Cogni：用实体图扩散激活为 LLM 提供 MCP 记忆层

Cogni 是一款在 Hacker News 上以 Show HN 形式发布的 MCP（Model Context Protocol）服务器，面向任何 LLM 提供「连接式记忆」能力。其核心思路是在检索阶段不使用语言模型，而是用实体图上的扩散激活（spreading activation）遍历跨文档的实体链，从而补足纯向量检索在跨词表、多跳场景下的短板。

核心机制

Cogni 的检索路径是确定性的图遍历，不调用任何语言模型，也不依赖 GPU。它在底层仍运行一次稠密向量检索，再叠加图遍历结果，因此不会替换用户既有的向量召回层。同一查询在同一存储上会返回相同的行，没有第二个模型的「意见」介入。这一设计使其兼容任何模型——Claude、GPT、Gemini 以及本地模型——并保持每查询成本相对稳定。

关键基准数据

作者公布了若干对比数字，所有测试均在默认配置下的线上召回路径上完成：

• 链式召回（Chain-recall@8）：5 条链 × 3 种子，混入 300 篇干扰文档；Cogni 平均找回 3.4 / 4 链节，纯向量检索为 2.6 / 4，两侧均返回 8 行结果。
• 跨词表准确率：问题与答案所在文档不共享词汇的场景下，一次召回的准确率 Cogni 为 0.48，纯向量 RAG 为 0.00；关闭 Cogni 的图层后数字复现为 0，确认差异来自遍历而非其他环节。测试使用 GPT-4o 回答，端到端经过 MCP，14 轮均值，每轮 45 题。
• 多跳演绎：在 llama3.1:8b 上、12 条链 × 3 种子、250 篇干扰文档的场景下，Cogni 的 8 行结果显著优于拿到 15 行的向量基线；同题上下文仅 239 token，对照上下文为 4,238 token。GPT-4o 直接读取全文得分 0.99，手喂 8B 完整链条得分 0.97，说明剩余差距来自检索而非推理。
• 「大海捞针」：埋藏单条事实、上下文增长至 32,000 词，每查询固定 8 行返回，Cogni 与向量检索均为 24/24，平均排名第 1。

定位与局限

作者强调结果是「可达性而非答案正确率」：纯向量检索在允许多轮迭代的完整 agentic 循环下能追平到接近水准，差距体现为到达同一答案所需的往返次数与 token 成本——每多一跳，向量检索就要多走一轮，而 Cogni 在第一次召回时即已走完。

局限性方面，作者也直接说明：由于 Cogni 工具最终由用户模型调用，实际一致性取决于模型行为与提示方式；项目同时声明在自身默认设置下结果可复现，并公开了原始结果文件供核对。

小结

作为一款 Show HN 项目，Cogni 提出了「无 LLM 介入的图遍历召回」这一具体方向，并给出了可重复的对比数字。对正在评估 RAG / 记忆层方案的开发者而言，它提供了与纯向量检索的明确差异点；但该项目来自个人或小团队发布，尚无独立第三方复现，影响力与可信度仍待观察。