engram

Engram —— 给 AI 编程工具造的「外挂大脑」

想象一下：你让 Claude Code 帮你开发了一个功能，关掉终端后，第二天再来问它「昨天那个功能你是怎么实现的」，它一脸茫然——「什么功能？我不记得了。」这不是它的错，而是 AI 编程工具的天然缺陷：对话结束，记忆清零。

Engram 正是为解决这一痛点而生。它是一个持久记忆系统，专门为 AI 编码智能体设计。形象地说，它就像给 AI 编程工具装了一个「外挂硬盘」——不是模型自己的参数记忆，而是一个可以随时读写、结构化存储项目上下文、工作进展和技术决策的外部记忆库。

这个项目由 Gentleman-Programming 团队开发和维护，在 GitHub 上已获得超过 4000 颗星。Engram 的核心设计哲学是「Agent 无感知（Agent-agnostic）」——它不绑定任何特定的 AI 工具，而是通过标准化的 MCP（Model Context Protocol）协议与各种编码智能体通信。目前支持 Claude Code、OpenCode、Pi、OpenAI Codex、VS Code（Copilot）、Cursor、Windsurf、Gemini CLI 等主流工具，兼容性非常广泛。

Engram 还有一个独特的「记忆压缩协议（Memory Protocol）」机制：当检测到对话上下文接近极限时，它会自动触发「记忆压缩」——将过去的上下文提炼为结构化的记忆条目，存入 SQLite 数据库，确保每次新会话都能从上一个断点无缝衔接。

Engram 提供四种交互接口：TUI（终端交互界面）——在终端里直接浏览和编辑记忆条目；HTTP REST API——供 Web 应用或脚本调用；MCP Server——与各 AI 编码工具通过标准协议对接；以及 CLI——一条命令完成安装和配置。

本地模式使用 SQLite + FTS5（Full-Text Search 5）作为存储引擎，单文件数据库，默认保存在 ~/.engram/engram.db。数据完全本地存储，不经过任何第三方服务器。进阶用户可以部署 Engram Cloud：基于 Docker Compose 启动 PostgreSQL + Web Dashboard，在团队中共享记忆库，支持多用户协作。

部署极简是其核心优势之一。项目提供一个多阶段 Dockerfile（基于 Alpine Linux，最终镜像仅约 20MB）和配套的 docker-compose.cloud.yml，一条 docker compose up -d 即可在本地启动完整的 Engram Cloud 环境，包含 PostgreSQL 数据库和 Web 管理界面。也可以通过 brew install 在 macOS/Linux 一键安装为系统命令，整个工具链零外部依赖——只要一个编译好的 Go 二进制文件和一个 SQLite 数据库。

Engram 的代码库采用 Go 1.25 编写，代码结构非常清晰。核心模块分布在 internal/ 下：cloud/ 处理 Engram Cloud 逻辑和 Web Dashboard（使用 a-h/templ 模板引擎），llm/ 负责与大型语言模型交互，mcp/ 实现 MCP 协议服务端，store/ 管理 SQLite 存储层，server/ 提供 HTTP API，setup/ 处理各 Agent 的自动化配置，obsidian/ 与 Obsidian 笔记工具集成，project/ 和 sync/ 分别处理项目和同步逻辑。plugin/ 目录包含各 Agent 的插件实现（Claude Code、OpenCode、Obsidian、Pi），cmd/engram 是唯一的入口点。这种高度模块化的架构使得代码易于理解和扩展。

值得注意的是，Engram 的 TUI 界面使用了 charmbracelet/bubbletea 框架——一个非常流行的 Go 终端 UI 库，搭配 lipgloss 样式系统和 bubbles 组件库，构建出了交互体验流畅的终端界面。

Engram 目前的局限：本地 SQLite 模式适合个人使用，但多 Agent 共享同一数据库时存在并发写入问题，需要借助 Engram Cloud（PostgreSQL）来支持团队协作。此外，记忆压缩（compaction）功能依赖 LLM API，成本和延迟随项目规模增长。Cloud 模式的 Docker 部署对完全没有 Docker 经验的用户仍有一定门槛。

从行业角度看，Engram 代表的趋势是AI Agent 的长期记忆与状态管理。随着 AI 编程工具从简单的「单次问答」向「持续协作开发」演进，如何让 Agent 在多会话、多项目中积累和复用知识，成为一个关键命题。Engram 以极简的架构给出了自己的答案——不需要复杂的向量数据库，不需要 RAG Pipeline，只需要一个 SQLite 文件和一套清晰的结构化记忆协议，就能在很大程度上解决「AI 记不住」的问题。