Engram：为AI智能体找回"沉没"的对话历史

Engram是一个OpenCode插件，通过"上下文图谱"和"上游历史检索"两大模块，提出"拉取式"历史访问范式，让智能体按需获取完整对话历史，解决传统"推送式"上下文压缩中的信息损失问题，为多智能体协作开辟新范式。

在AI应用中，对话历史（含推理链条、被拒绝路径、用户约束）是贴近任务的宝贵经验，却常被沉入存储无法复用。当前主流推送式上下文迁移存在三重困境：认知不对称（模型不知缺失什么）、前置决策风险（压缩时未知后续任务）、累积失真（多次摘要导致早期信息消失）。

Engram通过两个模块解决问题：1.上下文图谱：从原始对话提取无损索引（非有损摘要），让智能体按需拉取原始历史；2.上游历史检索：使子智能体可自主检索上游智能体的完整对话历史，打破信息筛选限制。

拉取式范式与推送式相反，智能体在需求出现时自行获取所需上下文。优势在于：过滤时刻推迟到需求出现时，过滤主体为智能体自身（最理解需求）。Engram首次将此范式应用于上下文迁移场景。

Engram是OpenCode平台的插件（非官方个人项目），利用其对话历史访问和插件集成的开放性。架构设计考虑部署需求：导航数据块结构化存储支持高效检索，历史访问接口按需调用，遵循OpenCode规范确保兼容性。

Engram的价值体现在：1.长对话维护：避免传统压缩导致的"失忆"，回溯关键决策点；2.多智能体协作：下游智能体自主探索上游推理，减少误解遗漏；3.调试与审计：追溯智能体思考路径，定位问题根源。

Engram不仅是实用插件，更重新定义上下文管理范式：将对话历史从"沉没成本"转为"可检索资源"，为构建更可靠、透明、协作的智能体系统奠定基础，为后续研究指明方向。