Engrim: memoria local para no repetir contexto a los agentes de IA
Engrim, un motor de memoria episódica local para CLI de IA, guarda decisiones y estado en SQLite para cambiar de agente sin perder el hilo. Se ha presentado esta semana en Hacker News.
Engrim es un motor de memoria episódica local para herramientas de programación con IA. Guarda en SQLite las decisiones y el estado de un proyecto para que Claude Code, Cursor o Antigravity retomen el trabajo sin que tengas que reexplicar nada. El autor lo ha presentado esta semana en Hacker News y el código está disponible en GitHub.
La idea es simple: en lugar de pagar cientos de miles de tokens por contexto que se olvida al limpiar la sesión, Engrim mantiene una memoria curada de unos 4.000 caracteres por proyecto. Cuando cambias de agente o de modelo, esa memoria se carga de nuevo y el agente sabe exactamente dónde estabas. El proyecto es local-first y no depende de ningún proveedor de nube.
El almacenamiento usa una base SQLite en ~/.engrim/memory.db. Para recuperar la información relevante combina búsqueda léxica con FTS5 (bm25) y embeddings vectoriales estáticos (model2vec) en un motor híbrido de fusión por rank recíproco. Además, registra la procedencia de cada entrada (origin_agent) para saber qué agente tomó cada decisión, algo útil cuando colaboran varios en el mismo repositorio.
La integración se hace mediante hooks y MCP. Engrim incluye un comando setup que detecta qué entornos tienes instalados y los configura automáticamente: Google Antigravity, Claude Code, Cursor y Codex CLI, entre otros. También puedes hacerlo con flags explícitos como --agy, --claude o --cursor. Según el autor, los agentes pueden escribir directamente en memoria vía MCP cuando toman decisiones, o puedes guardarlas manualmente con engrim add. Así puedes limpiar la sesión con /clear y al volver el contexto se restaura solo.
El autor presenta un caso de uso: probado en 105 sesiones continuas sobre un sistema de trading algorítmico de 50.000 líneas, con cero regresiones en los 186 tests y sin pérdida de memoria al cambiar de modelo. En producción consolidó más de 153.000 tokens de trabajo en menos de 1.000, un recorte de más del 99%. Estas cifras son del propio anuncio y no hay verificación independiente, pero la propuesta es interesante para equipos que ya usan varios agentes de IA y quieren conservar el estado del proyecto sin depender de la memoria del modelo. Engrim es open source y se instala con pip install engrim.
