Weaviate lanserer Engram: produksjonsminne for KI-agenter

Langkjørende KI-agenter sliter med det samme problemet: de glemmer brukeren mellom øktene, deler ikke tilstand mellom flere agenter, og lærer ikke over tid. Den vanlige løsningen er å dytte hele samtalehistorikken inn i kontekstvinduet, noe som driver opp token-kostnad og latens. Weaviate annonserte 24. juni 2026 General Availability for Engram, en managed minne- og kontekst-tjeneste som angriper nettopp dette, ifølge Open Source For U.

Engram kjører som bakgrunnsinfrastruktur med «fire-and-forget» asynkrone pipelines som prosesserer rå hendelser, samtaletranskript eller app-metrikk uten å blokkere den aktive brukerinteraksjonen. I stedet for å hope opp støyete transkript kronologisk, bruker tjenesten automatiserte Extract-Transform-Commit-løkker: den trekker ut fakta, deduplikerer dem og avstemmer kontinuerlig mot det som allerede er kjent. Minnene skrives natively tilbake i Weaviates vektordatabase og gjøres søkbare via hybrid søk som kombinerer semantisk vektorgjenfinning og BM25-nøkkelordmatch.

Tjenesten kommer med ferdige maler for tre mønstre: personalisering, delt tilstand mellom flere agenter og kontinuerlig læring. Data isoleres og permisjoneres per bruker-ID, prosjekt, tema eller egendefinerte egenskaper, slik at minner ikke lekker på tvers av tenanter. Klient-laget bruker den offisielle Python-SDK-en (weaviate/engram-python-sdk), publisert åpent på GitHub under BSD-3-Clause-lisens.

Begrensningen er innelåsingen: Engram kjører kun som managed SaaS inne i Weaviate Cloud, så agentens minne-lag bindes til Weaviates infrastruktur. Gratisnivået gir 1 000 asynkrone pipeline-kjøringer per måned, mens betalte planer starter på 45 dollar (36 pund) i måneden for produksjonslast.

Hva bør du gjøre?

1. Engram gir mest mening hvis du allerede kjører Weaviate som vektordatabase og trenger minne på tvers av økter uten å vedlikeholde en egen fakta-uttrekks-pipeline. Bygger du på en annen vektor-stack, veier innelåsingen tyngre, og du bør prise inn migreringskostnaden før du forplikter deg.
2. Prototyp på gratisnivået før du betaler. De 1 000 kjøringene per måned holder til å teste personalisering eller delt agent-tilstand mot egne data, slik at du ser om uttrekks-kvaliteten er god nok for din bruk.
3. Les gjennom den offisielle Python-SDK-en (weaviate/engram-python-sdk) på GitHub for å forstå API-et og malene for de tre mønstrene før du skriver integrasjonskode.