Engram: Geben Sie Ihren Codierungsagenten ein Gedächtnis (basierend auf FalkorDB)

Coding-Agenten verbringen ein Drittel ihrer Tool-Aufrufe nur mit der Suche. Engram verwandelt Ihr Repo in ein FalkorDB-Diagramm (Code, Git-Verlauf und was Ihre Agenten bereits getan haben) und übergibt dem Agenten vor dem ersten Tool-Aufruf eine etwa 200 Token umfassende Karte, wo er suchen muss. Gemessen, nicht beansprucht: • Paletten/Klick, 144 Claude-Code-Läufe, dasselbe Modell: −25 % Eingabe-Tokens, −29 % Tool-Aufrufe, −23 % Zeit • networkx (128.000 Zeilen): −24 % Token, −40 % Tool-Aufrufe • yt-dlp (248.000 Zeilen), 30 echte GitHub-Probleme: richtige Datei in den Top 3 für 22/30, null LLM-Tokens • Live weiter 4 dieser Probleme: −31 % Token, −33 % Tool-Aufrufe, gleiche richtige Antwort 4/4 Installation (kein Docker, keine API-Schlüssel, keine eigenen LLM-Aufrufe): curl -fsSL https://raw.githubusercontent.com/ManojRakshu/engram/main/install.sh | sh-Code, Benchmark-Nutzung und Rohergebnisse: https://github.com/ManojRakshu/engram Gebaut für Graph Hacks: Kontext für KI-Agenten (WeMakeDevs × FalkorDB). 0:00 Das Problem: Agenten suchen weiter 0:23 Was Engram macht 0:37 Warum FalkorDB: ein Graph Walk, kein Grep 0:57 Benchmark: 144 Läufe 1:13 Ein echtes, chaotisches Projekt: yt-dlp 1:34 Speicher, Blast-Radius und Installation