Engram : donner une memoire persistante aux agents IA de code sans infrastructure lourde

📌 Engram transforme un agent de code qui oublie tout en fin de session en assistant qui retrouve decisions, correctifs et contexte projet a chaque reprise. L’outil tient dans un binaire Go, stocke les donnees en local dans SQLite avec recherche FTS5, et expose la memoire via CLI, API HTTP, serveur MCP et interface TUI.

Le gain immediat est pratique: les sessions n’ont plus besoin de repartir de zero apres un compactage de contexte, un redemarrage de terminal ou un changement d’agent. La memoire devient interrogeable avec des outils explicites, ce qui permet de retrouver une decision d’architecture, la cause d’un bug corrige, ou un choix de pattern deja valide sur le projet. Au lieu de conserver des notes eparses, Engram centralise ces informations dans une base locale unique.

La proposition est aussi interessante pour les environnements heterogenes. Le meme backend memoire peut etre branche a Claude Code, OpenCode, Gemini CLI, Codex, VS Code, Cursor, Windsurf ou d’autres agents compatibles MCP. Cette approche agent-agnostic evite d’enfermer l’historique dans un seul IDE ou une seule extension. Quand le flux de travail change, la memoire reste disponible.

En usage quotidien, le schema fonctionne en trois temps. L’agent enregistre les observations importantes au fil du travail, ajoute un resume de session en fin de cycle, puis recharge le contexte pertinent a la session suivante. Le systeme repose sur des outils dedies comme mem_save, mem_search, mem_context ou mem_timeline, ce qui permet de cibler l’information utile sans injecter tout l’historique brut dans le prompt.

Cette logique apporte un vrai effet sur la qualite des iterations. Une correction complexe n’est plus seulement un resultat ponctuel dans une conversation, elle devient une connaissance reutilisable. Un sujet evolutif, comme une architecture d’authentification ou une politique de cache, peut etre mis a jour via des topic keys plutot que duplique a chaque revision. L’outil conserve alors une trace plus propre des arbitrages et de leur evolution.

points cles

• 🧠 Memoire persistante locale pour agents de code via SQLite + FTS5, sans base vectorielle externe.
• 🔌 Compatibilite large MCP: Claude Code, Codex, Gemini CLI, OpenCode, VS Code, Cursor, Windsurf et autres.
• 🛠️ Plusieurs surfaces d’usage: CLI pour scripts, HTTP API pour integrations, MCP pour agents, TUI pour navigation rapide.
• ⚡ Demarrage simple: un binaire a installer, puis une commande de setup pour enregistrer automatiquement le serveur MCP.
• 🔒 Confidentialite controlee: stockage local par defaut dans le repertoire utilisateur, sans dependance cloud obligatoire.
• 🧩 Workflow evolutif: deduplication, soft-delete, revision_count et topic keys pour garder une base memoire propre.

Cote execution, Engram se deploie rapidement sur macOS, Linux et Windows. Sur macOS/Linux, l’installation Homebrew est directe. Sur Windows, un binaire natif est disponible et les fonctions coeur restent utilisables sans WSL. Le projet propose aussi une compilation depuis les sources Go et des archives preconstruites pour plusieurs architectures, ce qui facilite le deploiement sur des postes differents ou des environnements verrouilles.

Pour une mise en route concrete, le chemin le plus court est d’installer le binaire puis d’executer la commande de setup adaptee a l’agent principal. Par exemple, setup Codex ou setup Gemini CLI ajoute la configuration MCP et les instructions minimales utiles au mecanisme de compaction. Ensuite, l’agent peut demarrer un cycle memoire simple: rechercher le contexte recent, travailler, sauvegarder les decisions importantes, et cloturer la session avec un resume.

La couche TUI renforce cet usage en donnant une vision operable de la base memoire: exploration des observations, consultation detaillee et recherche textuelle rapide. Cette interface est utile pour auditer ce qui est enregistre, nettoyer les entrees inutiles et verifier que les informations critiques sont bien accessibles sans dependre uniquement des appels outils effectues par l’agent.

Sur le plan technique, Engram mise sur des contraintes legeres. Il n’impose ni runtime Node.js, ni pile Python, ni Docker pour la fonctionnalite principale. Cette simplicite reduit la friction d’installation et limite les points de panne. L’empreinte est aussi plus facile a maitriser dans les equipes qui veulent un composant autonome, versionnable et portable.

Pour la confidentialite, le mode local par defaut reste un argument fort: les observations sont enregistrees dans un fichier SQLite sur la machine, avec possibilite de definir un repertoire de donnees specifique via variable d’environnement. Cela permet d’aligner l’outil avec des politiques internes de retention ou de separation par projet, sans envoyer automatiquement les contenus vers un service externe.

Engram convient particulierement aux projets ou la memoire de travail est volatile mais critique: refactorings longs, debugging recurrent, architecture en evolution, ou maintenance de plusieurs bases de code. Dans ces contextes, recuperer vite le bon precedent fait gagner du temps et limite les regressions dues a des decisions oubliees.

Au final, Engram apporte une couche memoire pragmatique pour l’ecosysteme des agents IA de code: installation legere, integration MCP large, stockage local clair et outils de consultation concrets. C’est une base solide pour rendre les sessions d’agents plus coherentes dans la duree, meme quand les interfaces, IDE ou fournisseurs de modele changent.