Show HN：AI越來越聰明，而我卻沒有——所以我構建了Engram

Engram是一個面向人類的學習系統，它與常見的AI記憶插件截然不同。它的核心目標不是讓AI變得更聰明，而是讓你——作為使用者——能夠真正掌握知識。安裝Engram後，你的AI助手會變成一位導師、一位考官和一位調度員，三者協同工作，確保你學到的知識不會隨時間遺忘。

Engram的工作流程圍繞三個核心命令展開：/learn、/review和/coach。當你輸入/learn時，系統會啓動一個完整的教學循環。首先，課程架構師（Curriculum Architect）會將你指定的主題分解為基於第一性原理的概念圖譜，識別出關鍵的閾值概念。然後，導師（Tutor）會以嚴格的教學法引導你：先提出問題讓你預測，在你掙扎時給予提示而非直接給出答案，最後要求你用自己的語言解釋。閾值概念還會生成交互式HTML探索頁面，包含滑塊和預測門控，而不僅僅是文本。你的回答會被記錄在磁盤上，隨後由評估者（Assessor）進行盲評——它只看到評分標準和你的回答，完全不知道教學內容。每項評估都會產生一份成績收據，這些收據將用於調度員（Scheduler）的安排。調度員使用FSRS-4.5算法，根據你的個人遺忘曲線，在恰當的時機安排下一次複習。

/review命令用於複習到期概念，每次持續2-4分鐘，採用自由回憶和跨主題交錯練習的方式。/coach命令則提供每週統計、儀表盤、進度調優等功能。整個系統會在後台靜默工作：當有複習任務到期時，會話鈎子會給出提示；沒有任務時則保持沉默。

Engram的設計基於四項經過實證檢驗的學習科學原理：第一，結構——知識是圖譜形式的，因此主題按必要性鏈分解，而非按章節順序；第二，生成——大腦會保留它自己創造的東西，因此學習者在被告知之前需要先預測、嘗試和解釋；第三，保持——測試本身即是學習，間隔重複優於集中突擊；第四，誠實適應——系統根據你的實際保持率、校準情況和錯誤模式進行調整，信心水平僅在明確陳述時記錄，成績僅以書面收據形式存在。

Engram支持六個智能平台：Claude Code（原生平台）、OpenAI Codex、OpenCode、Hermes Agent、Google Antigravity和OpenClaw。安裝後，所有平台共享同一個狀態文件夾（~/.claude/learning/），你可以隨時查看和操作。

例如，在第一個真實教學會話中，Engram講授了Transformer內部機制。當學習者對非線性層感到困惑時，導師通過簡化矩陣運算引導其理解“兩個線性層合併為一個”的本質。會話結束後，評估者基於六項回答給出了評分：1個完全回憶、4個部分回憶、1個首次檢索。而導師當時認為會話進行得非常順利——正是這種分離確保了未來的複習安排建立在客觀證據之上，而非導師或學習者的主觀感覺。

除了核心功能，Engram還在不斷進化。v0.5版本加入了交互式可視化探索功能，根據內容需要動態生成；v1.1版本引入了程序性知識的練習模式，通過例題梯度和解決新變體來鍛鍊技能；v1.5版本則確保每一次失敗檢索後都會重新推導、插入干擾項並再次測試，直到正確回憶一次。所有這些功能都遵循“學任何東西”的原則，只在合適的內容上激活。

Engram的開源許可和純本地運行模式（僅需Python3標準庫）使其成為一個可靠、可審計的學習夥伴。它不是一個雲服務，沒有賬户，沒有訂閲，你的所有數據都保存在自己的機器上。它不提供虛擬積分或連續天數——因為這些對成年學習者反而會產生反作用。相反，它展示的是真實的能力增長曲線：例如某個記憶的持久性提升了4倍。面對困難，Engram會將其重新定義為編碼過程，以寬容而非憐憫的態度對待遺忘，並通過大赦機制處理積壓任務。