Show HN：AI越来越聪明，而我却没有——所以我构建了Engram

Engram是一个面向人类的学习系统，它与常见的AI记忆插件截然不同。它的核心目标不是让AI变得更聪明，而是让你——作为使用者——能够真正掌握知识。安装Engram后，你的AI助手会变成一位导师、一位考官和一位调度员，三者协同工作，确保你学到的知识不会随时间遗忘。

Engram的工作流程围绕三个核心命令展开：/learn、/review和/coach。当你输入/learn时，系统会启动一个完整的教学循环。首先，课程架构师（Curriculum Architect）会将你指定的主题分解为基于第一性原理的概念图谱，识别出关键的阈值概念。然后，导师（Tutor）会以严格的教学法引导你：先提出问题让你预测，在你挣扎时给予提示而非直接给出答案，最后要求你用自己的语言解释。阈值概念还会生成交互式HTML探索页面，包含滑块和预测门控，而不仅仅是文本。你的回答会被记录在磁盘上，随后由评估者（Assessor）进行盲评——它只看到评分标准和你的回答，完全不知道教学内容。每项评估都会产生一份成绩收据，这些收据将用于调度员（Scheduler）的安排。调度员使用FSRS-4.5算法，根据你的个人遗忘曲线，在恰当的时机安排下一次复习。

/review命令用于复习到期概念，每次持续2-4分钟，采用自由回忆和跨主题交错练习的方式。/coach命令则提供每周统计、仪表盘、进度调优等功能。整个系统会在后台静默工作：当有复习任务到期时，会话钩子会给出提示；没有任务时则保持沉默。

Engram的设计基于四项经过实证检验的学习科学原理：第一，结构——知识是图谱形式的，因此主题按必要性链分解，而非按章节顺序；第二，生成——大脑会保留它自己创造的东西，因此学习者在被告知之前需要先预测、尝试和解释；第三，保持——测试本身即是学习，间隔重复优于集中突击；第四，诚实适应——系统根据你的实际保持率、校准情况和错误模式进行调整，信心水平仅在明确陈述时记录，成绩仅以书面收据形式存在。

Engram支持六个智能平台：Claude Code（原生平台）、OpenAI Codex、OpenCode、Hermes Agent、Google Antigravity和OpenClaw。安装后，所有平台共享同一个状态文件夹（~/.claude/learning/），你可以随时查看和操作。

例如，在第一个真实教学会话中，Engram讲授了Transformer内部机制。当学习者对非线性层感到困惑时，导师通过简化矩阵运算引导其理解“两个线性层合并为一个”的本质。会话结束后，评估者基于六项回答给出了评分：1个完全回忆、4个部分回忆、1个首次检索。而导师当时认为会话进行得非常顺利——正是这种分离确保了未来的复习安排建立在客观证据之上，而非导师或学习者的主观感觉。

除了核心功能，Engram还在不断进化。v0.5版本加入了交互式可视化探索功能，根据内容需要动态生成；v1.1版本引入了程序性知识的练习模式，通过例题梯度和解决新变体来锻炼技能；v1.5版本则确保每一次失败检索后都会重新推导、插入干扰项并再次测试，直到正确回忆一次。所有这些功能都遵循“学任何东西”的原则，只在合适的内容上激活。

Engram的开源许可和纯本地运行模式（仅需Python3标准库）使其成为一个可靠、可审计的学习伙伴。它不是一个云服务，没有账户，没有订阅，你的所有数据都保存在自己的机器上。它不提供虚拟积分或连续天数——因为这些对成年学习者反而会产生反作用。相反，它展示的是真实的能力增长曲线：例如某个记忆的持久性提升了4倍。面对困难，Engram会将其重新定义为编码过程，以宽容而非怜悯的态度对待遗忘，并通过大赦机制处理积压任务。