Cognee 对比 UniLM

Cognee 将文档、聊天记录、工单和 API 数据转化为图形记忆语言模型代理，可以跨会话调用。它从上下文中构建关联实体图，使代理在每次运行时不必从头开始。您可以连接 Slack、GitHub 或 Linear，使编码代理和支持机器人共享一个具有权限感知的公司大脑。

普通的 RAG 返回相似的文本片段。Cognee 将向量搜索与知识图谱和自动生成的本体结合，因此调用时提取的是关联实体和引用事实，而非孤立的片段。SDK 以四个动词为核心：记住、调用、遗忘和改进，且相同的接口通过 HTTP 和 MCP 提供给 Claude Code、Codex 和 OpenClaw。

平台团队将其用于编码代理记忆、GraphRAG 流水线、交易情报以及需要有据可依答案的面向客户的代理。可通过 pip 本地运行，自托管于 Docker 或本地环境，或在需要托管扩展时迁移至 Cognee Cloud。该项目在 GitHub 上拥有 30.4k 星标，每月 SDK 调用超过 500 万次，Bayer 和 Knowunity 已投入生产部署。

UniLM是微软研究院推出的预训练语言模型，能够同时处理自然语言理解和文本生成任务，利用一个共享的Transformer架构。你可以只调优一个checkpoint，用于阅读任务如问答，也适用于写作任务如摘要或对话，而无需维护单独的编码器和解码器模型。这些代码和预训练权重通过microsoft/unilm GitHub仓库以MIT许可协议发布。

BERT风格的模型擅长阅读理解，但在生成方面需要额外的解码器堆叠。UniLM训练一种Transformer模型，配备三种注意力_mask模式：单向、双向和序列到序列。这样的设计让相同的权重在GLUE和SQuAD数据集上与BERT竞争，同时在2019年设定了摘要和问答生成的基准测试——这是许多同期模型未曾打破的分界。

机器学习研究人员和自然语言处理工程师在需要一个代码库中既有理解也有生成任务的公开基准、训练脚本和checkpoint文件时会选择使用UniLM。虽然该仓库还涵盖了后续版本如UniLMv2（伪掩码语言模型，ICML 2020），但v1仍然是NeurIPS 2019论文中描述的原始统一掩码方法的参考版本。