import cognee
import asyncio

async def agent_session():
    # 会话记忆——快速、临时、按会话隔离
    await cognee.remember(
        "用户询问了 Q3 收入趋势并请求导出 CSV。",
        session_id="support_ticket_4421"
    )

    # 后续查询会话记忆（快速路径）
    results = await cognee.recall(
        "用户问了什么收入相关的问题？",
        session_id="support_ticket_4421"
    )

    # 会话结束时，会话记忆自动同步到永久图谱
    # 无需手动导出，不会丢失任何数据

asyncio.run(agent_session())

import cognee
import asyncio

async def build_domain_memory():
    # 摄入领域文档
    await cognee.remember("""
        客户 Acme Corp 有 3 个活跃订阅。
        订阅 A：企业计划，到期日 2026-09-15。
        订阅 B：入门计划，已于 2026-03-01 到期。
        客户经理是 Sarah Chen。
        升级路径：Sarah -> 销售副总裁 -> CRO。
    """)

    # Cognee 自动提取实体和关系：
    # (Acme Corp) --拥有--> (订阅 A)
    # (订阅 A) --类型--> (企业计划)
    # (订阅 A) --到期--> (2026-09-15)
    # (Sarah Chen) --管理--> (Acme Corp)

    # 现在进行结构化精确查询
    results = await cognee.recall(
        "哪些客户在未来 90 天内订阅到期？"
    )
    # 返回 Acme Corp 及具体订阅和日期——
    # 而不仅仅是"关于订阅的相似文本"

asyncio.run(build_domain_memory())

import cognee
import asyncio

async def multi_agent_setup():
    # Agent 1：研究 Agent 发现市场洞察
    await cognee.remember(
        "竞争对手 X 推出了 9 美元/月的新定价层，"
        "目标客户是中小企业。发布日期：2026-06-10。",
        agent_id="research_agent"
    )

    # Agent 2：销售 Agent 自动获得这个洞察
    # 无需显式共享，无需 Agent 之间的 API 调用
    results = await cognee.recall(
        "我们有哪些关于定价的竞争情报？",
        agent_id="sales_agent"
    )
    # 返回研究 Agent 发现的竞争对手定价洞察

    # Agent 3：客服 Agent 也可以访问
    results = await cognee.recall(
        "最近有没有竞争对手的定价变化？",
        agent_id="support_agent"
    )
    # 相同的数据，零重复，零同步代码

asyncio.run(multi_agent_setup())

import cognee
import asyncio

async def multimodal_ingestion():
    # 摄入 PDF 报告
    await cognee.remember(
        document="path/to/quarterly_report.pdf",
        dataset="reports"
    )

    # 摄入代码仓库的架构文档
    await cognee.remember(
        document="path/to/api_documentation.md",
        dataset="reports"
    )

    # 摄入客户反馈 CSV
    await cognee.remember(
        document="path/to/feedback_data.csv",
        dataset="reports"
    )

    # 所有三种模态现在都可以通过同一个图谱查询
    results = await cognee.recall(
        "报告中提到的客户主要投诉是什么？"
    )
    # 交叉引用 PDF 文本和 CSV 反馈数据

asyncio.run(multimodal_ingestion())

# 安装 cognee
pip install cognee

# 配置 LLM 提供商
export LLM_API_KEY="your...n# 克隆插件
git clone https://github.com/topoteretes/cognee-integrations.git

# 在 Claude Code 中启用
claude --plugin-dir ./cognee-integrations/integrations/claude-code

# Claude Code 内部自动发生的事情：

# 1. SessionStart：从知识图谱加载相关上下文到对话前言

# 2. PostToolUse：每次工具调用（文件读取、bash 命令等）后，
#    将操作及其结果捕获到会话记忆中

# 3. UserPromptSubmit：在处理用户下一条消息前，
#    查询 Cognee 获取相关历史上下文并注入

# 4. PreCompact：当上下文窗口即将溢出时，
#    将关键洞察保留到永久图谱而不是丢失它们

# 5. SessionEnd：将所有会话记忆同步到知识图谱，
#    供未来会话访问