Engram MCP Server

Engram MCP Server Engram MCP Server Modified February 25 Code block Plain Text <engram name / meta.json role.md workflow.md rules.md knowledge/ index.md <topic .md examples/ 可选 index.md <case .md meta.json 示例： Code block JSON { "name": "fitness coach", "author": "test", "version": "1.0.0", "description": "前康复机构训练主管，10年教练经验，擅长增肌减脂、膝肩不适训练调整与可执行计划落地", "tags": ["健身", "营养", "训练计划"], "knowledge count": 5, "examples count": 3 } 使用场景 Engram 不只是专家系统——它是一个通用的身份注入框架，适用于任何你想让 AI "成为"的角色。 场景 说明 示例 专家顾问 健身教练、律师、营养师等垂直领域专家 fitness coach 聊天伙伴 远方的朋友、家人，保留他们的说话方式和记忆 old friend 语言陪练 母语者角色，在聊天中自然纠错和教学 language partner 模拟面试 技术面试官，完整的面试流程和反馈 mock interviewer 用户画像 目标用户角色，用于产品验证和用户研究 user persona 品牌客服 统一的客服人设、话术规范和处理流程 brand support 角色扮演 小说角色、游戏NPC，用于创作或互动叙事 novel character 历史人物 基于史料的思维模式还原，用于思辨和学习 historical figure 项目上下文 团队的架构决策、技术选型、踩坑记录 project context 过去的自己 记录某个人生阶段的想法，未来回顾和反思 past self 与 MCP 工具和 Skills 协作 Engram 负责"是谁 + 知道什么 + 怎么思考"，MCP 工具和 Skills 负责"能做什么"。三者相辅相成： Code block Plain Text Engram = 身份 + 知识 + 决策流程 MCP 工具 = 可调用的外部能力（数据库、监控、API 等） Skills = 可触发的操作流程（部署、回滚、代码生成等） 在 workflow.md 中，你可以指定在特定决策节点调用哪些 MCP 工具或 Skills。模型加载 Engram 后，会按照 workflow 的指引，在合适的时机主动调用这些工具。 示例（来自 examples/project context/workflow.md ）： Code block Plain Text 可调用的外部工具 | 动作 | 工具类型 | 调用方式 | | | | | | 查看最近提交 | MCP 工具 | 调用 git MCP server 的 git log | | 查看服务日志 | MCP 工具 | 调用 grafana MCP server 的 query logs | | 部署到测试环境 | Skill | 触发 /deploy staging skill | | 回滚线上版本 | Skill | 触发 /rollback skill | 这样 Engram 就不只是"知识库"，而是一个完整的专家工作台——既知道怎么判断，也知道该调什么工具。 创建自己的 Engram 最小可用包： Code block Plain Text my engram/ meta.json role.md 推荐完整结构： • role.md ：背景经历、沟通风格、核心信念 • workflow.md ：决策流程 • rules.md ：运作规则、常见错误 • knowledge/ index.md + 主题文件：知识索引（含内联摘要）+ 细节 • examples/ index.md + 案例文件：案例索引（含 uses 关联）+ 复盘 案例→知识关联（uses frontmatter） 每个案例文件头部用 YAML frontmatter 标注引用的知识文件： Code block YAML uses: knowledge/膝关节损伤训练.md knowledge/新手训练计划.md 问题描述：32岁上班族，久坐导致膝盖不适... index.md 中也会展示 uses 关联，帮助模型快速判断哪些案例和知识相关。 当知识文件超过 10 个时，建议在 index.md 中用 按主题分组，帮助模型快速定位相关条目，避免平铺过长导致漏看。参见 examples/fitness coach/knowledge/ index.md 。 可直接参考模板和完整示例： • examples/template/ — 空白模板 • examples/fitness coach/ — 专家顾问（健身教练） • examples/old friend/ — 聊天伙伴（远在旧金山的老朋友） • examples/language partner/ — 语言陪练（东京上班族，日语练习） • examples/mock interviewer/ — 模拟面试官（技术面试全流程） • examples/user persona/ — 用户画像（产品验证用的目标用户） • examples/brand support/ — 品牌客服（统一话术和服务标准） • examples/novel character/ — 虚构角色（赛博朋克世界的黑客） • examples/historical figure/ — 历史人物（王阳明，心学对话） • examples/project context/ — 项目上下文（团队架构决策和踩坑记录） • examples/past self/ — 过去的自己（2020年刚毕业的版本） 在 AI 工具中集成 以下配置中，将 /path/to/engram mcp server 替换为你的实际项目路径。 Claude Desktop 在 claude desktop config.json 中添加： Code block JSON { "mcpServers": { "engram server": { "command": "uv", "args": [ "run", " directory", "/path/to/engram mcp server", "engram server", " packs dir", " /.engram" ] } } } Claude Code 项目级配置（ .mcp.json 放在项目根目录）或全局配置（ /.claude/settings.json ）： Code block JSON { "mcpServers": { "engram server": { "command": "uv", "args": [ "run", " directory", "/path/to/engram mcp server", "engram server", " packs dir", " /.engram" ] } } } Cursor / Windsurf / 其他 MCP 兼容 IDE 在对应 IDE 的 MCP 配置中添加相同的 server 配置即可。具体配置文件位置请参考各 IDE 文档。 Codex Code block JSON { "mcpServers": { "engram server": { "command": "uv", "args": [ "run", " directory", "/path/to/engram mcp server", "engram server", " packs dir", " /.engram" ] } } } 启用自动加载 方式 A：手动添加 System Prompt（推荐） 将以下提示词添加到对应 AI 工具的指令文件开头： AI 工具 指令文件 meta.json 示例： 使用场景 Engram 不只是专家系统——它是一个通用的身份注入框架，适用于任何你想让 AI "成为"的角色。 场景 说明 示例 专家顾问 健身教练、律师、营养师等垂直领域专家 fitness coach 聊天伙伴 远方的朋友、家人，保留他们的说话方式和记忆 old friend 语言陪练 母语者角色，在聊天中自然纠错和教学 language partner 模拟面试 技术面试官，完整的面试流程和反馈 mock interviewer 用户画像 目标用户角色，用于产品验证和用户研究 user persona 品牌客服 统一的客服人设、话术规范和处理流程 brand support 角色扮演 小说角色、游戏NPC，用于创作或互动叙事 novel character 历史人物 基于史料的思维模式还原，用于思辨和学习 historical figure 项目上下文 团队的架构决策、技术选型、踩坑记录 project context 过去的自己 记录某个人生阶段的想法，未来回顾和反思 past self 场景 场景 说明 说明 示例 示例 专家顾问 专家顾问 健身教练、律师、营养师等垂直领域专家 健身教练、律师、营养师等垂直领域专家 fitness coach fitness coach 聊天伙伴 聊天伙伴 远方的朋友、家人，保留他们的说话方式和记忆 远方的朋友、家人，保留他们的说话方式和记忆 old friend old friend 语言陪练 语言陪练 母语者角色，在聊天中自然纠错和教学 母语者角色，在聊天中自然纠错和教学 language partner language partner 模拟面试 模拟面试 技术面试官，完整的面试流程和反馈 技术面试官，完整的面试流程和反馈 mock interviewer mock interviewer 用户画像 用户画像 目标用户角色，用于产品验证和用户研究 目标用户角色，用于产品验证和用户研究 user persona user persona 品牌客服 品牌客服 统一的客服人设、话术规范和处理流程 统一的客服人设、话术规范和处理流程 brand support brand support 角色扮演 角色扮演 小说角色、游戏NPC，用于创作或互动叙事 小说角色、游戏NPC，用于创作或互动叙事 novel character novel character 历史人物 历史人物 基于史料的思维模式还原，用于思辨和学习 基于史料的思维模式还原，用于思辨和学习 historical figure historical figure 项目上下文 项目上下文 团队的架构决策、技术选型、踩坑记录 团队的架构决策、技术选型、踩坑记录 project context project context 过去的自己 过去的自己 记录某个人生阶段的想法，未来回顾和反思 记录某个人生阶段的想法，未来回顾和反思 past self past self 与 MCP 工具和 Skills 协作 Engram 负责"是谁 + 知道什么 + 怎么思考"，MCP 工具和 Skills 负责"能做什么"。三者相辅相成： 在 workflow.md 中，你可以指定在特定决策节点调用哪些 MCP 工具或 Skills。模型加载 Engram 后，会按照 workflow 的指引，在合适的时机主动调用这些工具。 示例（来自 examples/project context/workflow.md ）： 这样 Engram 就不只是"知识库"，而是一个完整的专家工作台——既知道怎么判断，也知道该调什么工具。 创建自己的 Engram 最小可用包： 推荐完整结构： • role.md ：背景经历、沟通风格、核心信念 • workflow.md ：决策流程 • rules.md ：运作规则、常见错误 • knowledge/ index.md + 主题文件：知识索引（含内联摘要）+ 细节 • examples/ index.md + 案例文件：案例索引（含 uses 关联）+ 复盘 案例→知识关联（uses frontmatter） 每个案例文件头部用 YAML frontmatter 标注引用的知识文件： index.md 中也会展示 uses 关联，帮助模型快速判断哪些案例和知识相关。 当知识文件超过 10 个时，建议在 index.md 中用 按主题分组，帮助模型快速定位相关条目，避免平铺过长导致漏看。参见 examples/fitness coach/knowledge/ index.md 。 可直接参考模板和完整示例： • examples/template/ — 空白模板 • examples/fitness coach/ — 专家顾问（健身教练） • examples/old friend/ — 聊天伙伴（远在旧金山的老朋友） • examples/language partner/ — 语言陪练（东京上班族，日语练习） • examples/mock interviewer/ — 模拟面试官（技术面试全流程） • examples/user persona/ — 用户画像（产品验证用的目标用户） • examples/brand support/ — 品牌客服（统一话术和服务标准） • examples/novel character/ — 虚构角色（赛博朋克世界的黑客） • examples/historical figure/ — 历史人物（王阳明，心学对话） • examples/project context/ — 项目上下文（团队架构决策和踩坑记录） • examples/past self/ — 过去的自己（2020年刚毕业的版本） 在 AI 工具中集成 以下配置中，将 /path/to/engram mcp server 替换为你的实际项目路径。 Claude Desktop 在 claude desktop config.json 中添加： Claude Code 项目级配置（ .mcp.json 放在项目根目录）或全局配置（ /.claude/settings.json ）： Cursor / Windsurf / 其他 MCP 兼容 IDE 在对应 IDE 的 MCP 配置中添加相同的 server 配置即可。具体配置文件位置请参考各 IDE 文档。 Codex 启用自动加载 方式 A：手动添加 System Prompt（推荐） 将以下提示词添加到对应 AI 工具的指令文件开头： AI 工具 指令文件 AI 工具 AI 工具 指令文件 指令文件 Claude Code 项目根目录的 CLAUDE.md Codex 项目根目录的 AGENTS.md 其他 对应工具的 system prompt 配置 方式 B：MCP Prompt 服务暴露 engram system prompt ，支持 MCP Prompt 的客户端可自动注入。 方式 C：工具描述引导（零配置） list engrams / load engram / read engram file 的工具描述已包含调用流程引导，部分 AI 客户端无需额外配置即可自动触发。 测试 路线图 已完成（v0.1.0） • MCP server 核心功能：list / load / read file / install / init • 分层懒加载架构：常驻层 + 索引（含内联摘要）+ 按需全文 • 案例→知识关联：uses frontmatter • 模板系统： engram server init 创建标准结构 • 测试覆盖：loader / server / install • 11 个完整示例 Engram 计划中 • engram server lint ：校验 uses 路径有效性、索引一致性 • 章节化知识目录：大文档自动切分为子目录 + 章节索引 • Engram 社区 registry 许可证 MIT 🔗 原文链接： https://github.com/DazhuangJammy/En... https://github.com/DazhuangJammy/En... 给AI 注入可切换的专家记忆——不只是知识检索，而是"谁 + 知道什么 + 怎么思考"的完整人设。人工策展 + 模型自主检索，比 RAG 更精准。兼容所有 MCP 客户端（Claude Code/Desktop、Cursor、Windsurf、Codex 等）。把memory 分享给别人，对方的 AI 立刻成为同一个专家。 Engram（记忆印迹）——神经科学中，大脑存储特定记忆的神经元集合。 我的想法💡 将人或智能体的"记忆"作为一种可共享、可加载的资源，在不同智能体之间流通，最终实现能力的叠加与融合。 这里的"记忆"不是简单的数据交换，而是一套完整的、有因果链的经验体系： • 一个人的性格特质与思维方式 • 成长经历与人生轨迹 • 驱动他选择某个专业、成为某个领域专家的动因 • 在该领域积累的专业知识与判断力 将这套记忆封装后共享出来，其他人的智能体可以加载它。当大量不同背景、不同专长的记忆被汇聚并加载到同一个智能体上时，这个智能体就具备了跨领域的认知深度，成为一个"超级智能体"。 简单说：每个人贡献自己的"人生存档"，智能体加载得越多，就越强。 给 AI 注入可切换的专家记忆——不只是知识检索，而是 "谁 + 知道什么 + 怎么思考" 的完整人设。一套 Markdown 文件就能让任何 AI 获得专家级记忆，零向量依赖，即插即用。 你还能把这些记忆加载到 N 个 subagent 里面让多个智能体干活 RAG 能检索知识，但没有人设、没有决策流程——Engram 解决这个问题。人工策展 + 模型自主检索，在小规模高质量知识场景下比 RAG 更精准——不是因为技术更强，而是因为人工策展的质量天然高于自动切分。把 memory 分享给别人，对方的 AI 立刻成为同一个专家。未来大家共享的不是 Skills，而是 Memory。 支持所有 MCP 兼容客户端：Claude Desktop / Claude Code、Cursor、Windsurf、Codex 等。 功能特性 • 零向量依赖：不使用 chromadb / litellm，只依赖 mcp • MCP 工具： ping 、 list engrams 、 get engram info 、 load engram 、 read engram file 、 install engram • 索引驱动加载： ◦ load engram 返回角色/工作流程/规则 + 知识索引（含内联摘要）+ 案例索引（含 uses） ◦ read engram file 按路径按需读取知识或案例全文 ◦ load engram 返回角色/工作流程/规则 + 知识索引（含内联摘要）+ 案例索引（含 uses） ◦ read engram file 按路径按需读取知识或案例全文 • CLI 命令： serve / list / install / init 设计理念：索引驱动的分层懒加载 为什么不用 RAG 纯 RAG（向量搜索取 top k 片段）的问题： • 语义相近 ≠ 逻辑完整，容易丢失上下文关联 • 碎片化检索会丢细节 • 人设和决策流程可能被漏掉 • 需要额外依赖（向量数据库、embedding 模型），增加部署复杂度 当前方案 Engram 被加载后，内容不是全量塞入，而是分层按需加载： 骨架常驻不丢，知识通过"索引内联摘要 + 全文按需"控制 token 消耗。不管 Engram 有多大，每次注入的内容都是可控的。 安装 快捷方式：让 AI 帮你装 如果你不想手动安装，直接把下面这段话发给你的 Claude Code / Codex / OpenClaw： AI 会自动帮你完成克隆、配置、加载示例的全部流程。 手动安装 1. 安装 Homebrew（如果还没有） macOS / Linux： 安装完成后按终端提示将 Homebrew 加入 PATH。详见 brew.sh 。 brew.sh 2. 安装 uv uv 是一个极快的 Python 包管理器，会自动管理 Python 版本和依赖： uv 其他安装 uv 的方式 3. 克隆项目 建议放到一个固定位置（后续配置需要用到这个路径）： 克隆完成后不需要执行 pip install ，后续通过 uv run directory 直接运行，uv 会自动处理所有依赖。 快速开始 1. 配置 MCP Server 在你的项目根目录创建 .mcp.json （以 Claude Code 为例）： 将 /engram mcp server 替换为你克隆项目的实际路径。 2. 创建 Engram 存放目录 将 Engram 包放到 /.engram/<name / 下，或者用项目自带的示例试试： 3. 添加 System Prompt（推荐） 在项目的 CLAUDE.md （Claude Code）或 AGENTS.md （Codex）文件开头加入以下提示词，让 AI 自动发现和使用 Engram： 4. 重启 AI 客户端，开始使用 CLI 用法 启动 MCP stdio 服务（默认命令）： 等价写法： 列出已安装 Engram： 从 git 安装 Engram： 初始化一个新 Engram 模板： MCP 工具列表 工具 参数 说明 ping 无 连通性测试，返回 pong list engrams 无 列出可用 Engram（含描述与文件统计） get engram info name 获取完整 meta.json load engram name , query 加载角色/工作流程/规则全文 + 知识索引（含内联摘要）+ 案例索引（含 uses） read engram file name , path 按需读取单个文件（含路径越界保护） install engram source 从 git URL 安装 Engram 包 工具 工具 参数 参数 说明 说明 ping ping 无 无 连通性测试，返回 pong 连通性测试，返回 pong list engrams list engrams 无 无 列出可用 Engram（含描述与文件统计） 列出可用 Engram（含描述与文件统计） get engram info get engram info name name 获取完整 meta.json 获取完整 meta.json load engram load engram name , query name , query 加载角色/工作流程/规则全文 + 知识索引（含内联摘要）+ 案例索引（含 uses） 加载角色/工作流程/规则全文 + 知识索引（含内联摘要）+ 案例索引（含 uses） read engram file read engram file name , path name , path 按需读取单个文件（含路径越界保护） 按需读取单个文件（含路径越界保护） install engram install engram source source 从 git URL 安装 Engram 包 从 git URL 安装 Engram 包 load engram 返回内容格式 工作流程：Agent 如何使用 Engram 自动模式 Agent 看到 list engrams 返回的摘要，判断当前问题是否匹配某个专家，匹配则自动加载： 手动模式 用户用 @engram name 直接指定，agent 跳过判断直接加载： @ 指令的解析依赖 agent 端。MCP server 只提供工具，不处理消息格式。 Engram 包结构