Engrim

项目简介

Engrim 是一款本地优先的跨模型、跨 Agent 记忆存储引擎，用 Python 开发，基于 SQLite + FTS5 全文搜索 + model2vec 静态向量嵌入构建。它解决了一个核心问题：随着 AI 编程工具的普及，开发者往往同时使用 Google Antigravity、Claude Code、Cursor、Windsurf 等多个 Agent 环境，但每次切换工具都会丢失项目上下文，导致重复沟通成本极高。Engrim 将项目决策、约束条件和状态外部化，让不同的 AI Agent 在同一个代码库上无缝接力，真正实现「记忆不丢失、上下文零断层」。

核心功能

• 跨模型记忆共享：在 Google Antigravity、Claude Code、Cursor、Windsurf 四个主流 Agent 环境之间共享项目记忆，同一代码库切换工具后 Agent 可直接继承上一轮的决策上下文。
• FTS5 + 向量混合检索：结合 SQLite FTS5 全文检索（bm25 排序）与 model2vec 静态向量嵌入的混合互惠排名融合（HRRF）引擎，查询延迟接近零。
• 4000 字符精选上下文包：每次启动新会话时自动加载精选的记忆包，将 153,000+ Token 的工作浓缩到 1,000 Token 以内，大幅降低 token 消耗。
• Agent 来源追踪：记录每条记忆的来源 Agent，方便在多 Agent 协作场景下追溯决策历史。
• 零依赖 MCP 服务：通过标准 JSON-RPC 2.0 stdio 协议暴露 MCP 工具，可被任何支持 MCP 的编辑器或 Agent 调用。
• 飞行记录日志：自动记录每一轮对话的原始日志，在清除会话后仍可 review 未捕获的决策。
• 一键自动探测配置：运行 engrim setup 自动检测本机已安装的 Agent 环境并批量配置。

技术实现

Engrim 核心架构分为三层。存储层采用本地 SQLite 数据库（~/.engrim/memory.db），包含 MEMORIES、FTS5、VEC、LOG 四个子表。引擎层通过适配器与各 Agent 的生命周期钩子对接：Claude Code 使用 SessionStart/Stop 钩子，Antigravity 使用 PreInvocation/Stop 钩子，Cursor/Windsurf 通过 MCP stdio 连接。检索层将 bm25 关键词检索与向量余弦相似度融合为混合排名结果。

实测中，开发者在 50,000 行算法交易系统上完成 105 个连续会话，跨越 186 个单元测试零回归，153,000+ Token 的工作被压缩到不足 1,000 Token 的活跃记忆包，Token 成本降低 99% 以上。

快速上手

第一步：安装

pip install engrim

第二步：自动配置所有环境

engrim setup

自动检测本机已安装的 Agent 环境并批量配置。

第三步：添加项目记忆

engrim add -t decision -s "切换主数据库从 MongoDB 到 PostgreSQL" --tags "db,schema"

第四步：新会话自动恢复记忆

切换到任意已配置好的 Agent 环境，运行 engrim context，Engrim 自动加载项目记忆包。

第五步（可选）：以 MCP 工具方式调用

engrim serve --mcp

然后在 Cursor 的 mcp.json 中添加 engrim 服务。

适用人群

• 多 Agent 混合工作流用户：同时使用多个 AI 编程工具，需要无缝切换不丢失上下文。
• 大型代码库维护者：希望 AI 每次启动时快速获取关键架构决策。
• AI 工程团队：需要追踪多个 Agent 在同一代码库上的决策轨迹。
• 重视本地数据隐私的开发者：所有数据存储在本地 SQLite，不上传云端。

官方链接

• GitHub：https://github.com/timgordontg/engrim
• PyPI：https://pypi.org/project/engrim/