Самообучение

Engram использует три цикла обучения с разными временными масштабами для постоянного улучшения качества поиска и генерации знаний.

Три цикла обучения

Fast: Q-Learning (каждый вызов)

Q-Learning роутер обновляется при каждом вызове memory_judge. Обратная связь от агента напрямую влияет на выбор стратегии поиска, LLM-модели, контекстуализации и проактивности.

Подробнее: Q-Learning роутер.

Medium: Trainer (периодически)

Python-процесс анализирует накопленные записи и генерирует insights — производные знания, недоступные при анализе отдельных записей.

Deep: LoRA fine-tuning (по запросу)

Тонкая настройка модели на данных из памяти. Экспортирует ONNX-модель для локальной генерации без API-вызовов.

engram-trainer --db ~/.engram/memories.db --deep

Trainer

Установка

pip install engram-trainer

Запуск

engram-trainer --db ~/.engram/memories.db
engram-trainer --db ~/.engram/memories.db --models-path ~/.engram/models

Или через MCP:

{ "action": "generate" }

Или через CLI:

engram train generate

Анализ

Trainer выполняет несколько видов анализа:

Кластеризация — группирует записи по семантической близости. Использует AgglomerativeClustering с cosine distance matrix (metric="precomputed").

Временные паттерны — находит повторяющиеся решения в определенные временные периоды.

Каузальные цепочки — прослеживает цепочки причина-следствие через parent_id. Сначала строит явные цепочки (parent_id), затем находит неявные по времени и семантической близости.

Quality gate — валидирует сгенерированные insights через ROUGE-L (LCS F-measure, порог 0.1).

Генерируемые insights

Каждый insight сохраняется как запись с memory_type = "insight" и содержит:

• context — описание обнаруженного паттерна
• action — рекомендуемое действие
• result — ожидаемый эффект
• insight_type — тип анализа (cluster, temporal, causal)
• source_ids — ID исходных записей

ONNX-модели

При запуске с флагом --deep trainer выполняет LoRA fine-tuning и экспортирует:

~/.engram/models/
  text_generator.onnx     # ONNX-модель для генерации текста
  tokenizer.json          # токенизатор

Модели используются провайдером local в секции [llm] конфигурации для генерации без API-вызовов.

Протокол trainer

Trainer общается с Rust-ядром через stdout JSON Lines. Каждая строка — JSON-объект с полем type:

Подробнее: Протокол.

Конфигурация

Параметры trainer в engram.toml:

[trainer]
trainer_binary = "engram-trainer"
trainer_timeout_secs = 300
models_path = "~/.engram/models"

Таймаут по умолчанию — 5 минут. При превышении процесс завершается с ошибкой 6014 (TrainerTimeout).