Engram 发布：面向 AI 代理的本地化持久记忆中间件

面向 AI 代理的开源记忆中间件 Engram 正式发布，主打「进程内运行、零云端依赖、原生支持 Model Context Protocol」的设计思路。该项目以 npm 包形式分发，MIT 协议开源，安装后即可让 Claude Desktop、Claude Code、Cursor、Windsurf、Cline 等 MCP 客户端获得长期记忆能力。

核心特性

Engram 的核心定位是「轻量、本地优先」。它运行在代理进程内部，不依赖独立的数据库、消息队列或云服务账户，默认路径下不产生任何网络请求：

• 进程内运行：无需额外部署服务，没有 IPC 开销或 fork 进程。
• 完全离线：底层使用本地 SQLite，附带 all-MiniLM-L6-v2 嵌入模型（约 23 MB），首次下载后缓存在 ~/.engram/models。
• MCP 原生：与 Claude Desktop、Claude Code、Cursor、Windsurf、Cline 等客户端一等公民集成。
• 默认安全：每次写入自动做密钥检测，API Key、私钥、连接串、JWT 等敏感信息在落库前即被拦截。

性能与体积数据

项目方在 Apple M4 Pro 上以 1000 条种子记忆做了基准测试，给出了以下数字：

• 冷启动到首次召回：低于 200 ms（含模型加载）。
• 热召回（1k 记忆，p50）：约 4 ms。
• npm 包下载体积：约 571 KB（解压后 1.3 MB）。
• 嵌入模型体积：约 23 MB。
• 外部服务依赖：0。
• 离线工作：是，默认路径零网络调用。

需要指出的是，这些是延迟与体积指标，并不构成准确率声明，项目方明确表示并未尝试在记忆基准上超越 Mem0 或 Zep。

可选的本地 LLM 抽取

Engram 默认走基于规则的事实抽取路径，保证零配置即用。如果用户已经在本地运行大模型，可以开启可选的 LLM 抽取层：在本地通过 Ollama 或任意 OpenAI 兼容端点调用一个轻量模型，对记忆做实体与类别抽取。项目方推荐使用 henrybarefoot1987/engram-extract（基于 Qwen3-1.7B，Apache-2.0 协议）。

在其基准中，实体抽取准确率从纯规则方案的 45.8% 提升到 95.8%，提升幅度达 +50 个百分点。整个过程仍然 100% 本地，无任何字节离开设备。

与同类方案的横向对比

项目方将其与 Mem0、OpenMemory、Zep、Letta 以及 Lodis 做了对照，关键差异如下：

• 基础设施：Engram 与 Lodis 都无需额外部署；Mem0 通常需要云账户或多容器 Docker；Zep、Letta 则需要 Docker + Postgres。
• 离线能力：Engram、Lodis 默认离线；Mem0、Zep、Letta 依赖外部嵌入或 LLM 提供方。
• MCP 支持：Engram 与 Lodis 以 MCP 为主；Mem0 通过 OpenMemory 提供 MCP 服务器；Zep、Letta 仅 REST/SDK。
• 安全机制：Engram 在每次写入时自动拦截敏感信息；其他方案多为可选或非一等公民。

Engram 自身定位是「一个聚焦、稳定、本地优先的记忆层」，强调 5 类记忆的简单心智模型、桌面端 Tauri 菜单栏应用、仪表盘集成向导等实用特性，与 Lodis 偏知识图谱风格、Mem0/Zep/Letta 偏云端 SaaS 的路线形成区分。

许可与赞助

Engram 采用 MIT 协议，对商业使用完全开放。所有功能均包含在开源包内，无付费墙、无分级锁、无遥测采集。项目同时提供 Polar 赞助通道，设有 5、25、100、499 美元四档，分别面向个人爱好者、重度用户、团队与企业用户；企业档位主要换取问题优先级响应与集成协助，并不涉及许可证解锁。