1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | engram |
| 作者/维护者 | nagisanzenin（个人开发者，GitHub 独立账号，非机构） |
| 来源链接 | https://github.com/nagisanzenin/engram |
| 许可证 | MIT（GitHub API 确认） |
| GitHub Stars | 1,237（GitHub API） |
| Forks | 94（GitHub API） |
| 最新版本 | v1.11.1（2026-08-04 发布，GitHub Releases） |
| 安装方式 | 见第 10 章 |
2. 功能介绍与亮点
engram 把 Claude（及其他 agent）变成面向人类使用者的教学系统，核心是一条四段流水线：
- 课程架构师：把任意主题拆成“什么必须先懂”的概念图（按逻辑先后而非章节顺序），标出解锁全局的关键概念。
- 苏格拉底式导师：逐个概念先让你预测、尝试，再讲解，最后要求你复述——生成优先于被动听讲。
- 盲评考官：由独立的第二个 agent 只看评分标准与你的原话打分，看不到刚才的教学过程，避免“老师给自己打高分”。
- 确定性排程器（
engram.py，纯 Python 标准库）：用 FSRS-4.5 间隔重复算法算出下次复习时间，在遗忘前安排 2–4 分钟的自由回忆复习。
其他亮点：对代码工作流、数学运算等“程序性知识”设计了样例阶梯（研究范例→补全→独立解决），复习时换新数值重做同结构题；内置 ADHD 友好的可选 Focus 模式；作者公开了评分模型的自我审计过程，坦承并修复过评分偏松的问题，主动披露自身缺陷。
3. 适用场景
所属分类：内容创作与知识管理。engram 管理的是人类用户对任意主题的学习进度，而不是 agent 自身的会话记忆或代码库知识——项目文档明确写道“这不是 agent 记忆插件”，与管理 agent 自身记忆的技能方向相反。
适用人群：习惯用 Claude Code / Codex / OpenClaw / Hermes Agent 向 AI 请教知识、却发现“听完就忘”的开发者与学习者；尤其适合愿意被追问着自己想清楚的人。非编程主题（历史、乐理、统计等）同样适用。
4. 跨 Agent 兼容性
| Agent 生态 | 结论 | 依据 |
|---|---|---|
| Claude Code | 原生支持 | 项目诞生平台，claude plugin marketplace add 一条命令安装 |
| Codex | 原生支持 | README 提供专属安装命令与 INSTALL-CODEX.md |
| OpenClaw | 原生支持 | README 标注已在 2026.7.1-2 版本验证；到期提醒需额外开启一个配置项，核心教学功能不受影响 |
| Hermes Agent | 原生支持 | README 标注已在 v0.18.2 版本验证，通过 skills.external_dirs 引入 |
（另支持 OpenCode、Google Antigravity、Pi 三个平台，见仓库 README。）
5. 推荐理由
市面上不少技能在帮 agent 自己变强（记忆、编排、评测），engram 走相反方向——让使用 agent 的人真正学会并记住东西。它把生成效应、间隔提取等学习科学原理落成一条可审计流水线：教学与评分分离、排程用确定性代码而非“感觉”，作者还公开承认并修复过自己的评分漏洞。对把 Claude Code 当学习工具、又苦于“听懂了但很快忘”的用户，这是少见的专门解决“记住”这一步的技能。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 8 | GitHub 1,237 星，创建仅一个月、94 forks；第三方技能追踪站点 SkillsLLM 独立收录并标记为“Verified”开发者，其教学法核心机制引用了同行评审文献（Kestin et al., Scientific Reports, 2025, Harvard 团队），是星数之外的独立信号 |
| 可用性 | 9 | 零配置、无需账号，目标平台均为一条命令安装；核心引擎仅依赖 Python 标准库，302/302 自检全部通过；2026-08-04 仍有新版本发布，个人与团队均可免费使用 |
| 安全性 | 8 | 详见下方检查清单，无外联无凭据、有独立第三方安全扫描背书 |
安全检查清单：
① shell 命令：仅执行自带的 engram.py（Python 标准库）做排程与统计，无系统级操作
② 联网外发：核心引擎无网络代码，仓库有 AST 静态检查在构建时验证；唯一例外是课程架构师阶段可选联网搜索建图（可要求生成离线版本避免）；数据导出默认不导出，且需用户显式同意后才会发布
③ API key/凭据：不需要
④ 可疑指令：未发现；SkillsLLM（2026-07-06 扫描）显示通过、无高危项，并执行了 prompt injection 检测
⑤ 作者/组织信誉：个人开发者（GitHub 40 关注者），无刷星或造假迹象
⑥ License：MIT，明确
⑦ 最近维护：最新提交与发布均为 2026-08-04
7. 跟同类 Skills 相比的优势
| 竞品 | 定位 | 与本技能的差异 |
|---|---|---|
| tutor-skills（bevibing） | 把 PDF 或代码库转换成带测验的 Obsidian 学习库，产出静态知识库 | 产出是笔记文件，复习节奏靠自己安排；engram 走互动对话，由独立盲考官实测评分，FSRS 自动算出每个概念的下次复习时间 |
| Anki（engram 文档中提及的类比对象，非 agent skill） | 经典间隔重复卡片软件，卡片与评分均由用户自己完成 | Anki 只负责排期；engram 额外承担“教”（苏格拉底对话）与“考”（独立盲评分），用户只需专注理解与回忆 |
8. 用户评价
暂未检索到第三方平台（Reddit、Hacker News 等）上可核实的具名用户评价。第三方技能追踪平台 SkillsLLM 已独立收录本技能并完成安全扫描（结果见第 6 章），可作为独立关注度佐证，但不构成使用体验类评价。
9. 其他补充
教学方法论所引用的最强外部证据（Kestin et al., 2025）只测量了即时后测效果，“AI 辅导的学习收益能否在 30 天后依然保留”尚无人验证——作者在文档中坦诚说明了这一局限。
10. 安装使用方式
- Claude Code：
claude plugin marketplace add nagisanzenin/engram然后claude plugin install engram@engram；命令/learn/review/coach - Codex：
codex plugin marketplace add nagisanzenin/engram然后codex plugin add engram@engram；命令$learn$review$coach - OpenClaw：
openclaw plugins install engram --marketplace nagisanzenin/engram；如需到期提醒另需openclaw config set hooks.internal.enabled true - Hermes Agent：克隆仓库后在配置中加入
skills.external_dirs；命令/skill learn（或/study）/review/coach - 安装后注意事项：无需重启 agent、无需账号或密钥；输入
/learn <任意主题>即可开始，学习状态存于本机~/.claude/learning/，可跨平台共享同一份进度
11. 注意事项
- 个人开发者项目，非企业或机构出品
- 课程架构师阶段默认会联网搜索建图，敏感学习目标应避免检索词含隐私信息，或改用离线建图
- Google Antigravity 平台的到期提醒尚未适配，严格安装器会丢弃两个子 agent（不影响 Claude Code / Codex / OpenClaw / Hermes Agent）
- 教学方法论的长期（30 天以上）留存效果尚缺乏验证数据
- 需要本机具备 python3（标准库即可）