知识消化 — Engram + Code Cleanliness Study
信号 1: Engram — 证据驱动的 Claude Code 学习引擎
来源: GitHub (nagisanzenin/engram, 202⭐) 地址: https://github.com/nagisanzenin/engram
Engram 是一个 Claude Code 插件，解决了 LLM 会话的致命弱点：Chat has no memory of you, no test of whether you really got it, and no plan for the forgetting that starts the moment you close the terminal.
核心架构（四层分离）
- Curriculum Architect — 将主题分解为一阶原理概念图（必要性链，非章节顺序）
- Tutor — 生成优先的苏格拉底式教学：先预测→挣扎→提示→解释回讲。阈值概念生成可交互 HTML explorable
- Assessor — 独立 Agent，盲评（只看你的文字和 rubric，从未见过课程内容）
- Scheduler — 确定性 Python 代码
engram.py（FSRS-4.5），绝不让模型计算日期
关键设计原则
- Tutor 从不打分，Assessor 从不看课程——防止 tutor 的热情影响留存评估
- 100% 本地数据：
~/.claude/learning/，人类可读 JSON，引擎无网络代码 - “Just tell me” 选项：立即合规，但悄悄提早安排复习（诚实告知衰减成本）
- Claude Code + OpenAI Codex 双平台兼容（omni-repo）
对我们系统的启发
- 盲评分离模式 → 可直接应用于 gbrain 的知识验证管线
- FSRS-4.5 调度 → 可用于 gbrain 复习周期的时间规划
- 多 agent 格式（Claude Code skills + .toml agents）→ 架构上类似于我们的多 Agent 编排
- 知识图谱方法（必要性链）→ 与 brain 的关系型知识模型一致
信号 2: Code Cleanliness 影响 Coding Agent 效率
来源: HN (108pts, 54评论) → ArXiv 2605.20049 地址: https://arxiv.org/abs/2605.20049
核心发现
代码整洁度 不改变 pass rate，但显著改变运营足迹：
- 干净代码减少 7-8% token 使用
- 减少 34% 文件重访（file revisitations）
- 660 次 Claude Code 试验，33 任务，6 个最小配对仓库
方法学创新
- “最小配对”（minimal pairs）：仓库在架构、依赖、外部行为上匹配
- 仅在静态分析规则违反和认知复杂度上有差异
- 双向构建配对（降级干净的 / 清理混乱的）
- 通过应用程序公共接口的隐藏测试评估
关键引用
“Our findings suggest that traditional maintainability principles remain highly relevant in the era of AI-driven development, shaping the computational cost and navigational efficiency of coding agents. Code cleanliness joins model choice, harness, and prompting as a factor that materially affects agent behaviours.”
对我们系统的意义
- 直接影响 Hermes Agent 的操作效率：34% 更少文件重访 = 清洁代码让 agent 导航更快 = 更少浪费的上下文窗口
- 验证了代码质量工具和 linting 的投资价值
- 与 ongoing 的 code-review skill 工作互补
交叉分析
两个信号共同指向一个主题：Agent 的运行时特性受其环境质量的显著影响。Engram 证明学习环境的架构设计（分离关注点、确定性调度）直接影响学习效果的持久性；Code Cleanliness 研究证明代码环境的整洁度直接影响 Agent 的 token 效率。对我们的启示是：agent 操作的环境质量（知识图谱结构、代码整洁度、工具链清晰度）是性能乘数，而非装饰。