당신의 RAG 파이프라인 메모리가 사라집니다. 대신 우리가 만든 것은 이것입니다.

Source: Dev.to

Engram이 실제로 하는 일

import engram_core

# Validator side — issue a challenge
challenge = engram_core.generate_challenge("v1::a3f2b1c4...", timeout_secs=30)

# Miner side — respond with proof
response = engram_core.generate_response(challenge, my_stored_embedding)

# Validator side — verify constant-time
valid = engram_core.verify_response(challenge, response, my_stored_embedding)

핵심은 Rust로 작성된 뒤 PyO3를 통해 파이썬에 노출됩니다. 증명 생성과 검증은 순수 파이썬 구현에 비해 10–50배 빠르게 동작합니다. 전 과정에서 상수 시간 비교를 사용해 타이밍 오라클 공격을 방지합니다.

채굴자들이 TAO를 얻는 방식

score = 0.50 * recall@K

검증자는 120초마다 모든 채굴자를 평가합니다. 증명 성공률이 50 % 이하인 채굴자는 가중치가 0이 되며, 이는 곧 배출량이 없다는 뜻입니다. 이 인센티브 구조는 단순히 검색 정확도만을 보상하는 것이 아니라 지속성을 보상합니다. 이것이 VectorStore SN14가 제공하지 못하는 부분이며, 그들은 코사인 유사도만을 보상하지만 우리는 30 일 동안 데이터를 보유하고 있는 채굴자를 보상합니다.

지금 바로 사용해 보기

pip install engram-subnet

from engram.sdk import EngramClient

client = EngramClient(miner_url="http://72.62.2.34:8091")

# 메모리 저장
cid = client.ingest("The transformer architecture changed everything.")
print(cid)  # v1::a3f2b1c4...

# 의미 검색
results = client.query("how does attention work?", top_k=5)
for r in results:
    print(r['score'], r['cid'])

기존 벡터 스토어를 대체하고 싶다면 LangChain 및 LlamaIndex 어댑터를 사용할 수 있습니다:

from engram.sdk.langchain import EngramVectorStore

store = EngramVectorStore(miner_url="http://72.62.2.34:8091", embeddings=your_embeddings)
retriever = store.as_retriever(search_kwargs={"k": 5})

채굴자를 실행하고 TAO를 얻기

git clone https://github.com/Dipraise1/Engram.git
cd Engram
pip install -e .

# 지갑 설정
cp .env.miner.example .env.miner
# WALLET_NAME, WALLET_HOTKEY, EXTERNAL_IP 설정

# 등록 및 실행
btcli subnet register --netuid 450 --subtensor.network test
python neurons/miner.py --netuid 450 --subtensor.network test

• 최소 사양: 4 GB RAM, 100 GB SSD.
• 스테이킹: 테스트넷에서는 스테이킹 필요 없음.
• 메인넷 출시: 2026년 3분기 — 테스트넷에서 성능 기록을 만든 초기 채굴자는 배출이 시작될 때 선점 효과를 가집니다.

테스트넷 및 메인넷 현황

• 테스트넷: 운영 중.
• 메인넷: 2026년 3분기 예정.
• 향후 기능: 복제용 소거 코딩, 안티 스팸 스테이킹, Prometheus 메트릭스, 영구 저장 백업용 Arweave 아카이브.

리소스

• GitHub:
• Docs & Playground:
• Discord:

RAG 파이프라인, AI 에이전트, 혹은 지속적인 의미 메모리가 필요하고 데이터를 잃을 수 없어 중앙 집중식 벡터 스토어를 신뢰하기 어려운 경우—우리가 여러분을 위해 만든 것이 바로 이것입니다.