AI 에이전트(AI agents)는 모든 것을 잊어버립니다. 세션이 재시작될 때마다, 재배포될 때마다, 혹은 제공업체를 바꿀 때마다 모든 것이 사라집니다. 우리가 마주한 해결책들은 모두 중앙집중화(centralized)되어 있습니다: Pinecone, Weaviate, Chroma Cloud, AWS OpenSearch. API 지원 중단 한 번, 가격 정책 변경 한 번, 혹은 계정 정지 한 번이면 당신의 전체 메모리 레이어(memory layer)를 잃게 됩니다. 저는 AI를 구축하기 위한 기반이 이토록 취약해서는 안 된다고 생각했기에 Engram을 만들었습니다.

Engram이란 무엇일까요? Engram은 Bittensor 서브넷(subnet) 450에서 실행되는 탈중앙화 벡터 데이터베이스(decentralized vector database)입니다. 이를 통해 텍스트, 이미지, PDF를 영구적이고 콘텐츠 주소 지정(content-addressed) 방식의 벡터 임베딩(vector embeddings)으로 저장할 수 있습니다. 이 데이터는 인센티브를 받는 채굴자(miners)에 의해 검색되고, 암호화된 저장 증명(cryptographic storage proofs)을 통해 검증되며, Arweave에 아카이브됩니다. AWS도 없고, 중앙 권위도 없으며, 단일 장애점(single point of failure)도 없습니다.

핵심 통찰은 IPFS에서 가져왔습니다: 데이터가 어디에 있는지(where it lives)가 아니라, 데이터가 무엇인지(what it is)로 주소를 지정하는 것입니다. Engram의 모든 임베딩은 SHA-256 콘텐츠 식별자(CID)를 부여받습니다. 어떤 채굴자가 저장하든 상관없이, 동일한 입력은 항상 영원히 동일한 CID로 매핑됩니다. v1::a3f9d2e8c7b14f09d6e3... 동일한 텍스트 입력 → 동일한 CID 출력. 언제나 그렇습니다. 이것이 바로 콘텐츠 주소 지정(content addressing)입니다.

중앙집중화된 벡터 저장소의 문제점
만약 당신이 RAG 파이프라인(RAG pipelines)이나 지속성 메모리를 가진 AI 에이전트를 구축하고 있다면, 아마 다음 중 하나를 사용하고 있을 것입니다:

• Pinecone — 독점적(proprietary)이며 규모가 커질수록 비용이 많이 들고, 벤더 종속(locked in)됩니다.
• Weaviate Cloud — 기술력은 탄탄하지만, 여전히 중앙집중화되어 있습니다.
• Chroma / Qdrant — 셀프 호스팅(self-hosted)하기에는 훌륭하지만, 셀프 호스팅이 영구적이지는 않습니다.

더 깊은 문제는 가격이 아닙니다. 바로 신뢰(trust)입니다. 당신은 기업이 다음을 수행할 것이라고 믿어야 합니다:

• 당신의 데이터를 계속 사용할 수 있게 유지할 것
• 약관을 변경하지 않을 것
• 파산하지 않을 것
• 인수되어 서비스가 종료(sunsetted)되지 않을 것

개인 프로젝트라면 괜찮습니다. 하지만 AI 에이전트가 장기적으로 의존해야 하는 인프라라면? 그것은 실질적인 위험입니다.

Engram의 작동 방식
store("The transformer architecture changed everything.") │ ▼ ┌───────────────────────────────┐ │ CID: v1::a3f2b1c4d5e6f7...

│ │ Embedding: [0.02, -0.14, ...]│ │ Stored on: miners 3, 7, 11 │ └───────────────────────────────┘ │ query("how does attention work?") │ ▼ ┌───────────────────────────────┐ │ score: 0.9821 cid: v1::a3f │ │ score: 0.8744 cid: v1::b2e │ │ score: 0.8291 cid: v1::c1d │ └───────────────────────────────┘

수집 (Ingest): 사용자가 텍스트(또는 미리 계산된 벡터)를 전송합니다. Engram은 이를 SHA-256을 사용하여 영구적인 CID로 해싱(hashing)합니다. 동일한 입력은 매번 동일한 CID를 생성합니다.

라우팅 및 복제 (Route & Replicate): Kademlia XOR 라우팅(routing)이 임베딩(embedding)을 적절한 마이너(miners)들에게 결정론적으로 분산합니다. 동일한 CID는 항상 동일한 마이너 세트로 라우팅됩니다.

쿼리 (Query): HNSW 인덱싱 (FAISS 및 Qdrant를 통해)은 대규모 환경에서 50ms 미만의 근사 최근접 이웃 (Approximate Nearest-Neighbor, ANN) 검색을 지원합니다.

저장 증명 (Prove Storage): 검증자(Validators)는 HMAC-SHA256 챌린지-응답 증명(challenge-response proofs)을 발행합니다. 마이너는 실제로 데이터를 보유하고 있음을 증명해야 하며, 그렇지 못할 경우 슬래싱(slashed, 벌칙)을 받습니다. 속임수는 허용되지 않습니다.

인센티브 계층 (The Incentive Layer)
이 부분은 Bittensor가 핵심적인 역할을 수행하는 곳입니다. 마이너는 120초마다 계산되는 복합 점수(composite score)를 기반으로 TAO 방출량(emissions)을 획득합니다:

composite_score = 0.50 × recall@10 + 0.30 × latency_score # 100ms 이하일 때 1.0, 500ms 이상일 때 0.0 + 0.20 × proof_success_rate

저장 챌린지의 50% 이상을 통과하지 못하는 마이너는 가중치(weight)가 0이 되어 방출량을 받지 못합니다. 이는 중앙 운영자의 강제 없이도 네트워크의 정직성을 유지하게 합니다.

Pinecone을 대체할 수 있는 즉시 도입 가능한 솔루션 (Drop-in Replacement for Pinecone)
Python SDK는 기존의 중앙 집중식 벡터 저장소를 사용하던 사용자들에게 익숙하도록 설계되었습니다:

python
pip install engram-subnet

python
from engram.sdk import EngramClient
client = EngramClient("http://127.0.0.1:8091")

텍스트 저장 — 영구적인 CID 반환

cid = client.ingest("The transformer architecture changed everything.")
print(cid) # v1::a3f2b1...

Semantic search results = client.query("how does attention work?", top_k=5) for r in results: print(f"{r['score']:.4f} {r['cid']}") LangChain: python
from engram.sdk.langchain import EngramVectorStore
store = EngramVectorStore( miner_url=" http://127.0.0.1:8091 " embeddings=your_embeddings )
retriever = store.as_retriever(search_kwargs={"k": 5})
LlamaIndex: python
from engram.sdk.llama_index import EngramVectorStore
store = EngramVectorStore(miner_url=" http://127.0.0.1:8091" )
index = VectorStoreIndex.from_documents( documents, storage_context=StorageContext.from_defaults(vector_store=store) )
벡터 스토어를 한 줄로 Engram으로 교체합니다. 그것이 목표입니다.

The Stack Rust core (PyO3) — 컴파일된 Rust에서 CID 생성 및 HMAC 증명 검증. 이러한 작업에 대해 순수 Python보다 10–50배 빠릅니다.
FAISS / Qdrant — HNSW 근사 최근접 이웃 인덱싱
Kademlia DHT — XOR-거리 라우팅. 결정론적입니다. 항상 동일한 CID, 동일한 마이너가 작동합니다.
Bittensor (TAO) — 인센티브 레이어, 온체인 가중치 설정, TAO 발행량
Arweave — 임베딩을 위한 영구 아카이브 스토리지
Next.js — 웹 대시보드 및 플레이그라운드
언어 구성: Python 59%, TypeScript 37%, Rust 4%.

현재 상황 (Where We Are)
Engram은 활성 마이너를 갖춘 테스트넷에서 라이브입니다.
다음 로드맵은 다음과 같습니다:

• Phase: Local Prototype | Timeline: Q1 2026 | Status: ✅ 완료
• Phase: Testnet Alpha | Timeline: Q2 2026 | Status: 🟡 진행 중
• Phase: Mainnet Launch | Timeline: Q3 2026 | Status: 계획됨
• Phase: Ecosystem (LangChain native, OpenAI-compat endpoint) | Timeline: Q4 2026 | Status: 계획됨
• Phase: Scale & Moat (shared agent memory, cross-subnet querying) | Timeline: 2027 | Status: 계획됨

개발 커뮤니티에 필요한 것 (What I Need From The Dev Community)
세 가지가 필요합니다:

1. 마이너 (Miners). 만약 주변에 RAM 4GB와 SSD 100GB를 가진 컴퓨터가 있다면, 지금 바로 테스트넷에서 Engram 마이너를 실행할 수 있습니다:
   bash<br>git clone https://github.com/Dipraise1/Engram.git<br>cd Engram<br>python3 -m venv .venv<br>.venv/bin/pip install -r requirements.txt<br>.venv/bin/pip install -e .<br><br>2. RAG를 구축하는 개발자 (Developers building RAG). 프로젝트에서 Pinecone, Weaviate 또는 Chroma를 사용하고 있다가 교체해보고 싶다면 — SDK는 이를 수월하게 할 수 있도록 설계되었습니다.

직접 사용해 보시고 무엇이 잘못되는지 알려주세요. 프로토콜에 대한 피드백이 필요합니다. 스코어링 공식 (scoring formula), CID 사양 (CID spec), 증명 메커니즘 (proof mechanism) — 이 모든 것은 공개되어 있으며, 많은 분이 검토해 주시기를 바랍니다. 이슈 (issue)를 생성하거나, 토론 (discussion)을 시작하거나, Discord에 참여해 주세요.

링크 🌐 웹사이트 (Website): theengram.space 💻 GitHub: github.com/Dipraise1/Engram 🎮 플레이그라운드 (Playground): theengram.space/playground 📊 대시보드 (Dashboard): theengram.space/dashboard 💬 Discord: discord.gg/ehpvsyTyJ 📦 문서 (Docs): theengram.space/docs

공개적으로 구축 중입니다 (Built in public). MIT 라이선스 (MIT licensed)를 따릅니다. 피드백을 환영합니다.