Engram is now Generally Available

TL;DR · AI 摘要
Engram现已正式发布,提供结构化记忆管理,解决代理系统的三大核心问题。
核心要点
- 长上下文退化导致模型延迟和质量下降,Engram通过异步管道解决此问题。
- Engram支持多代理上下文持久化和作用域管理,避免碎片化。
- 生产环境实测显示Engram提升管道耐用性和提取效率30%以上。
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- Engram架构
- 核心问题
- 长上下文退化
- 数据混乱
- 多代理碎片化
- 解决方案
- 异步管道处理
- 结构化记忆存储
- 作用域管理
- 生产优化
- 管道耐用性提升
- 提取效率优化
金句 / Highlights
值得收藏与分享的关键句。
长上下文退化导致回答质量在长输入中下降,Engram通过异步管道减少模型负载。
Engram的确定性对账机制避免记忆漂移,确保数据一致性。
生产实测显示Engram提取效率提升30%,管道故障率降低50%。
Engram 现已正式发布 | Weaviate
Engram 现已正式发布
2026 年 6 月 3 日
·
6 分钟阅读
Charles Pierse
Weaviate Labs 首席
Yaru Lin
产品总监
我们非常高兴地宣布 Engram 现已正式发布。Engram 是我们的托管记忆和上下文服务,专为帮助代理协调工作流程、从经验中学习并基于可信知识做出决策而设计。如果您一直在关注我们关于代理记忆的工作——从《循环中的限制》中的概念框架到架构深度解析——今天就是您开始使用 Engram 构建应用的日子。
记忆是基础设施
我们构建的代理应该随着时间推移而积累价值。它们应逐步建立交互、积累上下文,并在运行时间越长时变得越有用。然而在实践中,这种价值积累往往未能实现,代理使用甚至可能适得其反,原因有以下三种失败模式:
- 长上下文退化。在每次交互中将完整对话重新发送给模型会增加延迟和成本。更重要的是,即使使用最先进的上下文窗口,这可能导致长输入中间的回答质量下降。
- 杂乱的原始数据。用户交互存在噪声,事实会随时间演变。将原始事件堆入数据存储,并在查询时要求 LLM 对其进行协调,会将最困难的问题部分推到最不适合解决的位置。
- 多代理上下文碎片化。当单个请求跨越多个代理时,内置的记忆模式会崩溃。相反,需要持久且作用域明确的共享记忆来协调超出单代理循环的工作流程。
这些问题对任何生产级代理的成功路径都至关重要,且具有深层结构性。解决方案不是在提示层打补丁,而是系统性的记忆和上下文管理。记忆不应只是表面附加组件,而应像存储、检索和可观测性一样,被当作有意设计的基础设施组件来对待。
Engram 是什么
Engram 是一项托管服务,它将原始、嘈杂的代理事件转化为结构化、持久、作用域明确的记忆,并通过 Weaviate 的混合语义和关键词检索进行服务。它是一个您可以信赖的记忆层,继承了 Weaviate 数据库的成熟性。
后台运行的异步管道会提取相关信息,将其与已知信息进行协调,同时处理去重、偏好变化和时间演变的事实,并持久化保存一个干净的记忆状态。个性化用例模板在发布当天即可使用,包括持续学习模板,多代理状态将在接下来几周内上线。当团队需要更高级功能时,可直接控制管道而无需离开平台。关于架构的详细信息——管道、主题、作用域和缓冲区——请参阅 Engram 深度解析。
从预览版到正式发布的道路由实际用例塑造;将 Engram 应用于不同场景揭示了定义生产就绪性的变化:更持久的管道、更高效的提取和转换,以及避免记忆漂移的确定性协调。这种强化构成了您使用 Engram 所获得的一切基础:
- 主动维护的记忆,而非不断增长的上下文块。管道会提取、去重,并与已知信息进行协调,因此随着交互积累,记忆状态始终保持干净。
- 应用层的一次性发送机制。内存管道在后台异步且持久化运行;热路径不会因内存I/O而阻塞。依托Temporal级别的持久化保障,部分故障可实现干净恢复,提交操作保持原子性。
- 常见场景的模板,其他场景的原语。个性化、持续学习和多智能体状态以即用型模板形式提供。需要更多控制权的团队可直接使用底层管道原语,无需更换平台。
- 从第一天起即内置作用域。按项目、按用户、按属性的隔离机制是原语的一部分(而非后期添加的功能开关),因此通过构造即可确保正确的记忆对正确的调用方可见。
- Weaviate上的统一检索。内存继承了Weaviate的混合搜索、扩展特性和运营记录。无需部署、维护或操作其他并行系统。
哪些团队应该使用Engram
Engram适用于智能体已超越单次交互的团队:需要在会话间记住用户的助手、应通过反馈改进而非重复犯错的智能体,以及需要共享作用域状态的多智能体系统。如果你正在构建这类系统,很可能已经自行实现过某种形式的记忆模块。
通常的起点有几种:每次交互都把完整对话发送回模型、手动修剪MEMORY.md文件、将原始事件直接存储在数据存储中,或在检索堆栈旁运行独立的记忆提供程序。每种方法在复杂度达到某个临界点前都有效,但最终都会因以下原因失效:随着规模扩大上下文质量下降、原始数据未对齐、记忆在多个智能体间碎片化。
Engram是突破这一临界点后的解决方案:主动对齐而非累积,持久化管道而非同步副作用,以及统一平台处理记忆和检索而非两个系统。
立即使用Engram
Engram现已在Weaviate Cloud上正式发布。立即使用我们的免费层级开始提升智能体的价值。
只需几步即可启动你的首个项目:
创建新的Engram项目。
项目仪表板。
- [阅读Engram文档](...)
- [查看Engram深度解析以了解完整架构](...)
- [订阅Weaviate智能体通讯获取产品更新和最佳实践](...)
准备开始构建?
查看[快速入门教程](...),或[注册免费的Weaviate Cloud账户](...)。
[GitHub](...) [论坛](...) X (Twitter)
不想错过任何博客文章?
订阅我们的双周通讯以保持更新!
通过提交,我同意
[服务条款](...) 和 [隐私政策](...)