Dauerhafter Speicher für KI-Agenten — temporaler Wissensgraph, hybride Suche, SQLite oder PostgreSQL.

crates.io Docker MCP Registry License

java-ai-memory.dev · Quellcode · JamJet-Dokumentation · Discord

Engram ist eine dauerhafte Speicherschicht für KI-Agenten. Es extrahiert Fakten aus Konversationen, speichert sie in einem temporalen Wissensgraphen und ruft sie mittels hybrider semantischer + Stichwort-Suche ab — unterstützt durch eine einzelne SQLite-Datei oder eine PostgreSQL-Datenbank.

Dieses Repository hostet den Glama-Registry-Eintrag. Der Quellcode befindet sich im Haupt-JamJet-Repository.

Schnellstart — 30 Sekunden

# Docker — uses local Ollama by default
docker run --rm -i \
  -v engram-data:/data \
  ghcr.io/jamjet-labs/engram-server:0.5.0

Oder über crates.io installieren:

cargo install jamjet-engram-server
engram serve

Claude Desktop-Konfiguration

Hinzufügen zu ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "engram": {
      "command": "docker",
      "args": [
        "run", "--rm", "-i",
        "-v", "engram-data:/data",
        "ghcr.io/jamjet-labs/engram-server:0.5.0"
      ]
    }
  }
}

Nach dem Neustart stehen dem Modell 11 MCP-Tools zur Verfügung.

MCP-Tools (11)

Speicher-Tools (7)

Tool	Beschreibung
`memory_add`	Extrahiert und speichert Fakten aus Konversationsnachrichten mittels LLM-gestützter Faktenextraktion. Nebeneffekte: Ruft das konfigurierte LLM auf, um Fakten zu parsen, und schreibt sie dann in den Wissensgraphen. Gibt die IDs der extrahierten Fakten zurück. Erfordert ein `messages`-Array und eine `user_id`.
`memory_recall`	Semantische Suche über gespeicherte Fakten mittels Vektorähnlichkeit. Nur lesend, keine Nebeneffekte. Gibt nach Relevanz sortierte Fakten zurück, die der Abfrage entsprechen, gefiltert nach `user_id` und optionaler `org_id`. Verwenden Sie dies, um relevanten Kontext vor der Generierung einer Antwort abzurufen.
`memory_context`	Stellt einen kontextbezogenen Block mit Token-Budget für LLM-Prompts zusammen, mit stufenbasierter Faktenauswahl. Nur lesend. Gibt einen formatierten String der relevantesten Fakten zurück, begrenzt auf das angegebene Token-Budget. Verwenden Sie dies anstelle von memory_recall, wenn Sie einen sofort einsatzbereiten Prompt-Schnipsel benötigen.
`memory_search`	Stichwortsuche über Fakten mittels Volltextsuche (SQLite FTS5 / Postgres). Nur lesend, keine Nebeneffekte. Gibt Fakten zurück, die exakten Stichworten entsprechen. Verwenden Sie dies, wenn Sie präzise Begriffübereinstimmungen anstelle der semantischen Ähnlichkeit von memory_recall benötigen.
`memory_forget`	Löscht einen Fakt per ID (Soft-Delete) mit optionalem Grund. Nebeneffekt: Markiert den Fakt im Wissensgraphen als gelöscht (entfernt ihn nicht physisch). Über dieses Tool nicht umkehrbar. Verwenden Sie dies, wenn ein Benutzer die Entfernung spezifischer Informationen anfordert.
`memory_stats`	Ruft aggregierte Statistiken ab: Gesamtzahl der Fakten, gültige (nicht gelöschte) Fakten, Entitätenanzahl und Beziehungsanzahl. Nur lesend, keine Nebeneffekte. Verwenden Sie dies, um Größe und Zustand des Speichers zu verstehen.
`memory_consolidate`	Führt einen Wartungszyklus über den Wissensgraphen aus — veraltete Fakten abbauen, Fakten mit hoher Konfidenz fördern, Duplikate entfernen und Cluster zusammenfassen. Nebeneffekte: Ändert Fakt-Scores und kann Fakten zusammenführen oder archivieren. Führen Sie dies regelmäßig aus, um den Speicher aktuell zu halten.

Nachrichten-Speicher-Tools (4)

Tool	Beschreibung
`messages_save`	Speichert Chat-Nachrichten für eine Konversation per ID. Nebeneffekte: Schreibt Nachrichten in den Speicher und löst optional die Faktenextraktion aus (gesteuert durch `--extract-on-save`). Verwenden Sie dies, um den vollständigen Konversationsverlauf zusammen mit extrahierten Fakten dauerhaft zu speichern.
`messages_get`	Ruft alle Nachrichten für eine Konversation per ID ab. Nur lesend, keine Nebeneffekte. Gibt das geordnete Nachrichten-Array zurück. Verwenden Sie dies, um eine vergangene Konversation erneut abzuspielen oder zu überprüfen.
`messages_list`	Listet alle Konversations-IDs im Nachrichtenspeicher auf. Nur lesend, keine Nebeneffekte. Gibt ein Array von Konversations-ID-Strings zurück. Verwenden Sie dies, um herauszufinden, welche Konversationen gespeichert sind, bevor Sie sie mit messages_get abrufen.
`messages_delete`	Löscht alle Nachrichten für eine Konversation per ID. Nebeneffekt: Entfernt die Nachrichten der Konversation dauerhaft aus dem Speicher. Nicht umkehrbar. Beeinflusst keine extrahierten Fakten — verwenden Sie dafür memory_forget.

Alle Speicher-Tools sind nach (org_id, user_id, session_id) gegliedert — org ist die gröbste, session die feinste Ebene.

LLM-Provider

Provider-agnostisch. Ein Binary, setzen Sie ENGRAM_LLM_PROVIDER=... und legen Sie los:

Provider	Env-Wert	Hinweise
Ollama	`ollama` (Standard)	Lokal, kostenlos, keine API-Keys
OpenAI-kompatibel	`openai-compatible`	OpenAI, Azure, Groq, Together, Mistral, DeepSeek, vLLM, LM Studio, ...
Anthropic	`anthropic`	Claude via Messages API
Google	`google`	Gemini via generateContent
Shell-Befehl	`command`	Pipe an ein beliebiges externes Skript
Mock	`mock`	Deterministisch, nur für Tests

# Example: use Groq instead of Ollama
docker run --rm -i \
  -e ENGRAM_LLM_PROVIDER=openai-compatible \
  -e ENGRAM_OPENAI_BASE_URL=https://api.groq.com/openai/v1 \
  -e OPENAI_API_KEY=gsk_... \
  -v engram-data:/data \
  ghcr.io/jamjet-labs/engram-server:0.5.0

Warum Engram?

Problem	Engrams Antwort
Jede Agenten-Speicherbibliothek ist Python-first	Rust-Kern mit nativen Python-, Java- und MCP-Clients
Benötigt Postgres + Qdrant + Neo4j zum Ausprobieren	Einzelne SQLite-Datei (keine Infrastruktur) oder Postgres, wenn Sie es brauchen
Konversationsverlauf ist kein Wissensspeicher	Faktenextraktions-Pipeline — strukturierte Fakten aus Nachrichten
Alte Fakten driften ab und widersprechen sich	Konflikterkennung + Konsolidierung — abbauen, fördern, deduplizieren, zusammenfassen
Speicherabruf ist entweder semantisch ODER Stichwort	Hybride Suche — Vektorsuche + FTS5 in einer Abfrage
MCP-Unterstützung ist ein nachträglicher Einfall	MCP-nativ — 11 Tools, die von einem einzigen Binary bereitgestellt werden
Speicher kann nicht pro Benutzer oder Mandant isoliert werden	Erstklassige Scopes — org / user / session in jede Abfrage integriert

Client-SDKs

Sprache	Paket	Installation
Python	`jamjet` (enthält `EngramClient`)	`pip install jamjet`
Java	`dev.jamjet:jamjet-sdk` (enthält `EngramClient`)	Maven Central
Spring Boot	`dev.jamjet:engram-spring-boot-starter`	Maven Central
Rust	`jamjet-engram` (direkt einbetten)	`cargo add jamjet-engram`

Lizenz

Apache 2.0 — siehe LICENSE.

jamjet-labs/engram-mcp-server

Schnellstart — 30 Sekunden

Claude Desktop-Konfiguration

MCP-Tools (11)

Speicher-Tools (7)

Nachrichten-Speicher-Tools (4)

LLM-Provider

Warum Engram?

Client-SDKs

Verwandtes

Lizenz

Resources

Latest Blog Posts

MCP directory API