Engram：为Claude Code打造的循证学习引擎，让AI真正“学会”并记住一切

基于第一性原理、自由回忆验证与FSRS间隔重复调度的AI学习引擎，让Claude Code能够“学会”任何知识并长期记忆。

一、背景与痛点：大语言模型的“金鱼记忆”困境

当前的大语言模型（LLM）在对话、代码生成、知识问答等方面表现惊艳，但有一个根本性缺陷：它们不会“真正学会”任何东西。每次对话都是独立的上下文，即便你在同一个会话中反复强调某个概念或代码约定，模型也可能在几分钟后遗忘。更糟糕的是，当你关闭对话或切换话题，之前“教”给它的知识就彻底消失了。

对于使用Claude Code进行复杂项目开发的开发者来说，这个痛点尤为突出：

• 你向Claude解释了项目的架构约定、自定义工具函数、业务逻辑规则，但它在后续对话中依然会犯同样的错误。
• 你希望Claude能像人类一样，通过“学习”积累知识，而不是每次从零开始。
• 现有的方法（如System Prompt、RAG、微调）要么容量有限，要么成本高昂，要么无法实现真正的长期记忆。

Engram正是为解决这一问题而生。它不是一个简单的“记忆插件”，而是一套完整的、基于认知科学原理的循证学习引擎。

二、核心原理：从认知科学到代码实现

Engram的设计灵感来源于人类学习的最佳实践，它整合了四个关键机制：

1. 第一性原理课程体系（First-Principles Curricula）

Engram不依赖“填鸭式”的问答对，而是基于第一性原理构建知识课程。每个知识点被拆解为最基础的原理，然后逐步推导出复杂概念。这种结构确保了知识的内在逻辑连贯性，让Claude Code能够真正“理解”而非“记住”模式。

2. 自由回忆验证（Free-Recall Verification）

这是Engram最核心的创新之一。传统的间隔重复系统（如Anki）使用选择题或填空题来测试记忆，但这只能验证“再认”能力，而非真正的“回忆”能力。Engram要求Claude Code在不提供选项或提示的情况下，从记忆中主动提取知识。只有当模型能够完整、准确地自由回忆时，该知识才被标记为“已掌握”。

每个验证过程都会生成一个**“收据”（Receipt）**——包含时间戳、回忆内容、正确性评分等元数据。这些收据构成了可审计的学习轨迹。

3. FSRS（Free Spaced Repetition Scheduler）调度

Engram采用FSRS算法（Free Spaced Repetition Scheduler）来安排复习时间。FSRS是当前最先进的间隔重复调度算法之一，相比传统的SM-2（Anki默认算法），它通过机器学习模型动态优化每次复习的间隔，能显著提高记忆保留率并减少不必要的复习次数。

FSRS会根据每次回忆的难度、稳定性和可提取性，计算下一次复习的最佳时间点。这意味着Engram会自动判断哪些知识需要加强、哪些已经稳固，实现个性化的学习节奏。

4. 可探索的知识工件（Explorable Artifacts）

Engram将每个知识点封装为独立的工件（Artifact），这些工件不仅是存储单元，更是可交互、可探索的知识节点。你可以通过CLI命令查看知识图谱、追踪学习进度、导出回忆收据，甚至让Claude Code在对话中动态调用这些工件。

三、安装与使用：从零开始搭建你的AI学习系统

安装步骤

Engram基于Python开发，安装非常简单：

bash

使用pip安装

pip install engram

或者从源码安装

git clone https://github.com/nagisanzenin/engram.git
cd engram
pip install -e .

安装后，你需要将Engram与Claude Code集成。目前支持通过MCP（Model Context Protocol）或直接API调用：

bash

初始化Engram工作目录

engram init --path ~/engram_workspace

启动Engram服务（用于与Claude Code通信）

engram serve --port 8080

基本使用示例

1. 创建一门课程

python
from engram import Curriculum, Lesson

创建关于“Python异步编程”的课程

curriculum = Curriculum(
title="Python异步编程从原理到实践",
first_principles=[
"协程是用户态轻量级线程，由程序自身调度",
"事件循环是异步编程的核心调度器",
"await关键字会挂起当前协程，直到Future完成"
]
)

添加课程章节

lesson1 = Lesson(
title="协程与事件循环",
content="""
协程（Coroutine）是Python异步编程的基础单元。
与线程不同，协程的切换完全由程序员控制，没有操作系统内核的参与。
...
"""
)
curriculum.add_lesson(lesson1)

保存课程

curriculum.save()

2. 让Claude Code学习课程

在Claude Code中，你可以通过MCP工具调用Engram：

在Claude Code中使用的命令

@engram learn --curriculum "Python异步编程从原理到实践"

Engram会按照课程结构，逐步将知识注入Claude Code的上下文，并在每个知识点后执行自由回忆验证。

3. 查看学习状态

bash

查看所有课程的学习进度

engram status

查看特定知识点的回忆收据

engram receipts --knowledge "协程与事件循环"

导出学习报告

engram report --format json --output learning_report.json

4. 在对话中利用已学知识

一旦Claude Code学习了某个知识点，你就可以在后续对话中直接引用：

@engram recall "Python异步编程"

Engram会从记忆中提取相关知识，并作为上下文注入到Claude Code的提示中，确保模型使用正确的知识。

四、核心亮点与技术创新

1. 真正的“学习”而非“记忆”

大多数AI记忆方案（如MemGPT、RAG）本质上是检索增强生成——将外部知识存储并在需要时检索。Engram则不同，它通过自由回忆验证和间隔重复，让模型真正内化知识。这种内化意味着：

• 知识可以被模型灵活组合和推理，而非简单复制粘贴
• 模型能理解知识的边界和适用场景
• 长期保留率远超检索式方法

2. 可审计的学习轨迹

每个知识点、每次回忆验证、每次复习调度都被记录为不可篡改的收据。这使得：

• 你可以精确追踪Claude Code的“学习历程”
• 发现模型对哪些知识掌握不牢，针对性加强
• 在团队协作中，确保所有AI实例使用一致的知识体系

3. 极低的资源开销

与微调（需要GPU、大量数据）或RAG（需要向量数据库、索引维护）不同，Engram的存储和计算开销极低。所有数据以结构化文件存储，每次验证和复习的推理成本几乎可以忽略不计。对于个人开发者和小团队来说，这是目前最实用的AI长期记忆方案。

4. 与Claude Code深度集成

Engram专为Claude Code设计，通过MCP协议实现无缝集成。你不需要修改Claude Code的配置，也不需要编写复杂的集成代码。安装Engram后，直接在Claude Code中使用@engram命令即可。

五、适用场景

1. 大型项目知识管理

当你在一个大型项目中工作时，有大量的业务逻辑、代码约定、架构决策需要Claude Code理解。通过Engram，你可以将这些知识组织成课程，让Claude Code系统化学习，避免反复纠正同样的错误。

2. 领域特定AI助手

如果你正在构建一个面向特定领域的AI助手（如医疗咨询、法律文书、金融分析），Engram可以帮助Claude Code掌握该领域的核心概念、术语和推理规则，而无需依赖昂贵的领域微调。

3. 个人知识库与学习系统

Engram不仅适用于AI，也适用于人类学习。你可以将自己学习新技术的笔记、关键概念整理成课程，让Engram帮你规划复习计划，确保长期记忆。

4. 团队知识传承

当团队成员变动时，新成员可以快速让Claude Code“学习”团队积累的项目知识和最佳实践，减少知识流失。

六、同类项目对比

特性	Engram	MemGPT	RAG-based (LangChain等)	微调 (Fine-tuning)
学习方式	主动内化（自由回忆+间隔重复）	被动检索（上下文管理）	被动检索（向量搜索）	静态权重更新
长期记忆	✅ 强（通过FSRS调度）	⚠️ 中等（依赖上下文窗口）	⚠️ 中等（依赖检索质量）	✅ 强（但不可逆）
可解释性	✅ 高（可审计收据）	❌ 低（黑盒上下文）	⚠️ 中等（可查看检索来源）	❌ 极低
资源开销	✅ 极低	⚠️ 中等（需要管理上下文）	⚠️ 中等（需要向量DB）	❌ 极高（需要GPU）
动态更新	✅ 随时添加/修改课程	⚠️ 需要重新索引	✅ 灵活	❌ 需要重新训练
与Claude Code集成	✅ 原生支持	❌ 需要额外适配	⚠️ 部分支持	❌ 不直接支持

总结：

• 如果你需要真正让AI学会知识，而非仅仅检索，Engram是唯一的选择。
• 如果你需要低成本、可审计、可动态更新的长期记忆方案，Engram远优于微调和RAG。
• 如果你主要使用Claude Code，Engram的集成体验最佳。

七、局限与未来展望

当前局限

• 仅支持Claude Code：目前Engram专为Claude Code设计，对其他LLM（如GPT-4、Gemini）的集成尚需社区贡献。
• 学习速度：由于采用自由回忆验证，学习过程比简单的RAG要慢（但换来的是更深刻的理解）。
• 课程设计门槛：要发挥最大效果，需要用户具备一定的课程设计能力（将知识拆解为第一性原理）。

未来方向

• 支持更多LLM平台（OpenAI、Anthropic API等）
• 提供课程模板市场和社区分享功能
• 引入多模态学习（图像、代码、公式）
• 优化FSRS参数，实现更智能的复习调度

八、结论

Engram不是一个简单的“记忆插件”，它是一套完整的、基于认知科学原理的AI学习系统。它解决了大语言模型长期记忆的根本难题，让Claude Code能够像人类一样“学会”知识并长期保留。对于深度使用Claude Code的开发者、团队和研究者来说，Engram是目前最值得尝试的长期记忆方案。

如果你厌倦了反复向AI解释同样的东西，如果你希望AI真正理解你的项目，那么Engram值得你花30分钟安装体验。

项目地址：https://github.com/nagisanzenin/engram