Introducción Bienvenidos desarrolladores al mundo de la inteligencia artificial y la automatización. En esta guía práctica vamos a integrar infraestructura e inteligencia para desplegar la aplicación inicial de Cognee AI, una capa de memoria para modelos de lenguaje que permite a las aplicaciones recordar, recuperar y construir sobre contexto previo. Veremos el funcionamiento del Cognee Starter App construido con Flask y, acto seguido, automatizaremos su despliegue en AWS ECS usando Terraform para llevar infraestructura como código a un entorno escalable y de producción.
Sobre Q2BSTUDIO Somos Q2BSTUDIO, una empresa de desarrollo de software especializada en aplicaciones a medida y software a medida. Ofrecemos soluciones completas que incluyen inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y Power BI. Si buscas potenciar tus proyectos con modelos de IA o migrar a la nube, podemos ayudarte con experiencia en desarrollo, seguridad y operaciones. Conoce nuestros servicios de inteligencia artificial y nuestras soluciones de servicios cloud aws y azure para empresas.
Objetivos de la guía Al terminar este tutorial podrás entender el rol de Cognee como capa de memoria para LLMs, contenerizar y preparar una app Flask para producción, aprovisionar infraestructura en AWS con Terraform y desplegar la app en ECS Fargate de forma reproducible.
Requisitos previos Asegúrate de tener configurado AWS CLI con un usuario IAM con permisos completos en ECS VPC e IAM, Docker para contenerizar la aplicación Flask, Python para ejecutar el proyecto localmente y Terraform CLI para provisionar la infraestructura. Estos componentes te permiten desarrollar, probar y desplegar sin fricciones.
Qué es Cognee AI En términos sencillos Cognee organiza tus datos en memoria AI. Las llamadas a un LLM son a menudo sin estado por lo que no recuerdan interacciones previas ni el contexto de documentos. Cognee actúa como capa de memoria para LLMs permitiendo enlazar documentos y fuentes de datos, mantener contexto entre llamadas y crear aplicaciones más ricas que razonan sobre interacciones previas.
Operaciones clave de Cognee add Preparar para cognificación Envías datos de forma asíncrona y Cognee los limpia y procesa para la capa de memoria cognify Construir un grafo de conocimiento con embeddings Cognee trocea documentos, extrae entidades y relaciones y construye un grafo consultable search Consultar con contexto Al buscar Cognee combina similitud vectorial y recorrido del grafo pudiendo devolver nodos, explorar relaciones o generar respuestas con RAG memify Enriquecimiento semántico del grafo próximamente Esta operación añadirá relaciones contextuales más profundas. En el demo práctico usaremos add cognify y search para ver el flujo completo.
Demo local y estructura del proyecto He publicado el código en GitHub dentro del repositorio terra-projects en la carpeta cognee-flask. Dentro encontrarás la estructura completa del proyecto y ejemplos para arrancar.
Paso 1 Configurar variables de entorno Crea un archivo .env en la carpeta del proyecto basándote en .env.example. Necesitarás una clave de API de tu proveedor LLM. Ejemplo de variables LLM_PROVIDER gemini LLM_MODEL gemini/gemini-2.5-flash LLM_API_KEY tu_clave EMBEDDING_PROVIDER gemini EMBEDDING_MODEL gemini/text-embedding-004 EMBEDDING_DIMENSIONS 768 EMBEDDING_API_KEY tu_clave Si usas otro proveedor sigue la documentación de Cognee para configurar correctamente proveedores y modelos.
Paso 2 Instalar dependencias Ejecuta la instalación de dependencias del proyecto para preparar el entorno local y poder ejecutar los demos y la app Flask.
Paso 3 Entender testing_cognee.py El script muestra un flujo típico Primero se purga el estado de Cognee con prune_data y prune_system Luego se añade texto con add y se procesa con cognify para construir el grafo de conocimiento Visualiza el resultado en .artifacts/graph_visualization.html y prueba tres tipos de búsquedas GRAPH_COMPLETION explora relaciones RAG_COMPLETION genera respuestas en lenguaje natural BÚSQUEDA básica obtiene temas principales
Paso 4 Ejecutar el demo Localmente ejecuta el script de prueba y verás en consola los resultados Graph RAG y Basic Abre .artifacts/graph_visualization.html en un navegador para explorar el grafo generado.
Paso 5 Ejecutar la app Flask localmente Inicia la app con el comando correspondiente y abre https://localhost:5000 En la interfaz podrás añadir datos, lanzar consultas y, tras uno o dos minutos de procesamiento, obtener resultados de Graph Completion RAG Completion y el tema básico además de la visualización vectorial del grafo.
Despliegue en AWS ECS con Terraform Con la app probada localmente, movemos todo a la nube para obtener escalabilidad y resiliencia. En la carpeta terra-config encontrarás los archivos Terraform necesarios provider.tf define AWS como proveedor y región default_config.tf recupera la VPC por defecto y crea subnets y un security group con el puerto 5000 abierto main.tf crea el cluster ECS define la task definition con la imagen Docker puertos CPU memoria arquitectura y crea el rol IAM necesario además del servicio ECS get_ip.sh script que obtiene la URL pública donde se expone la aplicación.
Inicializar y desplegar Infraestructura ejecuta terraform init terraform plan terraform apply --auto-approve desde la carpeta terra-config El provisioning tarda unos minutos y crea cluster ECS servicio task definition y la red necesaria.
Obtener la URL de la aplicación Haz ejecutable el script get_ip.sh con chmod u+x get_ip.sh y ejecútalo El script mostrará la URL pública del servicio Abre esa URL y verás tu aplicación Flask Cognee ejecutándose en AWS ECS con la misma funcionalidad que el demo local pero ahora sobre una plataforma escalable.
Limpieza de recursos Para evitar costes innecesarios cuando termines ejecuta terraform destroy --auto-approve para eliminar todos los recursos provisionados incluyendo servicios ECS roles y redes.
Conclusión En este recorrido hemos llevado una aplicación Flask que usa Cognee AI desde el entorno local hasta AWS ECS usando Terraform. Hemos conocido cómo Cognee organiza la memoria AI mediante add cognify y search, cómo preparar la app para producción con Docker y cómo automatizar infraestructura con Terraform. Q2BSTUDIO puede apoyarte a implementar soluciones similares y a integrar inteligencia artificial en tus procesos de negocio, mejorar la seguridad con prácticas de ciberseguridad y pentesting, y desplegar arquitecturas en la nube con servicios cloud aws y azure. Si te interesa potenciar tus procesos con soluciones de inteligencia de negocio y Power BI o desarrollar un proyecto a medida consulta nuestras opciones de servicios de Business Intelligence y Power BI y contacta con nuestro equipo para una asesoría personalizada.
Palabras clave aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA power bi
