Casi d'uso nel mondo reale

Scopri come i team usano Engram per rilasciare codice migliore, più velocemente.

Per gli umani

Per responsabili di team e manager tecnici

Dove Engram può concretamente accelerare lo sviluppo: inserimento di nuovi agenti, incidenti ricorrenti, convenzioni dei repository e team che usano più strumenti.

Recupero dopo la compattazione del contesto

Una lunga sessione di lavoro su Engram o English.cash viene compattata. Anziché affidarsi a supposizioni basate su un breve riepilogo, l'agente chiama engram_rehydrate e recupera decisioni, questioni ancora aperte e insidie.

Prima di Engram

L'agente dipende da un breve riepilogo, perde le motivazioni delle scelte e ripete l'analisi.

Dopo Engram

L'agente ricostruisce il quadro operativo, poi verifica il codice e i log attuali prima di apportare modifiche.

terminale

$ engram_get_context({ repo: "main-api" }) -> 200 memories loaded

Scraper e insidie di produzione

Una pipeline di dati in produzione subisce una regressione dopo una lunga pausa. Engram recupera il vincolo noto, la struttura prevista dell'ambiente e le verifiche in produzione da considerare attendibili.

Prima di Engram

Si ripete lo stesso percorso di debug rischioso, con il pericolo di interferire con la pipeline in produzione.

Dopo Engram

L'agente individua subito il collo di bottiglia noto, poi verifica i log in produzione e i conteggi nel database.

terminale

$ engram_recall({ query: "auth service down" }) -> "JWT expiry in .env.production, set to 24h not 1h"

Mantenere vive le decisioni di prodotto

English.cash modifica il percorso di esercitazione in modalità ospite. Engram recupera la decisione secondo cui la modalità ospite deve usare l'API e i componenti effettivi del prodotto, anziché un percorso dimostrativo separato.

Prima di Engram

I percorsi per gli ospiti e per gli utenti a pagamento divergono, e i test di qualità perdono significato.

Dopo Engram

L'agente recupera prima la decisione di prodotto, poi esegue i controlli di qualità su argomento e contesto.

terminale

$ engram_store({ type: "CONVENTION", content: "API responses use { data, error, meta } envelope" })

Descrivere la qualità senza sopravvalutarla

In SkillBridge, un batch può superare i controlli strutturali senza che ogni domanda sia stata validata sul piano didattico rispetto al manuale. Engram mantiene chiara questa distinzione.

Prima di Engram

L'agente potrebbe presentare il superamento dei controlli strutturali come una vera approvazione della qualità.

Dopo Engram

L'agente dichiara cosa è verificato, cosa è rischioso e cosa necessita ancora di una revisione.

terminale

$ engram_store({ type: "GOTCHA", content: "Pool exhaustion: max 20 connections, use pgbouncer" })

Apprendimento tra strumenti e repository

Codex corregge un bug della chat su Safari mobile. Cursor o OpenCode possono recuperare quella conoscenza tramite cross-pollinate quando si presenta un problema simile con un pannello o con la tastiera.

Prima di Engram

Ogni strumento riscopre lo stesso problema di UX nella cronologia della propria sessione.

Dopo Engram

Una correzione entra nella memoria del team; l'agente successivo parte in vantaggio, indipendentemente dallo strumento.

terminale

$ engram_recall({ query: "code conventions" }) -> 12 CONVENTION memories loaded

Recupero del contesto

Quando la chat viene compattata, il lavoro non dovrebbe scomparire.

Le lunghe sessioni di programmazione perdono la cronologia chat grezza dopo la compattazione o la ripresa. Engram reidrata il diario della sessione: decisioni, problemi riscontrati, cicli aperti e le lezioni archiviate dall'ultimo checkpoint.

Senza Engram

L'agente legge un breve riassunto, perde il motivo per cui è stata fatta una scelta e potrebbe ripetere la stessa indagine.

Con Engram

L'agente chiama engram_rehydrate, recupera la mappa di lavoro, quindi verifica il codice corrente, i log e i dati prima di modificare.

engram_rehydrate

engram_rehydrate({
  repo: "housecompass.uk",
  task: "continue listing search after compaction",
  reason: "chat was compacted",
  depth: "standard"
})
→ ultimo checkpoint ripristinato
→ decisioni, problemi riscontrati, cicli aperti e azioni successive caricate

Come aiutano gli umani

Il tuo agente può usare Engram da solo. Un contesto chiaro lo rende molto migliore.

Engram guida gli agenti tramite MCP, ma il primo messaggio dell'utente è comunque importante. Fornisci progetto, repo, ruolo, stack, mercato e attività. Così l'agente sa quando avviare, richiamare, fare cross-pollination, archiviare e reidratare dopo la compattazione.

1Nomina il progetto e la repo.

2Descrivi l'attività immediata.

3Dì all'agente di riutilizzare la memoria del team prima di pianificare.

first message

Tu:
Chiama engram_start con questo contesto di progetto:
  project: HouseCompass
  repo: housecompass.uk
  role: frontend product engineer
  market: UK property
  stack: Next.js, TypeScript, PostgreSQL
  task: build listing search and map UX
Prima di scegliere un approccio, richiama la memoria pertinente.
Se un'altra repo potrebbe aver risolto questo pattern, fai prima cross-pollination.
Se questa chat è stata compattata, chiama engram_rehydrate prima di continuare.

Per gli agenti

Esempi leggibili dalle macchine

Esempi pronti da copiare per agenti AI per la programmazione. Ogni esempio mostra la chiamata allo strumento MCP e la risposta attesa.

Avvio della sessione

Hai appena avviato una nuova sessione. Prima di scrivere codice, carica il contesto.

Chiamata allo strumento MCP

engram_get_context({
  repo: "api-backend",
  task: "add payment endpoint"
})

Risposta

15 memories loaded (conventions: snake_case DB, gotchas: Stripe webhook idempotency...)

Verifica prima di decidere

Stai per scegliere tra REST e GraphQL. Controlla prima la memoria del team.

Chiamata allo strumento MCP

engram_recall({
  query: "REST vs GraphQL decision"
})

Risposta

ARCHITECTURE memory found: "REST for external APIs, GraphQL for internal dashboard. Decision made 2024-06."

Documentazione della correzione di bug

Hai appena dedicato 30 minuti al debug. Salva la correzione affinché nessun agente perda di nuovo tempo sullo stesso problema.

Chiamata allo strumento MCP

engram_store({
  type: "SOLUTION",
  content: "TypeError in Prisma 7: use PrismaPg adapter, not raw PrismaClient()",
  tags: ["prisma", "typescript"]
})

Risultato

Memoria salvata correttamente. Disponibile per tutti gli agenti in questo spazio di lavoro.

Ciclo di feedback

Hai recuperato una memoria che si è rivelata utile. Segnalalo affinché il sistema impari.

Chiamata allo strumento MCP

engram_report_outcome({
  memory_id: "mem_xyz",
  success: true,
  detail: "Migration worked perfectly"
})

engram_report_outcome({
  memory_id: "mem_abc",
  success: false,
  failure_reason: "outdated",
  detail: "This was for Prisma 5, we use 7 now"
})

Risultato

Memoria salvata correttamente. Disponibile per tutti gli agenti in questo spazio di lavoro.

Collaborazione tra modelli

Un agente Cursor ha salvato un'insidia ieri. Tu sei un agente Claude Code e oggi puoi trarne vantaggio.

Chiamata allo strumento MCP

engram_recall({
  query: "Neon database"
})

Risposta

GOTCHA (stored by cursor, confidence: 0.82): "Neon drops connections at 10s. Fix: connect_timeout=30"

Utilizzato in progetti reali

Gli agenti dimenticano. Engram recupera il contesto importante. Lo abbiamo visto in sei progetti reali.

In sei progetti a lungo termine, gli agenti hanno usato Engram per recuperare più rapidamente decisioni precedenti e criticità specifiche del repository. Invece di indagare di nuovo sugli stessi problemi, hanno ripreso il lavoro da dove si era interrotto.

Engram è una mappa, non un’autorità da seguire ciecamente: richiama prima le memorie, poi verifica confrontandole con il codice attuale, i log e i dati.

English.cash

Esercizi senza accesso, auth, email, UX

★★★★★

“Nei progetti a lungo termine, Engram riduce il costo di dover ricordare dove eravamo rimasti.”

Le decisioni sugli esercizi senza accesso e sul flusso del prodotto sono rimaste disponibili nelle nuove sessioni, evitando di doverle ricostruire.

Ha conservato le decisioni di prodotto sugli esercizi senza accesso basati su API e componenti reali.
Ha aiutato a trattare i bug nella normalizzazione degli argomenti come regole di sistema, anziché come sintomi isolati.
Ha mantenuto visibili le criticità relative a deploy, tracciamento delle email, localizzazione e sicurezza.

Evimibul

Dati di produzione, schema, controlli live

★★★★★

“Usa Engram come mappa di partenza, quindi verifica schermate live, conteggi DB e log.”

L'agente ha controllato i dati live dal posto giusto invece di riprovare un percorso già noto come rischioso.

Ha recuperato il vincolo noto sui dati di produzione prima che l’agente riprovasse un percorso rischioso.
Ha recuperato la struttura prevista dell’ambiente e il collo di bottiglia già noto nella qualità dei dati.
Ha mantenuto disponibili le criticità dello schema, come bathroomCount e imageUrls, dopo la compattazione.

AkilConnect

Punteggio, abbinamento, modello dei dati

★★★★★

“Spiega perché abbiamo scelto un determinato percorso senza dover prima cercare tra i commit.”

Engram ha fatto emergere la precedente decisione architetturale prima che una regressione nell'ordine di punteggio si diffondesse ulteriormente.

Ha richiamato l'architettura Best Match prima delle modifiche al punteggio.
Ha evidenziato quando uno scorer V3 veniva indebolito da un layer di casi d'uso più datato.
Ha segnalato le ipotesi sui campi del backend prima di modifiche rischiose a Stato e città.

SkillBridge

Audit di qualità, copertura, rischio di deploy

★★★★★

“Engram aiuta l’agente a ricordare cosa è stato verificato, cosa è rischioso e su cosa occorre evitare affermazioni eccessive.”

Engram ha preservato la distinzione tra il superamento dei controlli strutturali e la dimostrazione della reale qualità dei contenuti.

Ha separato il completamento strutturale dall'approvazione della reale qualità accademica.
Ha recuperato la copertura dei lotti, lo stato dell’audit e le parti che richiedevano ancora una verifica diretta sul libro di testo.
Ha ricordato lo scope di Vercel, la directory root e le insidie dell'account prima del deploy.

RateEat

Importazioni, ricerca, integrità dei dati

★★★★★

“Il valore sta nel ricordare le poche cose che prevengono errori ripetuti.”

Le informazioni sui colli di bottiglia già noti nelle importazioni e nella ricerca erano disponibili prima che l’agente ripetesse la stessa indagine.

Ha conservato le informazioni sull’importazione di Ankara, sui limiti della ricerca globale, sulla normalizzazione delle valute e sulle criticità delle query che tendono a bloccarsi.
Ha aiutato a recuperare il contesto dopo i reset di branch, deploy e importazione dati.
Ha aiutato a fermarsi e valutare i rischi prima delle modifiche a ricerca, dati, deploy e localizzazione.

Afrochat

Chat, porte, test di regressione, deploy

★★★★★

“Non sostituisce il pensiero. Impedisce che vecchie regressioni diventino nuovo lavoro.”

Le regressioni della chat e delle porte già risolte non hanno richiesto nuove indagini nelle sessioni successive.

Ha ricordato le convenzioni sulle porte locali, distinguendo i problemi effettivi dalle lacune nella configurazione del server.
Ha recuperato il fallback delle domande in sospeso della chat del catalogo dopo la perdita di contesto.
Ha rafforzato la sequenza di test statici, backend, Playwright e smoke test in produzione.

Il modello che emerge è coerente

I progetti a lungo termine non perdono principalmente fatti. Perdono decisioni, problemi riscontrati, regole di deploy, stato dell'audit e il motivo per cui qualcosa è stato fatto. Questo è il livello di memoria che Engram sta costruendo.