AI CLI용 로컬 우선 SQLite 기억 엔진 'Engrim' 공개, 모델 전환 시 컨텍스트 보존

AI 코딩 에이전트(Claude Code, Cursor, Antigravity 등) 사용 시 발생하는 컨텍스트 윈도우 한계와 모델 전환 시 기억 상실 문제를 해결하기 위한 로컬 우선(local-first) 기억 엔진 Engrim이 공개됐다. 이 도구는 프로젝트 범위의 아키텍처 결정사항, 제약조건, 상태를 로컬 SQLite 파일에 저장하여, AI 모델이나 세션을 변경해도 프로젝트 인텔리전스를 유지할 수 있게 한다.

핵심 기능 및 아키텍처

• 하이브리드 검색 엔진: SQLite FTS5(bm25 키워드 검색)와 정적 벡터 임베딩(model2vec)을 결합해 제로 지연(latency)으로 관련 기억을 검색한다.
• 에피소드 워킹 메모리: 컨텍스트 윈도우가 커져도 주의력 희석을 방지하기 위해, 수만 토큰의 작업을 1,000토큰 미만의 큐레이션된 메모리 팩으로 압축하여 재로딩한다.
• 다중 에이전트 지원: Google Antigravity, Claude Code, Cursor, Windsurf 등 주요 AI CLI 환경과 연동되며, 각 에이전트가 생성한 메모리의 출처(origin_agent)를 추적한다.
• 완전한 로컬 저장: 모든 데이터는 ~/.engrim/memory.db에 저장되며, 클라우드 동기화나 텔레메트리가 없다. GPU 없이 CPU에서 약 30ms 만에 임베딩을 로드한다.

실증 사례 및 효과

50,000줄 규모의 알고리즘 트레이딩 시스템에서 105개의 연속 세션을 테스트한 결과, 모델 전환 시 **제로 컨텍스트 기억 상실(zero context amnesia)**과 **제로 회귀(zero regressions)**를 확인했다. 이를 통해 세션 재시작 시 컨텍스트 재로딩 비용을 99% 이상 절감했으며, 153,000토큰 이상의 작업을 1% 미만의 크기로 압축해 효율성을 입증했다.