameworks, sondern lässt sich mit ihnen kombinieren. Für LangChain und LlamaIndex existieren Integrationen beziehungsweise Beispiele, über die Cognee als Gedächtnis- oder Retriever-Baustein eingebunden wird; auch für agentenorientierte Frameworks gibt es Anbindungen. Ein Integrations-Repository des Anbieters bündelt Plugins, Adapter und Quellkonnektoren. Reife und Pflegezustand einzelner Integrationen schwanken naturgemäß – vor dem Einsatz lohnt ein Blick auf Aktualität und Testabdeckung.
Besonders relevant für Agenten ist der MCP-Server. Das Model Context Protocol hat sich als Standard etabliert, über den KI-Assistenten und Entwicklungsumgebungen externe Werkzeuge ansprechen. Über den Cognee-MCP-Server können MCP-fähige Clients – etwa Coding-Assistenten oder Desktop-Agenten – Inhalte ins Gedächtnis schreiben und abrufen. Zusätzlich gibt es Gedächtnis-Plugins für verbreitete Coding-Agenten, eine REST-Schnittstelle sowie SDKs für weitere Programmiersprachen. Damit lässt sich ein gemeinsames Gedächtnis für unterschiedliche Werkzeuge im Unternehmen aufbauen.
Kapitel 06 · Abgrenzung

Cognee im Vergleich zu Mem0, Zep/Graphiti, Microsoft GraphRAG und LlamaIndex

Das Feld der Gedächtnis- und GraphRAG-Lösungen entwickelt sich rasant, und die Grenzen zwischen den Werkzeugen verschwimmen. Die folgende Einordnung ist bewusst qualitativ und beschreibt Schwerpunkte, nicht vollständige Funktionslisten – alle genannten Projekte entwickeln sich laufend weiter.

Lösung Schwerpunkt Stärke Wann eher wählen
Cognee Gedächtnisschicht aus Graph, Vektor und Metadaten mit ECL-Pipeline Dokumentwissen und Agentenerfahrung in einem Graphen, erweiterbare Datenmodelle Vernetztes Unternehmenswissen plus Agenten-Gedächtnis, souveräner Betrieb
Mem0 Personalisierungs- und Nutzergedächtnis für Assistenten Schlanke Speicherung von Fakten und Präferenzen pro Nutzer Chatbots, die sich an Nutzer erinnern sollen
Zep / Graphiti Zeitbewusster Wissensgraph für Agenten Zeitliche Gültigkeit von Fakten, inkrementelle Updates Gesprächs- und Ereigniswissen mit starker Zeitdimension
Microsoft GraphRAG Indexierungsverfahren mit Community-Zusammenfassungen Globale Fragen über einen ganzen Korpus Analyse großer, eher statischer Dokumentbestände
LlamaIndex Breites Daten- und RAG-Framework Viele Konnektoren, Indexarten und Agentenbausteine Flexible RAG-Anwendungen mit eigenem Zuschnitt

Cognee, Mem0 und Zep/Graphiti: drei Gedächtnis-Philosophien

Mem0 ist auf das Gedächtnis von Assistenten gegenüber einzelnen Nutzern ausgerichtet. Es extrahiert aus Gesprächen kompakte Fakten – Vorlieben, Rahmenbedingungen, frühere Aussagen – und stellt sie in späteren Interaktionen bereit. Graphfunktionen sind ergänzend verfügbar, stehen aber nicht im Zentrum. Wer einen Kundenservice-Bot bauen möchte, der sich an die bevorzugte Kontaktart oder das zuletzt besprochene Produkt erinnert, ist mit Mem0 schnell am Ziel. Für die Abbildung umfangreicher Dokumentbestände und komplexer Beziehungsnetze ist Cognee breiter angelegt.
Zep und das dahinterliegende Open-Source-Projekt Graphiti verfolgen einen konsequent zeitbewussten Ansatz. Fakten im Graphen tragen Gültigkeitszeiträume; wenn sich etwas ändert, wird der alte Fakt nicht einfach überschrieben, sondern als nicht mehr gültig markiert. Das ist ideal für Szenarien, in denen sich Wissen laufend verändert und die Frage „Was galt wann?“ wichtig ist. Cognee bietet ebenfalls zeitbezogene Suchfunktionen, legt den Schwerpunkt aber stärker auf die Pipeline vom Rohdokument zum Graphen und auf die Kombination unterschiedlicher Wissensquellen. Bemerkenswert: Cognee bietet einen Importweg für Gedächtnisinhalte aus Mem0, Letta, Zep und Graphiti über ein eigenes Austauschformat – ein Zeichen, dass der Anbieter Wechselwilligen den Umstieg erleichtern möchte. Wie vollständig solche Migrationen gelingen, sollte im Einzelfall getestet werden.

Cognee, Microsoft GraphRAG und LlamaIndex

Microsoft GraphRAG ist primär ein Indexierungs- und Abfrageverfahren. Es baut aus einem Dokumentkorpus einen Graphen, erkennt darin thematische Gemeinschaften und erzeugt für diese hierarchische Zusammenfassungen. Damit beantwortet es Fragen wie „Was sind die wichtigsten Themen in diesen Tausenden von Berichten?“ deutlich besser als klassisches RAG. Der Ansatz ist eher auf Batch-Indexierung großer, relativ statischer Bestände ausgelegt und kann bei der Indexierung erhebliche Modellkosten verursachen. Cognee ist stärker als laufendes Gedächtnis konzipiert, das inkrementell wächst, und bietet mit Agentenanbindung, Sitzungsgedächtnis und Rechteverwaltung mehr Infrastruktur rund um den Graphen. Mehr zu den Grundlagen finden Sie im Artikel zu GraphRAG in dieser Kategorie.
LlamaIndex ist ein breites Framework für datengetriebene LLM-Anwendungen mit einer Vielzahl von Konnektoren, Indexarten und Agentenbausteinen – darunter auch Werkzeuge zum Aufbau von Property-Graphen. Wer bereits mit LlamaIndex arbeitet, kann Graphfunktionen dort selbst zusammenstellen. Cognee nimmt einem mehr Entscheidungen ab, ist meinungsstärker im Datenmodell und auf das Gedächtnis-Paradigma fokussiert. Beide lassen sich auch kombinieren: LlamaIndex als Anwendungs- und Orchestrierungsschicht, Cognee als Gedächtnis dahinter. Ähnliches gilt für LangChain und Haystack.
Faustregel aus der Projektpraxis

Wenn Ihre Fragen überwiegend in einzelnen Dokumenten beantwortet werden, reicht ein gut gemachtes RAG mit Hybrid-Suche und Reranking. Wenn Antworten regelmäßig Wissen aus mehreren Quellen verknüpfen müssen oder Agenten über Sitzungen hinweg lernen sollen, lohnt ein Gedächtnis mit Graph – und Cognee gehört dann auf die Shortlist.

Kapitel 07 · Einführung & Betrieb

Vom Notebook zum Dienst: Cognee stabil einführen und betreiben

Ein erster Wissensgraph ist mit Cognee in einer Stunde gebaut. Ein stabiler Produktivbetrieb erfordert jedoch Entscheidungen zu Backends, Modellen, Mandantentrennung, Aktualisierung und Qualitätssicherung. Der folgende Fahrplan hat sich in unserer Praxis bewährt.

01
Anwendungsfall und Fragenkatalog
Einen klar umrissenen Wissensbereich wählen und vorab 30 bis 50 reale Fragen mit erwarteten Antworten sammeln – darunter bewusst solche, die Wissen aus mehreren Quellen verknüpfen.
02
Prototyp mit lokalen Standard-Backends
Cognee lokal installieren, einen repräsentativen Ausschnitt der Daten verarbeiten, den Graphen visualisieren und Antworten im Graph- und im klassischen RAG-Modus vergleichen.
03
Datenmodell schärfen
Eigene Datenpunkttypen oder eine Ontologie definieren, Entitätszusammenführung prüfen, Zerlegung und Prompts anpassen – bis die Antwortqualität im Fragenkatalog stabil ist.
04
Produktivarchitektur festlegen
Serverdatenbanken für Graph, Vektor und Metadaten wählen, Modelle festlegen, Authentifizierung und Datensatzrechte konfigurieren, Betrieb als Container oder in Kubernetes planen.
05
Aktualisierung, Monitoring, Evaluierung
Inkrementelle Updates aus Quellsystemen automatisieren, Verarbeitungsfehler und Modellkosten überwachen, den Fragenkatalog regelmäßig als Regressionstest ausführen.

Self-Hosting: Container, Backends und Ressourcen

Für den Selbstbetrieb stellt der Anbieter ein Docker-Image und Deployment-Vorlagen bereit. Eine Compose-Konfiguration startet API, Oberfläche und MCP-Server gemeinsam; für persistente Daten ist ein Volume einzuplanen, da Inhalte sonst beim Neustart verloren gehen. Für produktive Umgebungen empfiehlt sich, die eingebetteten Standarddatenbanken durch eigenständige Server zu ersetzen – PostgreSQL für Metadaten, eine Vektordatenbank nach Wahl und eine Graphdatenbank mit Backup- und Hochverfügbarkeitskonzept. So lassen sich Sicherung, Monitoring und Skalierung mit etablierten Werkzeugen lösen.
Bei den Ressourcen ist zu unterscheiden: Cognee selbst ist vergleichsweise genügsam, die Last entsteht in den Modellen und Datenbanken. Die Extraktion ruft für jeden Abschnitt ein Sprachmodell auf; bei großen Beständen summiert sich das zu vielen Modellaufrufen. Wer lokale Modelle nutzt, braucht für zügige Verarbeitung in der Regel GPU-Ressourcen, sonst dauert die Erstindexierung entsprechend lange. Die Verarbeitung lässt sich parallelisieren und für große Datenmengen auch verteilt ausführen; die Details sind versionsabhängig. Planen Sie die Erstindexierung als eigenes Arbeitspaket und messen Sie Durchsatz und Kosten an einer Stichprobe, bevor Sie den Gesamtbestand verarbeiten.

Cloud-Betrieb, Updates und Qualitätssicherung

Mit Cognee Cloud entfallen Installation, Datenbankbetrieb und Skalierung. Für Teams ohne eigene Plattformkompetenz oder für schnelle Pilotprojekte ist das attraktiv. Zu bedenken sind Datenstandort, Vertragsgestaltung und die Abhängigkeit von einem jungen Anbieter. Da der Kern quelloffen ist, bleibt ein späterer Wechsel in den Selbstbetrieb grundsätzlich möglich – vorausgesetzt, man hat dafür eine Exportstrategie.
Ein wichtiger Betriebsaspekt ist das Update-Management. Cognee entwickelt sich schnell, und die Schnittstelle hat sich in der Vergangenheit spürbar verändert; Versionshinweise weisen Änderungen aus, die bestehenden Code betreffen können. Wir empfehlen, Versionen fest zu pinnen, Updates in einer Testumgebung mit dem Fragenkatalog zu prüfen und Anpassungen an eigenen Pipelines einzuplanen. Für die Qualitätssicherung bietet sich zusätzlich ein Evaluierungswerkzeug an, das Antworttreue, Kontextrelevanz und Vollständigkeit misst. Ebenso wichtig ist ein Prozess für Löschungen und Korrekturen: Wenn ein Dokument entfernt wird, müssen auch die daraus extrahierten Knoten, Kanten und Vektoren verschwinden – ein Punkt, den man mit der forget-Operation und eigenen Tests absichern sollte.
Stärken
  • Schneller Einstieg dank eingebetteter Standard-Backends
  • Freie Wahl von Modellen und Datenbanken, auch vollständig lokal
  • Mandantenfähiger API-Server mit Authentifizierung als Voreinstellung
  • Docker-Image, Deployment-Vorlagen und MCP-Server verfügbar
  • Apache-2.0-Kern ermöglicht Selbstbetrieb ohne Lizenzgebühren
Einschränkungen
  • Extraktion verursacht viele Modellaufrufe und Rechenzeit
  • Schnelle Entwicklung, Schnittstellen ändern sich zwischen Versionen
  • Mehrere Datenbanken bedeuten mehr Betriebsaufwand
  • Graphqualität erfordert Pflege von Datenmodell und Prompts
  • Einzelne Produktionsfunktionen nur als Lizenzprodukt
Kapitel 08 · Einsatz im Mittelstand

Wo Cognee im Mittelstand echten Mehrwert schafft

Mittelständische Unternehmen sitzen oft auf einem Wissensschatz, der über Dateiserver, E-Mail-Postfächer, ERP-Systeme, Ticketsysteme und die Köpfe langjähriger Mitarbeitender verteilt ist. Das eigentliche Problem ist selten fehlendes Wissen, sondern fehlende Verknüpfung. Genau hier setzt ein Gedächtnis mit Wissensgraph an.

Die Stärke von Cognee zeigt sich dort, wo Antworten aus Zusammenhängen entstehen: zwischen Kunden und Aufträgen, Bauteilen und Lieferanten, Störungen und Maßnahmen, Entscheidungen und ihren Begründungen. In solchen Szenarien liefert klassisches RAG häufig Fragmente, während ein Graph die Fäden zusammenführt.

Typische Anwendungsfälle

Unternehmensgedächtnis

Dokumentation, Besprechungsnotizen, Tickets und Entscheidungen fließen in ein gemeinsames Gedächtnis. Mitarbeitende und Agenten können nachvollziehen, warum etwas entschieden wurde und wer beteiligt war.

Wissen bleibt im Haus
Service & Instandhaltung

Störungsmeldungen, Wartungsprotokolle und Handbücher werden zu einem Graphen aus Anlagen, Fehlerbildern, Ursachen und Maßnahmen. Techniker finden bewährte Lösungen über Standorte hinweg.

Kürzere Ausfallzeiten
Lieferketten & Einkauf

Verträge, Zertifikate, Lieferantenbewertungen und Stücklisten werden verknüpft. Fragen nach Abhängigkeiten, auslaufenden Nachweisen oder Alternativlieferanten lassen sich gezielt beantworten.

Risiken früher sehen
Vertrieb & Key Account

Kundenhistorie aus CRM, E-Mails und Angeboten wird als Beziehungsnetz abgebildet. Ein Assistent bereitet Termine vor und kennt Ansprechpartner, offene Themen und frühere Zusagen.

Bessere Vorbereitung
Software- & IT-Wissen

Code-Repositories, Architekturentscheidungen und Störungsberichte werden zum Graphen aus Komponenten und Abhängigkeiten. Coding-Agenten erinnern sich an Projektregeln und frühere Korrekturen.

Weniger Wiederholungsfehler
Qualität & Compliance

Normen, Prüfanweisungen, Reklamationen und Korrekturmaßnahmen werden verknüpft. Auditvorbereitung und Ursachenanalyse profitieren von nachvollziehbaren Beziehungen mit Quellenbezug.

Nachvollziehbarkeit

Eine realistische Referenzarchitektur

Ein typisches Mittelstandsprojekt mit Cognee sieht in unserer Praxis etwa so aus: Cognee läuft als Container-Dienst im eigenen Rechenzentrum oder bei einem deutschen Hoster. Als Speicher dienen PostgreSQL für Metadaten und, je nach Anforderung, pgvector oder Qdrant für Vektoren sowie eine Graphdatenbank wie Neo4j. Für Extraktion und Antworten nutzt das System ein leistungsfähiges offenes Sprachmodell auf eigener GPU-Hardware oder ein Modell bei einem europäischen Anbieter; Embeddings werden lokal berechnet. Quellsysteme wie Dateiserver, Ticketsystem und ausgewählte ERP-Tabellen werden über geplante Läufe inkrementell eingelesen, jeweils in eigene Datensätze mit klaren Berechtigungen. Eine schlanke Chat-Oberfläche und ein MCP-Zugang für interne Agenten greifen über die API zu.
Für kleinere Vorhaben geht es deutlich einfacher: Ein Pilot mit einem einzigen Wissensbereich – etwa der Servicedokumentation einer Produktlinie – kann mit den eingebetteten Standard-Backends auf einem einzelnen Server starten. Wichtig ist, von Beginn an klassisches RAG als Vergleich mitzuführen. Nur so lässt sich belegen, ob der Graph im konkreten Anwendungsfall einen messbaren Mehrwert bringt.

Der ehrliche Blick auf Aufwand und Nutzen

Ein Wissensgraph ist kein Allheilmittel. Die größten Qualitätshebel liegen weiterhin in sauberen Quelldaten, sinnvoller Zerlegung, passender Modellwahl und systematischer Evaluierung. Hinzu kommt bei Cognee die Pflege des Datenmodells: Wer dem System nicht sagt, welche Entitäten und Beziehungen in der eigenen Domäne wichtig sind, bekommt einen generischen Graphen, der zwar beeindruckend aussieht, aber wenig zur Antwortqualität beiträgt. Dafür eröffnet ein gut gepflegter Graph Möglichkeiten, die über Chat hinausgehen – strukturierte Auswertungen, Visualisierungen von Abhängigkeiten und ein Gedächtnis für Agenten, das mit der Nutzung wächst.
Konkrete Preise nennen wir bewusst nicht

Der Aufwand für ein Cognee-Projekt hängt stark von Datenmenge, Anzahl und Qualität der Quellsysteme, Modellwahl, Berechtigungsmodell und Betriebsanforderungen ab. Pauschale Festpreise wären irreführend. Was wir verlässlich anbieten: einen kompakten Discovery-Workshop, in dem wir Ihre Ausgangslage analysieren, Graph- und klassisches RAG herstellerneutral bewerten und einen transparenten Umsetzungsweg schätzen.

Kapitel 09 · Kosten & DSGVO

Modellaufrufe, Infrastruktur und Datenhoheit

Für Unternehmen im DACH-Raum ist die Datenschutzfrage bei KI-Gedächtnissen besonders sensibel – denn ein Gedächtnis speichert per Definition dauerhaft, was es erfährt. Cognee bietet eine gute Ausgangslage, weil sich der gesamte Stapel aus Software, Datenbanken und Modellen selbst betreiben lässt. Entscheidend ist, welche Modelle und Dienste tatsächlich genutzt werden.

Keine Rechtsberatung

Die folgenden Ausführungen sind eine praxisorientierte Einordnung aus IT- und Projektsicht – keine Rechtsberatung. Für die rechtssichere Bewertung Ihres konkreten Einsatzes, für Auftragsverarbeitungsverträge, Datenschutz-Folgenabschätzungen, Lizenzfragen und die Bewertung von Drittlandtransfers ziehen Sie bitte Ihre Datenschutzbeauftragten oder eine spezialisierte Kanzlei hinzu.

Souveräne Option: Self-Hosting mit lokalen oder EU-Modellen

Die datenschutzfreundlichste Variante ist der vollständige Selbstbetrieb: Cognee, Graph-, Vektor- und relationale Datenbank laufen im eigenen Rechenzentrum oder bei einem deutschen beziehungsweise europäischen Hoster, und für Extraktion, Embeddings und Antworten werden lokale Modelle oder Modelle eines Anbieters mit Sitz und Rechenzentren in der EU genutzt. In dieser Konstellation verlassen Dokumente, Gesprächsverläufe und der extrahierte Graph den eigenen Verantwortungsbereich nicht – beziehungsweise nur in Richtung vertraglich gebundener europäischer Auftragsverarbeiter. Das ist der direkteste Weg zu einer souveränen Architektur.
Wichtig: Die Voreinstellung von Cognee ist nicht automatisch souverän. Sobald ein API-Schlüssel eines US-Modellanbieters hinterlegt ist, werden für Extraktion, Embeddings und Antwortgenerierung Inhalte an diesen Anbieter übertragen – und zwar nicht nur die Fragen der Nutzer, sondern bei der Extraktion sämtliche verarbeiteten Dokumentabschnitte. Das ist ein Datentransfer, der datenschutzrechtlich zu bewerten ist: Auftragsverarbeitung, Unterauftragsverarbeiter, Drittlandbezug, US CLOUD Act und die Frage, ob Daten zum Training verwendet werden. Gleiches gilt für Embedding-Dienste und für Telemetrie, die gegebenenfalls deaktiviert werden sollte. Prüfen Sie die Konfiguration daher bewusst und dokumentieren Sie, welche Daten an welche Dienste fließen.

Cognee Cloud, Löschpflichten und Gedächtnisdaten

Bei Cognee Cloud verarbeitet der Anbieter die Daten auf seiner Infrastruktur, die in der Regel auf Cloud-Plattformen größerer Anbieter aufsetzt. Zu klären sind Hosting-Region, Vertragspartner und dessen Sitz, Unterauftragsverarbeiter, die eingesetzten Modelle sowie Supportzugriffe. Ein europäischer Ursprung des Anbieters ist hilfreich, ersetzt aber nicht die Prüfung der tatsächlichen Datenflüsse.
Unabhängig vom Betriebsmodell gilt: Ein Gedächtnis enthält oft besonders schützenswerte Informationen – Namen, Rollen, Beziehungen zwischen Personen, Gesprächsinhalte und daraus abgeleitete Fakten. Ein Wissensgraph macht personenbezogene Daten zudem expliziter und verknüpfter als ein reiner Textindex. Damit gewinnen Zweckbindung, Datenminimierung und Löschkonzepte an Bedeutung. Die Möglichkeit, einzelne Inhalte oder Datensätze gezielt zu vergessen, ist hier ein wichtiger Baustein; ebenso wichtig ist zu prüfen, ob abgeleitete Knoten, Zusammenfassungen, Vektoren, Sicherungen und Sitzungsdaten tatsächlich mit entfernt werden. Wo möglich, sollten personenbezogene Daten vor der Verarbeitung pseudonymisiert und Datensätze nach Berechtigungsgruppen getrennt werden.
Empfehlung: Self-Hosting mit lokalen oder EU-Modellen

Für datenschutzsensible Anwendungen empfehlen wir Cognee im eigenen Rechenzentrum oder bei einem europäischen Hoster, kombiniert mit lokal betriebenen oder in der EU gehosteten Sprach- und Embedding-Modellen. Wer externe LLM-APIs oder Cognee Cloud nutzt, bewertet Datentransfer, Auftragsverarbeitung und Drittlandbezug sorgfältig und dokumentiert die Entscheidung. Die gesamte Pipeline gehört auf den Prüfstand – von der Extraktion bis zur Löschung.

Betrieb
Self-Hosting oder europäischer Hoster
Modelle
Lokal oder EU-gehostet bevorzugen
Externe APIs
Datentransfer bewerten und dokumentieren
Zugriff
Authentifizierung und Datensatzrechte aktiv
Löschung
Knoten, Vektoren, Sicherungen einbeziehen
Lizenz
Open-Core-Umfang beim Anbieter prüfen

Kosten: Modellaufrufe und Betrieb als Haupttreiber

Der Open-Source-Kern von Cognee verursacht keine Lizenzgebühren. Die Kosten entstehen an anderer Stelle. Der größte und am häufigsten unterschätzte Posten sind die Modellaufrufe bei der Extraktion: Jeder Abschnitt jedes Dokuments wird von einem Sprachmodell analysiert, und bei Aktualisierungen wiederholt sich das für geänderte Inhalte. Bei kommerziellen APIs schlägt sich das direkt in nutzungsabhängigen Kosten nieder; bei lokalen Modellen in GPU-Hardware, Strom und Rechenzeit. Hinzu kommen Embedding-Berechnungen, Modellaufrufe bei Abfragen und Anreicherungen sowie die Infrastruktur für bis zu drei Datenbanken.
Auf der Personalseite sind Einrichtung, Datenmodellierung, Evaluierung, Integration der Quellsysteme und der laufende Betrieb einzuplanen. Für Cognee Cloud und lizenzierte Produktfunktionen gelten die Konditionen des Anbieters, die aktuell dort erfragt werden sollten. Eine belastbare Kostenschätzung entsteht am besten aus einem Piloten: Verarbeiten Sie einen repräsentativen Ausschnitt, messen Sie Modellaufrufe, Verarbeitungszeit und Speicherbedarf und rechnen Sie auf den Gesamtbestand und die erwartete Änderungsrate hoch. Als Faustregel gilt: Cognee lohnt sich wirtschaftlich dort, wo vernetztes Wissen häufig abgefragt wird und Fehlentscheidungen oder Suchzeiten teuer sind.
Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu Cognee

Diese Fragen tauchen in unseren Beratungsgesprächen rund um KI-Gedächtnis, Wissensgraphen und Cognee am häufigsten auf – kurz und sachlich beantwortet.

Was ist Cognee in einem Satz?
Cognee ist ein Open-Source-Framework, das Dokumente, Gespräche, Tickets und Code in ein dauerhaftes Gedächtnis aus Wissensgraph, Vektorindex und relationalen Metadaten überführt, damit KI-Agenten und RAG-Anwendungen Zusammenhänge statt nur ähnlicher Textstellen abrufen können.
Ist Cognee eine Vektordatenbank?
Nein. Cognee ist eine Orchestrierungs- und Gedächtnisschicht, die eine Vektordatenbank, eine Graphdatenbank und eine relationale Datenbank nutzt. Welche Systeme dahinter laufen, ist konfigurierbar – von eingebetteten Standard-Backends für den Einstieg bis zu Qdrant, Weaviate, Milvus, pgvector, Neo4j oder PostgreSQL im Produktivbetrieb.
Worin unterscheidet sich Cognee von klassischem RAG?
Klassisches RAG findet ähnliche Textabschnitte. Cognee extrahiert zusätzlich Entitäten und Beziehungen in einen Wissensgraphen und kombiniert Graph- und Vektorsuche. Dadurch lassen sich Fragen beantworten, die Informationen aus mehreren Dokumenten verknüpfen, und Agenten behalten Wissen über Sitzungen hinweg. Für einfache Faktenfragen ist der Vorteil oft gering.
Kann man Cognee ohne Cloud-LLM betreiben?
Ja, grundsätzlich. Cognee lässt sich selbst betreiben und mit lokalen Modellen, etwa über Ollama oder einen eigenen Modellserver, oder mit in der EU gehosteten Modellen kombinieren. Neuere Versionen bieten zudem einen Modus mit kleinen lokalen Extraktions- und Embedding-Modellen ohne API-Schlüssel. Qualität und Geschwindigkeit sollten im eigenen Szenario getestet werden.
Ist Cognee DSGVO-konform?
Eine Software ist nicht per se DSGVO-konform; entscheidend ist der konkrete Einsatz. Self-Hosting mit lokalen oder EU-gehosteten Modellen ermöglicht eine souveräne Architektur. Bei Nutzung externer LLM-APIs fließen Dokumentinhalte und Anfragen an deren Anbieter, was als Datentransfer zu bewerten ist. Die rechtliche Bewertung gehört in die Hände Ihrer Datenschutzbeauftragten – dies ist keine Rechtsberatung.
Wie unterscheidet sich Cognee von Mem0 und Zep?
Mem0 konzentriert sich auf ein kompaktes Nutzergedächtnis für Assistenten, Zep und Graphiti auf einen zeitbewussten Wissensgraphen mit Gültigkeitszeiträumen. Cognee ist breiter angelegt und verbindet die Verarbeitung umfangreicher Dokumentbestände mit Agenten-Gedächtnis, erweiterbaren Datenmodellen und verschiedenen Suchstrategien. Welche Lösung passt, hängt vom Anwendungsfall ab.
Was kostet Cognee?
Der Open-Source-Kern ist unter der Apache-2.0-Lizenz frei nutzbar. Kosten entstehen für Modellaufrufe, vor allem bei der Extraktion, für Infrastruktur und Datenbanken sowie für Einrichtung und Betrieb. Für Cognee Cloud und lizenzierte Produktfunktionen gelten die aktuellen Konditionen des Anbieters, die dort zu prüfen sind.
Wie starte ich ein erstes Projekt mit Cognee?
Wählen Sie einen klar umrissenen Wissensbereich, sammeln Sie einen Katalog realer Fragen mit erwarteten Antworten und verarbeiten Sie einen repräsentativen Datenausschnitt lokal. Vergleichen Sie Graph-Antworten mit klassischem RAG, schärfen Sie bei Bedarf das Datenmodell und klären Sie Modellwahl, Backends, Berechtigungen und Datenschutz, bevor produktive Daten einfließen.

Souveräne KI-Suche aufbauen

Bereit für ein KI-Gedächtnis, das zu Ihnen passt?

Von der herstellerneutralen Entscheidung zwischen klassischem RAG, GraphRAG und Agenten-Gedächtnis über Datenmodellierung und Evaluierung bis zum souverän betriebenen, DSGVO-konformen System mit lokalen oder europäischen Modellen – INAGRO begleitet Sie auf jedem Schritt. Mit Retrieval-Expertise, Datenschutz-Fokus und tiefem Verständnis für den Mittelstand. Pragmatisch, herstellerneutral und mit messbarem Ergebnis.

Seit 2006 am Markt

Erfahrung aus über 100 Digitalprojekten

DSGVO & Souveränität

Datenschutz von Anfang an mitgedacht

Rückmeldung in 24 h

Schnell, direkt, unverbindlich