엔그램

엔그램은 지식을 매번 검색해 오지 않고 모델 가중치에 직접 새겨 넣어 모델이 처음부터 알고 있게 만드는 AI 메모리 방식이다. 컨텍스트 채우기나 RAG와 달리 검색 없이 적은 토큰으로 답하므로, 사내 문서처럼 자주 묻는 지식을 다루거나 여러 AI 도구에서 같은 기억을 이어 쓸 때 쓴다.

이름은 경험 뒤 뇌세포에 남는 기억 흔적을 뜻하는 뇌과학 용어에서 왔다. 신입사원이 몇 년 일하며 회사 사정을 몸에 익히는 것과 같다.

사내 지식은 학습시키고, 기억은 도구로 잇는다

엔그램이라는 이름을 쓰는 도구는 용도가 서로 다르다. 회사 문서를 모델에 익히게 하려면 첫 번째를, 여러 AI 도구에서 같은 기억을 이어 쓰려면 나머지 둘을 고르면 된다.

오픈소스 CLI는 github.com/Gentleman-Programming/engram에서 받을 수 있다.

RAG보다 토큰이 훨씬 적다

지식을 매번 불러오지 않으니 쓰는 토큰이 크게 준다. Engram은 RAG보다 최대 100배 적은 토큰으로 비슷한 응답 품질을 낸다고 밝혔다.

같은 질문에 드는 토큰의 상대 비교. 최대치 기준이며 Engram 측 발표다.

DeepSeek Engram은 이름만 같다

DeepSeek이 2026년 초 공개한 Engram 논문은 메모리 도구가 아니라 모델 구조 제안이다. 여러 판단 모듈이 증거를 교차 확인하며 추론하는 방식이라 'Evidence-Based Learning Engine'이라는 이름이 붙었다.

새로 배우다 옛것을 잊을 수 있다

가중치에 지식을 넣을 때 가장 큰 위험은 치명적 망각이다. 새 지식을 배우면서 원래 알던 것이 망가지는 현상이다. 어댑터나 학습률 조절로 줄일 수는 있지만, 회사 지식과 범용 능력 사이의 균형은 아직 연구 중인 문제다.

사내 문서 질문과 에이전트 기억에 주로 쓴다

주로 자주 묻는 사내 지식을 모델에 미리 익혀 두거나, 코딩 에이전트가 세션이 바뀌어도 앞선 결정을 기억하게 하는 데 쓴다. 자주 바뀌거나 출처를 함께 보여줘야 하는 정보는 RAG로 찾게 두고, 잘 바뀌지 않는 핵심 지식만 학습시키는 식으로 나눠 쓰면 된다.