（1196期）Engram MCP Server – AI 专家记忆切换与持久化引擎

AI 专家记忆切换与持久化引擎 为 AI 注入可切换专家记忆系统，支持角色、知识、工作流与动态记忆的统一管理，实现跨会话持久化与多 MCP 客户端集成。 使用说明 核心用法 Engram MCP Server 是一款面向 AI 工作流的专家记忆管理系统，通过 MCP 协议为 Claude Code、Cursor、Codex 等客户端提供可加载的记忆资源。其核心架构围绕「角色-知识-工作流-规则」四层模型展开：用户可定义专家人设（role）、关联领域知识（knowledge）、配置标准化工作流（workflow），并设定行为规则（rules）。系统采用索引驱动分层加载策略——role/workflow/rules 常驻内存，knowledge/examples 按需读取，兼顾响应速度与资源效率。 动态记忆层支持会话中的事实沉淀、工具调用轨迹记录、记忆纠错与智能归档，实现真正的跨会话持久化。安装通过 uvx 一键完成，提供 serve 命令启动服务、ui 命令启动可视化界面。 显著优点 零向量依赖：不强制绑定 ChromaDB、LiteLLM 等重型组件，降低部署门槛 分层加载架构：索引驱动设计实现常驻资源与按需资源的最优平衡 动态记忆闭环：支持记忆写入、更新、纠错、归档的全生命周期管理 多客户端兼容：原生支持主流 MCP 客户端生态 可视化运维：内置 UI 便于记忆库的管理与调试 潜在局限 依赖 uv/uvx 工具链，对 Node.js/npm 生态用户存在切换成本 Git 直装模式暂未发布 PyPI 包，版本管理依赖 Git 追踪 动态记忆的长期一致性需用户主动维护归档策略 作为新兴项目，社区生态与集成示例尚处早期阶段 适合人群 需要 AI 在多专家角色间快速切换的开发者 追求跨会话上下文持久化的 Claude Code 重度用户 希望统一 memory/knowledge/examples 管理的技术团队 对向量数据库 overhead 敏感、偏好轻量方案的用户 常规风险 数据持久化：动态记忆存储于本地文件系统，需配合备份策略 记忆质量：依赖用户主动维护记忆准确性，错误记忆可能被重复引用 权限边界：MCP 工具权限需客户端侧配置，服务端不额外鉴权 供应链：uvx 从 Git 拉取安装，建议锁定 commit hash 防篡改 原始说明 Engram MCP Server — 给 AI 注入可切换的专家记忆（谁 + 知道什么 + 怎么思考）。支持 Claude Code / Cursor / Codex 等 MCP 客户端。