Engram

DeepSeek-V4.1-Flash 的 KV 缓存压缩至每 Token 890 字节，仅为 V4 Flash 的四分之一

DeepSeek 1017 的专家权重已是 FP4（每参数 4bit），常规 4bit 量化帮助不大；Engram 记忆表可放 SSD（每 Token 只读约 12KB），但专家权重必须驻留高速内存，因为路由器每层从 384 个专家中选 6 个且逐 Token 选择不同。

Engram 通过 SUPERSEDES 边表示新记忆取代旧记忆，旧记忆标记为 superseded 但不删除，召回时默认过滤 active 状态。

Engram 的溯源路径为 Tool -[:RAN]-> Session -[:CAPTURED]-> Memory -[:SUPERSEDES]-> Memory，通过遍历边实现溯源，无需同步 JSON 字段。

Engram 通过 RELATED_TO 实体边进行一跳遍历，能召回未直接提及查询词的记忆，因为实体共现会加强边。

Cursor 和 Gemini CLI 通过 MCP 读取 Engram 的同一张图，但需要手动添加 engram_recall 提示，因为它们没有钩子系统。

Engram 方案中，MCP 读取依赖提示词自觉，自动捕获仅在支持钩子的工具中可用，这是当前方案的局限。

Engram 的本地 Web UI 绘制真实图，节点按状态着色，SUPERSEDES 边高亮，展示真实数据而非概念图。

Engram 通过 Claude Code 的会话钩子自动捕获记忆，用户无需显式说“记住这个”，决策在会话结束时落入图中。

Engram 是开发者在 FalkorDB 的 Graph Hacks 黑客松上构建的基于图数据库的共享记忆系统，可为所有 AI 工具提供共享记忆。

Engram 是基于哈希的 n-gram 记忆，存放在主机内存中，挂接在 72 层中的 2 层上；mHC 用 4 条残差流取代传统单条残差流

Engram 将 AI 定位为拓展人的「新型乐器」而非取代人的「自动作曲机」

Engram 是一台集采样器与节奏工作站于一体的硬件设备，利用 AI 破坏输入音频并生成全新声音

Engram 明确表示自己不是「盒子里的 Suno」，也不是一键出歌的设备

Engram 采用 groovebox 形态呈现 AI 音频处理，强调演奏者在当下做决策而非在软件界面反复调整参数

Engram 采取采样器加节奏工作站的组合，旨在覆盖从声音采集、AI 处理到节奏编排的完整链路

Harvey和Engram用该模型搭建合成律所，250个法律任务平均67分，高于该研究中所有参评模型

Engram是模型内部权重结构的一部分，而非像RAG那样调用外部知识库

Engram通过查找预存的n-gram记忆而非实时计算来处理高频语言模式，将部分语言建模负担从计算转移到内存查表

Engram将整个checkpoint中四分之一的容量用作n-gram记忆，规模达到197B参数