TL;DR

Engram은 Claude Code 플러그인으로 동작하는 로컬 증거 기반 학습 엔진으로, 사용자가 예측하고 자유 회상으로 답안을 남기면 별도의 블라인드 채점기가 그 답안을 채점한 영수증을 로컬에 저장하고 engam.py가 FSRS-4.5 규칙으로 다음 복습 시점을 결정한다. 시스템은 튜터·채점기·스케줄러의 권한을 분리하고 골드셋 감사와 자체 selftest(214/214)로 채점기 관대성 위험을 줄였으며 네트워크 코드가 전혀 없다는 점을 통해 데이터 주권과 연구 재현성을 확보한다. 외부 연구로는 이 대화형 문법을 쓴 AI 튜터가 즉시 성과에서는 약 2배의 학습 향상을 보였다는 사례가 인용되었으나 장기(30일) 보존 효과는 아직 미측정 상태여서 Engram은 그 질문에 답하기 위해 사용자의 영수증을 축적하도록 설계되었다.

핵심 포인트

• 튜터·채점기·스케줄러의 권한 분리를 설계적 불변으로 유지하여 과대평가 리스크를 구조적으로 차단한다.
• 네트워크 호출이나 클라우드 계정 없이 모든 상태와 영수증을 로컬 JSON 파일로 보관하도록 설계되어 개인정보와 연구 데이터의 주권을 보장한다.
• 자동 생성되는 블라인드 골드셋과 감사 파이프라인을 통해 채점기의 관대성 여부를 외부 증거로 검증할 수 있도록 한다.
• 임계 개념에 한해 가이드된 조작형 explorable을 생성하여 시각화가 실제 인출 향상에 기여하는지 사용자의 영수증으로 측정한다.

벤치마크