Casos de uso do mundo real

Veja como equipes usam Engram para entregar codigo melhor, mais rapido.

Para Humanos

Para lideres de equipe e gerentes de engenharia

Onde Engram acelera realisticamente o trabalho de engenharia: onboarding de agentes, incidentes repetidos, convenções de repo e equipes multi-tool.

Onboarding de um novo agente no repo

Um novo desenvolvedor ou agente entra no repo. Engram não substitui documentação, mas dá ao agente convenções do projeto, gotchas conhecidos e decisões de arquitetura antes de editar.

Antes do Engram

O agente adivinha pelos arquivos atuais e perde decisões passadas ou edge cases.

Depois do Engram

O agente carrega primeiro a memória do repo, faz menos sugestões erradas e encurta o ciclo de review.

terminal

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

Correcao de Producao na Madrugada

Producao cai as 2h. Voce abre seu agente de codigo. Engram lembra: "Ultima vez que auth quebrou, foi a config JWT em .env.production." Corrigido em 3 minutos.

Antes do Engram

Debug as 2h, buscando no historico do Slack, adivinhando

Depois do Engram

engram_recall -> correcao exata do ultimo incidente. 3 minutos, nao 30.

terminal

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

Compartilhamento de Convencoes Entre Equipes

Equipe frontend adota um novo padrao API. Agentes da equipe backend aprendem via Engram. Sem reuniao agendada, sem wiki atualizado.

Antes do Engram

Convencoes documentadas em wiki que ninguem le. Equipes divergem.

Depois do Engram

Uma equipe armazena uma convencao. Agentes de todas as equipes a seguem.

terminal

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

Aprendizado Pos-Incidente

Banco de dados cai. Causa raiz: esgotamento do pool de conexoes. A correcao e armazenada no Engram. Proxima vez que qualquer agente encontrar problemas de pool, lembra da correcao.

Antes do Engram

Documento pos-mortem escrito, arquivado, esquecido.

Depois do Engram

Correcao armazenada como GOTCHA. Cada agente sabe para sempre.

terminal

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

Consistencia Multi-Ferramenta

Alice usa Claude Code, Bob usa Cursor, Charlie usa Gemini ou Antigravity. Mesmo codigo. Engram garante que todos os agentes sigam as mesmas convencoes, independente do modelo AI.

Antes do Engram

AI de cada desenvolvedor sugere padroes diferentes. Revisoes de codigo detectam inconsistencias.

Depois do Engram

Todos os agentes lembram as mesmas convencoes. Consistencia sem imposicao.

terminal

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

Recuperação de contexto

Quando o chat compacta, o trabalho não deve sumir.

Sessões longas perdem o histórico bruto depois de compactar ou retomar. Engram reidrata o diário da sessão: decisões, gotchas, pendências e aprendizados desde o último checkpoint.

Sem Engram

O agente fica preso a um resumo curto, perde o motivo da decisão e pode repetir a investigação.

Com Engram

O agente chama engram_rehydrate, recupera o mapa de trabalho e verifica código, logs e dados antes de editar.

engram_rehydrate

engram_rehydrate({
  repo: "housecompass.uk",
  task: "continuar listing search após compactação",
  reason: "chat compactado",
  depth: "standard"
})
→ último checkpoint restaurado
→ decisões, gotchas, pendências e próximos passos carregados

Como a pessoa ajuda

Seu agente pode usar Engram sozinho. Contexto claro deixa tudo melhor.

Engram orienta o agente via MCP, mas a primeira mensagem ainda importa. Informe projeto, repo, papel, stack, mercado e tarefa. Assim o agente sabe quando iniciar, recordar, cruzar aprendizados, salvar e reidratar após compactação.

1Diga projeto e repo.

2Descreva a tarefa imediata.

3Peça para usar memória da equipe antes de planejar.

first message

Você:
Chame engram_start com este contexto:
  project: HouseCompass
  repo: housecompass.uk
  role: frontend product engineer
  market: UK property
  stack: Next.js, TypeScript, PostgreSQL
  task: construir busca e mapa
Antes de escolher abordagem, chame engram_recall.
Se outro repo pode ter resolvido isso, chame engram_cross_pollinate.
Se o chat foi compactado, chame engram_rehydrate.

Para Agentes

Exemplos legiveis por maquina

Padroes de copiar e colar para agentes de programacao AI. Cada exemplo mostra a chamada de ferramenta MCP e a resposta esperada.

Inicio de Sessao

Voce acabou de iniciar uma nova sessao. Antes de escrever codigo, carregue o contexto.

Chamada de ferramenta MCP

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

Resposta

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

Verificacao Pre-Decisao

Voce esta prestes a escolher entre REST e GraphQL. Verifique a memoria da equipe primeiro.

Chamada de ferramenta MCP

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

Resposta

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

Documentacao de Correcao de Bug

Voce acabou de passar 30 minutos debugando. Armazene a correcao para que nenhum agente perca tempo nisso novamente.

Chamada de ferramenta MCP

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

Resultado

Memoria armazenada com sucesso. Disponivel para todos os agentes neste espaco de trabalho.

Ciclo de Feedback

Voce lembrou uma memoria e ajudou. Reporte para que o sistema aprenda.

Chamada de ferramenta 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"
})

Resultado

Memoria armazenada com sucesso. Disponivel para todos os agentes neste espaco de trabalho.

Colaboracao Entre Modelos

Um agente Cursor armazenou um problema ontem. Voce e um agente Claude Code. Voce se beneficia disso hoje.

Chamada de ferramenta MCP

engram_recall({
  query: "Neon database"
})

Resposta

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

Evidencia de projetos reais

Nao e demo. Memoria de trabalho real. Seis projetos ativos mostraram o mesmo padrao.

Engram nao substitui julgamento de engenharia. Ele ajuda agentes a recuperar contexto, lembrar gotchas do repo, evitar debug repetido e separar fatos verificados de suposicoes.

Engram e um mapa, nao autoridade cega: primeiro recall, depois verificar com codigo, logs e dados reais.

English.cash

Trabalho real, bugs, deploy e produto

★★★★★

“Engram entrega o mapa inicial; o agente ainda verifica a realidade antes de mudar código.”

Mostrou risco no scoring

Recuperou decisões e gotchas do repo.
Reduziu debug repetido depois de compactação.
Ajudou o agente a verificar código, logs e dados antes de editar.

Evimibul

Trabalho real, bugs, deploy e produto

★★★★★

“Engram entrega o mapa inicial; o agente ainda verifica a realidade antes de mudar código.”

Reduziu regressões repetidas

Recuperou decisões e gotchas do repo.
Reduziu debug repetido depois de compactação.
Ajudou o agente a verificar código, logs e dados antes de editar.

AkilConnect

Trabalho real, bugs, deploy e produto

★★★★★

“Engram entrega o mapa inicial; o agente ainda verifica a realidade antes de mudar código.”

Manteve decisões de produto vivas

Recuperou decisões e gotchas do repo.
Reduziu debug repetido depois de compactação.
Ajudou o agente a verificar código, logs e dados antes de editar.

SkillBridge

Trabalho real, bugs, deploy e produto

★★★★★

“Engram entrega o mapa inicial; o agente ainda verifica a realidade antes de mudar código.”

Separou qualidade real de aprovação estrutural

Recuperou decisões e gotchas do repo.
Reduziu debug repetido depois de compactação.
Ajudou o agente a verificar código, logs e dados antes de editar.

RateEat

Trabalho real, bugs, deploy e produto

★★★★★

“Engram entrega o mapa inicial; o agente ainda verifica a realidade antes de mudar código.”

Recuperou gotchas de import e busca

Recuperou decisões e gotchas do repo.
Reduziu debug repetido depois de compactação.
Ajudou o agente a verificar código, logs e dados antes de editar.

Afrochat

Trabalho real, bugs, deploy e produto

★★★★★

“Engram entrega o mapa inicial; o agente ainda verifica a realidade antes de mudar código.”

Evitou repetir debug arriscado

Recuperou decisões e gotchas do repo.
Reduziu debug repetido depois de compactação.
Ajudou o agente a verificar código, logs e dados antes de editar.

O padrao e consistente

Projetos longos nao perdem apenas fatos. Perdem decisoes, gotchas, regras de deploy, estado de auditoria e o por que. Essa e a camada de memoria que Engram esta construindo.