Engram : donnez une mémoire à vos agents de codage (construit sur FalkorDB)

Les agents de codage consacrent un tiers de leurs appels à des outils uniquement à la recherche. Engram transforme votre dépôt en un graphique FalkorDB (code, historique git et ce que vos agents ont déjà fait) et remet à l'agent une carte d'environ 200 jetons indiquant où chercher avant son premier appel d'outil. Mesuré, non revendiqué : • palettes/clic, 144 exécutions de Claude Code, même modèle : −25 % de jetons d'entrée, −29 % d'appels d'outils, −23 % de temps • networkx (128 000 lignes) : −24 % de jetons, −40 % d'appels d'outils • yt-dlp (248 000 lignes), 30 vrais problèmes GitHub : bon fichier dans le top 3 pour 22/30, zéro jeton LLM • En direct sur 4 d'entre eux problèmes : −31 % de jetons, −33 % d'appels d'outils, même bonne réponse 4/4 Installation (pas de Docker, pas de clés API, pas d'appels LLM propres) : curl -fsSL https://raw.githubusercontent.com/ManojRakshu/engram/main/install.sh | sh Code, harnais de référence et résultats bruts : https://github.com/ManojRakshu/engram Conçu pour les hacks graphiques : contexte pour les agents IA (WeMakeDevs × FalkorDB). 0:00 Le problème : les agents continuent de chercher 0:23 Ce que fait Engram 0:37 Pourquoi FalkorDB : un parcours graphique, pas un grep 0:57 Benchmark : 144 exécutions 1:13 Un projet réel et compliqué : yt-dlp 1:34 Mémoire, rayon d'explosion et installation