Engrim: AI 코딩 CLI 여러 개가 공유하는 로컬 SQLite 메모리 엔진

Who Should Read

Claude Code·Cursor·Codex 등을 번갈아 쓰며 /clear 때마다 프로젝트 규칙을 다시 설명하느라 지친 개발자

Core Mechanics

• 도구마다 따로 놀던 기억을 SQLite 한 파일로 모았다
  • 기억은 ~/.engrim/memory.db 하나에 저장된다.
  • Antigravity, Claude Code, Cursor, Codex CLI, Copilot CLI, OpenCode가 같은 저장소를 공유한다.
• 세션 시작 때 약 4,000자만 주입한다
  • 우선순위 높은 메모리 팩(약 4k자)을 [▶ RESUME HERE]부터 넣는다.
  • 대화 전체를 다시 보내는 방식(150k+ 토큰 재전송)과 대비시킨다.
• 기록은 훅이나 MCP로 쌓는다
  • 에이전트가 MCP 도구 engrim_add로 결정을 적거나 라이프사이클 훅이 자동으로 남긴다.
  • 각 기록에는 origin_agent(어느 에이전트가 썼는지)가 붙는다.
• 검색은 키워드와 벡터를 섞는다
  • SQLite FTS5(bm25)와 model2vec 정적 임베딩(벡터 검색용 숫자 변환)을 함께 쓴다.
  • 관련 기록을 약 30ms에 찾는다고 한다.
• engrim setup 한 번으로 설치된 도구를 자동 감지한다
  • pip install engrim 후 engrim setup을 실행하면 ~/.claude, ~/.cursor 같은 폴더를 보고 설정한다.
  • --dry-run으로 변경 내용을 미리 볼 수 있다.

Community Reactions

• 트레이딩 코드 105세션 사례
  • 5만 줄 알고리즘 트레이딩 시스템에서 105세션을 돌렸다고 한다.
  • 153,000 토큰 분량의 작업이 1,000토큰 미만 메모리 팩으로 줄었다는 작성자 주장이다.
• 벤치마크가 부족하다는 지적
  • 경쟁 메모리 플러그인과 비교할 수 있느냐는 질문이 나왔다.
  • 수명 관리와 충돌 해결이 아직 없고 언제 쓸지는 모델이 정한다는 의견이 있었다.
• 메모리 개념 자체에 대한 회의
  • LLM이 쓸모없는 내용을 메모리에 쓰고 엉뚱한 맥락에서 꺼내는 것만 봤다는 의견이 있었다.
• 비정상 종료 시나리오를 테스트하자는 제안
  • 작업 중간에 세션이 죽었을 때 끝낸 일과 계획만 한 일을 구분하는지 봐야 한다는 의견이 나왔다.
  • 결정 복구와 미완성 작업 복구는 다른 테스트라는 주장이다.
• 다른 도구를 쓰는 경험
  • 다른 메모리 플러그인(ctx.rs)을 두어 달 써 보니 세션 압축을 거의 안 하게 됐다는 경험이 있었다.
  • 새 세션을 열어 에이전트가 이전 세션을 파악하게 한다고 한다.

How to Apply

• 설치 후 engrim doctor 돌려 보기
  • 오늘 pip install engrim 후 engrim setup --dry-run으로 바뀔 파일을 먼저 확인하라.
  • 문제가 없으면 engrim setup을 실행하고 engrim doctor로 훅 상태를 점검하라.
• /clear 전에 결정을 engrim_add로 남기게 하기
  • 아키텍처 결정을 내린 직후 에이전트에게 engrim_add로 기록하라고 지시하라.
  • /clear 전에 engrim_review로 기록 안 된 결정이 있는지 확인하라.
• 여러 도구를 쓰는 팀은 origin_agent로 출처 확인하기
  • engrim list로 어느 에이전트가 쓴 결정인지 확인하라.
  • 이상한 결정은 출처 에이전트의 프롬프트부터 점검하라.
• Codex는 훅을 직접 신뢰 등록하기
  • engrim setup --codex 후 Codex에서 /hooks 명령으로 훅을 검토해 신뢰 처리하라.
  • 도구 인터페이스가 필요하면 engrim setup --codex-mcp를 추가하라.

Try It

# 터미널에 붙여넣기 (engrim 설치와 점검)

pip install engrim

# 바뀔 설정을 미리 보기
engrim setup --dry-run

# 실제 설정 후 상태 점검
engrim setup
engrim doctor

# 이어서 해 볼 것: 에이전트에게 결정 기록을 시키고 /clear 후 복원되는지 확인
engrim list

Terminology

관련 논문

• 같은 시뮬레이션, 다른 근거: 도구 출력을 파일로 넘기면 LLM 에이전트 정확도가 어디서 깎이나

  긴 툴 출력을 파일로 넘기자 GPT-5.1은 정확도 11.3%p 하락, 정식 출력 지정하니 회복

• 가짜 뉴스가 진짜 폭락을: LLM 트레이딩 에이전트 대상 정보 주입 공격

  가짜 헤드라인 한 줄로 LLM 트레이딩 에이전트 62%를 조종했다(프롬프트 주입은 14%)

• Harness Engineering 101: LLM은 뇌, harness는 몸

  에이전트는 JSON 배열을 관리하는 루프이고, 16개 챕터로 직접 만들어 본다

• Harness²: 에이전트 harness를 스스로 고쳐 쓰는 재귀 최적화 프레임워크

  모델은 고정하고 harness를 재귀로 고쳤더니 벤치마크 점수가 최대 11.8%p 올랐다

• 해고된 Savannah 경찰관, ICE 요원 남편에게 Flock 계정 공유

  경찰관이 Flock 계정을 남편(ICE 요원)에게 공유했고, 감사에서 983건 검색이 드러나 해고됐다

• tmux와 Claude Code: 세션, send-keys, 그리고 한계선

  tmux로 Claude Code 여러 개를 돌리면 편하지만 에이전트 4개쯤에서 한계가 온다

• Hybrid Reasoning Agents: 잠재 공간에서 생각하고 텍스트로 행동하는 LLM 에이전트

  잠재 공간 추론과 텍스트 도구 호출을 섞었더니 성능 10.4%↑, 토큰 최대 54.7%↓

Related Resources

• https://github.com/timgordontg/engrim
• https://ctx.rs/