mcp-engram 0.7.0

Session handoff & persistent memory for AI Agents — Ebbinghaus decay, hybrid retrieval (BM25+vector+graph), engineering state tracking, auto-consolidation. Local-first, zero cloud dependency.

Engram

Every task leaves a trace.

Engram 是一个面向 AI Agent 的会话接力系统：让任务可以跨会话、跨 Agent 持续推进，而不是每次从零开始。

它本地运行，提供上下文召回、会话交接、工程状态管理和自动整理能力。

🎯 产品目标

Agent 可替换，任务不中断。
按需召回上下文，不靠无限堆 token。
数据始终保留在本机。

---

✅ 你会得到什么

1. 会话接力：任务中途换 Agent，仍能继续推进。
2. 上下文压缩：按需召回关键状态，不再每次喂整段历史。
3. 本地可控：数据留在本机，不依赖云端记忆服务。
4. 工程可追踪：失败原因、进度、决策可结构化沉淀。

---

⚡ 5 分钟上手

# 安装
pip install mcp-engram

# 初始化（下载模型、创建数据库）
engram-setup

在 MCP 客户端中配置 engram 服务后即可使用。

---

🔁 推荐工作流（跨 Agent 接力）

1. 任务开始：recall_memory(query=任务关键词)
2. 执行中：遇到问题用 track_failure，进度变化用 track_progress
3. 结束前：调用 session_handoff 写明完成项、阻塞项、下一步
4. 下个 Agent：先 recall + 读 handoff，直接接着做

---

🔥 核心能力

🧩 持久上下文层（记忆引擎）

• 存储事实、偏好、决策（作为可检索上下文）
• 支持语义检索 + BM25 关键词检索 + 图谱关联扩展
• 混合评分：0.3 × BM25 + 0.7 × (语义相似度 × 衰减强度) + 图谱加成

🔄 Session Handoff（核心能力）

结构化记录：

{
  "summary": "任务目标与当前状态",
  "completed": ["已完成项"],
  "in_progress": ["进行中"],
  "blocked": ["阻塞项"],
  "next_steps": ["下一步行动"]
}

👉 新 Agent 接手时，不需要读历史对话，直接继续执行

🛠 Engineering State

不仅记“发生了什么”，还记：

• track_failure：错误原因 + 根因 + 组件 + 严重级 + 修复方式
• track_progress：模块进度 / 阻塞 / 质量评分
• update_memory：状态更新

👉 本质是把“测试经验”和“开发上下文”结构化

🧹 Auto Maintenance

系统自动：

• 去重（Deduplication）— 相似度 ≥ 0.85 只增加回忆次数
• 矛盾消解（Conflict Resolution）— 检测到矛盾自动替换
• 衰减（Decay）— 艾宾浩斯遗忘曲线，自然淘汰过时信息
• 整合（Consolidation）— 相似度 ≥ 0.70 的记忆簇自动合并
• 剪枝（Pruning）— 强度 < 0.05 且无链式保护的记忆自动删除

避免上下文无限膨胀，零运维。

---

⚙️ Architecture

┌──────────────────────────────────────────────┐
│              MCP Client                      │
│      (Claude Code / Cursor / ...)            │
└──────────────────┬───────────────────────────┘
                   │ stdio / HTTP
┌──────────────────▼───────────────────────────┐
│         shared.py (单例 + 分发)               │
│    server.py (stdio)  ·  http_server.py      │
│              8 MCP tools · APScheduler       │
├──────────────────────────────────────────────┤
│  ┌─ 写入路径 ──────┐  ┌─ 读取路径 ──────┐    │
│  │  resolve.py     │  │  retrieve.py    │    │
│  │  去重/矛盾消解   │  │  混合检索+评分   │    │
│  └─────────────────┘  └─────────────────┘    │
│                                              │
│  ┌─ 维护路径 ──────┐  ┌─ 统计路径 ──────┐    │
│  │  consolidator   │  │  decay.py       │    │
│  │  聚类合并+剪枝   │  │  遗忘曲线+强度   │    │
│  └─────────────────┘  └─────────────────┘    │
│                                              │
├──────────────────────────────────────────────┤
│  embedding.py          │  graph.py           │
│  768d 向量编码+降级     │  NetworkX 语义图谱  │
├──────────────────────────────────────────────┤
│              db.py — DuckDB                  │
│  向量存储  ·  BM25 FTS  ·  CRUD             │
└──────────────────────────────────────────────┘

数据文件（~/.engram/）：
├── memories.duckdb     # 向量数据库（单文件，零运维）
├── graph.json          # 语义图谱（JSON 序列化）
└── model_cache/        # 嵌入模型缓存

技术特点：

• 单机本地运行（隐私 + 可控）
• DuckDB 单文件存储，BM25 FTS 索引自动维护
• 双传输层：MCP stdio + HTTP/REST
• NetworkX 语义关系图，BFS 扩展联想发现
• 定时自动维护（12h 周期：整合 + 剪枝 + FTS 重建）

---

🧠 记忆机制

艾宾浩斯遗忘曲线

每条记忆都有一个强度值（strength），随时间按指数曲线衰减：

effective_λ = base_λ × (1 - importance × 0.8)
strength = importance × e^(-λ × days) × (1 + recall_count × 0.2)

类别	衰减率 λ	半衰期	适用场景
strategy	0.10	~38 天	被验证有效的方法论、架构模式
fact	0.16	~24 天	用户偏好、身份信息、技术选型
assumption	0.20	~19 天	推断的上下文、不确定的信息
failure	0.35	~11 天	踩过的坑、环境问题、临时 workaround

设计意图：成功的策略记最久（strategy ~38天），失败的教训记最短（failure ~11天）——环境会变，昨天的坑明天可能已经填上了。

智能去重与矛盾消解

相似度 ≥ 0.85 → REINFORCE  只增加回忆次数
相似度 0.65~0.84 → 检测矛盾
  ├── 语义矛盾 → REPLACE   用新内容覆盖
  └── 语义兼容 → MERGE     合并为更完整的记忆
相似度 < 0.65 → NEW        存为新记忆

语义图谱

每条记忆存入时自动与已有记忆建立语义关联（相似度 ≥ 0.40 建边），检索时从命中记忆出发做 BFS（默认最大深度 3，可配置）发现关联知识。链式保护机制确保作为"桥梁"的弱记忆不被误删。

---

🚀 Advanced Setup

# 安装
pip install mcp-engram

# 初始化（下载模型、创建数据库）
engram-setup

# 按照输出提示将配置块添加到 Claude Code 配置中

Claude Code 配置

{
  "mcpServers": {
    "engram": {
      "command": "engram",
      "env": {
        "HF_ENDPOINT": "https://hf-mirror.com"
      }
    }
  }
}

CLAUDE.md 集成

## Memory Rules

### Step 1 — 先回忆再行动
每次任务开始时，用请求中的关键词调用 `recall_memory`。

### Step 2 — 学到新东西就存
| 情况 | 操作 |
|------|------|
| 全新知识 | `store_memory(content, importance)` |
| 补充已有 | `update_memory(memory_id, merged_content)` |
| 推翻已有 | `update_memory(memory_id, new_content)` |

---

🧰 MCP Tools

工具	参数	用途
recall_memory	query, user_id?, top_k?	语义检索记忆
store_memory	content, importance, category?, metadata?, user_id?	存储新记忆（自动去重）
update_memory	memory_id, new_content, importance?	更新已有记忆
session_handoff	summary, completed?, in_progress?, blocked?, next_steps?, user_id?	结构化会话交接
track_failure	error, component, root_cause?, severity?, fix?, related_test_ids?, user_id?	结构化失败归因
track_progress	feature, status, completion?, blockers?, quality_score?, notes?, user_id?	功能进度快照
consolidate_memory	user_id?	手动触发记忆整合
memory_stats	user_id?	记忆统计 + 工程指标

重要性参考

值	使用场景
0.9–1.0	核心身份、永久事实
0.7–0.8	强偏好、架构决策
0.5	普通项目事实
0.2–0.3	临时会话上下文

---

🔍 What Makes Engram Different

普通 memory 系统：

存文本 → 检索文本

Engram：

存状态 → 驱动下一步执行

区别在于：

• 有会话交接而不是仅检索
• 有工程状态而不是仅知识
• 有自动整理而不是无限增长
• 本地优先，零云端依赖，数据永远在你的机器上

---

🧪 Benchmark

基于 LoCoMo（Snap Research 长期对话记忆基准）的评测。

Turn Mode — 最佳配置（bge-m3 + reranker, DeepSeek-V3.2）

Category	Count	F1	Hit@5
Single-Hop	114	0.5121	76.3%
Temporal	63	0.4501	95.2%
Multi-Hop	43	0.3181	60.5%
Open-Domain	13	0.1324	61.5%
Overall	233	0.4383	77.7%

优化路径

配置	Overall F1	Overall Hit@5
bge-m3 + reranker + weight fix	0.4383	77.7%
bge-m3 + reranker (r20)	0.3913	69.1%
bge-m3 (API, 1024d)	0.3514	61.8%
all-mpnet-base-v2 (local, 768d)	0.2916	51.5%

四轮优化累计 F1 +50.3%，Hit@5 +26.2pp。

与业界基线对比

System	Overall F1	LLM
MemMachine	0.8487	GPT-4o-mini
Memobase	0.7578	GPT-4o-mini
Zep	0.7514	GPT-4o-mini
Mem0	0.6688	GPT-4o-mini
Engram	0.4383	DeepSeek-V3.2

本地部署零云端依赖，与 Mem0 差距从 56% 缩小到 35%。

---

🎯 Use Cases

AI Coding Agent

• 记住项目约定，避免重复 bug
• 追踪重构进度，跨会话持续

多 Agent 协作

• Agent A → Agent B 无缝交接
• 避免重复分析

长任务执行

• 防止 context 爆炸
• 保持任务连续性

---

🧭 Design Principles

• Memory 是"执行上下文"，不是日志
• 会话交接比历史记录更重要
• 错误应该被结构化，而不是遗忘
• 本地优先，保证可控性

---

🔧 环境变量

变量	默认值	说明
HF_ENDPOINT	https://hf-mirror.com	HuggingFace 模型镜像地址
ENGRAM_MODEL	all-mpnet-base-v2	嵌入模型名称
ENGRAM_MODEL_TIMEOUT	30	模型加载超时（秒），超时进入降级模式
ENGRAM_PRUNE_THRESHOLD	0.05	记忆淘汰强度阈值
ENGRAM_DEDUP_THRESHOLD	0.65	去重相似度下限
ENGRAM_REINFORCE_THRESHOLD	0.85	强化相似度阈值
ENGRAM_SIM_HIGH	0.50	检索高阈值
ENGRAM_SIM_LOW	0.20	检索低阈值
ENGRAM_REINFORCE_SIM	0.75	检索时强化阈值
ENGRAM_W_BM25	0.30	BM25 关键词权重
ENGRAM_W_VECTOR	0.70	向量语义权重
ENGRAM_GRAPH_DEPTH	3	图谱 BFS 最大深度
ENGRAM_EDGE_THRESHOLD	0.40	图谱建边相似度阈值
ENGRAM_MAX_EDGES	5	每条记忆最大边数
ENGRAM_CONSOLIDATE_THRESHOLD	0.70	整合聚类相似度阈值

---

🛣 Roadmap

• Error-aware Memory（避免重复错误）
• Handoff Validation（交接一致性检测）
• Eval Pipeline（量化质量提升）
• Coding Agent 深度集成（Cursor / Claude）

---

📌 Final Thought

AI 不缺能力，缺的是"记住并持续执行"的能力。

Engram 解决的不是记忆问题，而是：

让 Agent 的任务可以不中断地往前走

---

开发

git clone https://github.com/hugfeature/engram.git
cd engram
pip install -e ".[dev]"
pytest tests/ -v

License

MIT