Notion + Cognee：为AI Agent构建长期记忆

AI Agent 在跨会话时经常丢失上下文，每次对话都像从零开始。将 Notion 与 Cognee 集成，可以让 Agent 自动摄取工作区文档，并将其转换为相互连接的知识图谱，从而实现真正的长期记忆。本文将拆解这一集成的实现方式与设计思路。

为什么AI Agent需要长期记忆

当前多数 AI Agent 的记忆机制局限于单次会话的上下文窗口。一旦对话结束，之前积累的信息便不复存在。对于需要持续处理项目文档、团队知识库的场景，这种“失忆”特性严重限制了 Agent 的实用性。

Cognee 的思路是构建知识图谱作为 Agent 的外部记忆层。与简单的向量检索不同，知识图谱保留了实体之间的关联关系，使 Agent 能够理解“A 文档提到的某人与 B 项目的关系”这类结构化信息。而 Notion 作为团队协作的核心知识载体，自然成为记忆摄取的首要数据源。

知识图谱是一种以图结构组织数据的技术，节点代表实体（如人、项目、文档），边代表实体之间的关系（如“参与”“引用”“隶属”）。与向量检索将文本压缩为高维向量、仅能计算语义相似度不同，知识图谱显式保留了实体间的拓扑关联，支持多跳推理。例如，Agent 可以从“张三”出发，经“负责”边找到“项目X”，再经“产出”边找到相关会议记录，从而回答需要串联多个信息源的问题。Cognee 正是利用这一特性，将分散的文档转化为可推理的记忆网络。

NotionLoader 的工作机制

据原始技术分享，作者基于官方 notion-client Python SDK 开发了 NotionLoader。这个加载器负责从 Notion 工作区获取页面和数据库内容，提取其中的文本信息，再交给 Cognee 的摄取管道处理。

整个流程分为三步：加载、转换、构建图谱。NotionLoader 遍历指定范围内的页面与数据库，将每个页面的标题与正文内容拼接为结构化文本。这种格式保留了文档的语义边界，便于后续的图谱构建。

你可能没注意到，该方案直接调用官方 SDK，而非依赖第三方封装，这意味着更好的版本兼容性和更细粒度的访问控制能力。

notion-client 是 Notion 官方维护的 Python SDK，封装了 Notion API 的认证、分页、错误处理等底层细节，开发者可以通过它直接操作页面、数据库、块（block）等资源。相比第三方封装库，官方 SDK 通常能更快跟进 API 变更，并提供更细粒度的请求控制（如按块类型过滤、自定义重试策略）。NotionLoader 基于它实现，意味着加载器可以灵活地遍历工作区中的页面树和数据库条目，而不必受限于第三方库的抽象层。

集成代码与运行流程

集成的核心代码非常简洁。开发者只需引入 NotionLoader 和 cognee 两个模块，初始化加载器后遍历页面数据，将每页的标题和内容通过 cognee.add() 逐一注入，最后调用 cognee.cognify() 触发知识图谱的构建。

from notion_loader import NotionLoader
import cognee

loader = NotionLoader()
pages = loader.load_data()

for page in pages:
    cognee.add(f"Title: {page['title']}\n\n{page['content']}")

cognee.cognify()

cognee.add() 负责将原始文本加入待处理队列，而 cognify() 则是实际执行图谱化处理的步骤——解析实体、建立关联、写入图谱存储。这种两段式设计让开发者可以在批量加载后再统一构建，避免反复触发昂贵的图谱计算。

cognee.cognify() 是 Cognee 框架中触发知识图谱构建的核心方法。它接收此前通过 cognee.add() 加入的原始文本，执行实体识别、关系抽取和图谱写入等一系列处理。该过程通常涉及调用大语言模型进行信息抽取，因此计算成本较高。将 add() 与 cognify() 分离的两段式设计，允许开发者先批量收集所有文档，再一次性触发图谱化，避免每加入一条文本就重复执行昂贵的图谱计算，从而提升整体效率。

知识图谱记忆的实际价值

将 Notion 文档转化为知识图谱后，Cognee Agent 在回答问题时不再只是做文本相似度匹配，而是可以沿着实体关系进行推理。例如，当用户询问某个项目的决策背景时，Agent 能够关联到相关的会议记录、负责人页面和需求文档，形成有上下文的回答。

这种记忆机制的另一优势是可更新性。Notion 工作区的内容持续变化，重新运行加载流程即可将增量信息同步到图谱中，使 Agent 的记忆保持与团队知识库同步。

实践中的考量

该方案目前仍处于早期探索阶段，原始分享未提及大规模工作区下的性能表现、权限边界的处理方式，以及图谱更新的增量策略。对于页面数量庞大的团队，全量加载可能带来可观的 API 调用开销和时间成本。

此外，Notion 内容中可能包含表格、嵌入块等非纯文本元素，文本提取的完整度会直接影响图谱质量。这些工程细节需要在真实场景中进一步验证。

从方向上看，让 Agent 以知识图谱而非扁平文本的方式“记住”团队知识，是提升其长期可用性的关键一步。Notion 与 Cognee 的组合提供了一个轻量可复现的起点，适合希望为 Agent 赋予持久记忆的开发者尝试。