engram-rs 是一个为 AI 智能体设计的记忆引擎，旨在解决传统智能体记忆“扁平存储、只增不减、缺乏组织”的问题。它通过两个轴来管理记忆：时间轴负责三层衰减与晋升，空间轴负责自组织主题树。项目以单个 Rust 二进制文件交付，使用一个 SQLite 文件，零外部依赖，无需 Python、Redis 或向量数据库，可通过 curl | bash 运行。二进制约 10 MB，内存占用约 100 MB，搜索延迟为个位数毫秒。
主要能力
三层生命周期
受 Atkinson–Shiffrin 记忆模型启发，记忆按重要性在三个层中管理：
- Buffer：所有新记忆的入口，临时暂存，低于阈值时被驱逐。
- Working：通过整合晋升，永不删除，重要性按类型以不同速率衰减。
- Core：通过 LLM 质量门控晋升，永不删除。
LLM 质量门控
晋升不是基于规则的猜测，而是由 LLM 在上下文中评估每条记忆，判断其是否真正值得长期保留。
自动衰减
衰减由活动驱动，仅在活跃整合周期触发，而非墙钟时间。系统空闲时记忆保持不变。指数衰减遵循艾宾浩斯遗忘曲线，先快后长尾。记忆不会完全消失（下限为 0.01），在精确查询下仍可检索。当记忆被召回时，会获得激活提升，强化常用知识。
语义去重与合并
两条用不同措辞表达相同内容的记忆会被自动检测并合并。
自组织主题树
向量聚类将相关记忆分组，LLM 为聚类命名，无需手动打标签。这解决了向量搜索需要提出正确问题的问题：主题树让智能体可以按主题浏览——扫描目录，深入正确的分支。例如，给记忆打上 trigger:deploy 标签，智能体可以在执行前召回所有部署经验。
会话恢复
智能体唤醒后调用 GET /resume 即可取回完整上下文，无需扫描文件。智能体读取目录，找到相关主题，调用 POST /topic 按需展开。
搜索与检索
语义嵌入加 BM25 关键词搜索，支持 CJK 分词（jieba）。IDF 加权评分——稀有词被提升，常见词自动降权，无需维护停用词表。
后台维护
全自动、活动驱动——没有写入则跳过周期。整合每 30 分钟运行一次，包括：衰减（降低未访问记忆的重要性）、去重（合并近似相同记忆，余弦相似度 > 0.78）、分类（LLM 对新 Buffer 记忆分类）、门控（LLM 批量评估晋升候选）、协调（解决模糊相似对，结果缓存）、主题树重建（重新聚类并命名）。主题蒸馏：当主题增长过大（10 条以上记忆），重叠内容被浓缩为更少、更丰富的条目。
命名空间隔离
单实例支持多项目，使用 X-Namespace 进行隔离。
LLM 配置
engram-rs 无需 LLM 也能工作——关键词搜索和基于规则的生命周期仍然可用。添加 LLM 可解锁智能功能（分类、门控、合并、主题命名）。支持两级模型配置：强模型用于判断，轻量模型用于文本处理。
使用方式
项目提供 17 个 MCP 工具和完整 HTTP API。内置 Web UI 位于 http://localhost:3917/ui，用于浏览记忆、查看主题树和监控 LLM 使用情况。可与 Claude Code、Cursor、Windsurf、OpenClaw 以及任何兼容 MCP 的工具配合使用。安装方式为 curl | bash。
适用场景
适用于需要长期记忆、自动遗忘与知识组织的 AI 智能体，例如需要记住部署经验、会话上下文、项目知识并自动整理主题的智能体应用。
限制
资料未提供具体的系统要求、支持的平台、LLM 提供商列表、性能基准的详细数据、许可协议或价格信息。
