做 AI 编程助手开发的人，最近可能都有一个共同烦恼：上下文窗口越来越大，但模型反而越来越"笨"。

这不是错觉。随着 Gemini、Claude、Codex 这些模型把上下文窗口卷到 100 万甚至更多 tokens，开发者发现一个反直觉的现象——塞进去的内容越多，模型在关键决策上的注意力越分散，推理质量开始下降，更重要的是，每一轮对话的 token 成本直线飙升。

更麻烦的是，当你切换工具、换个模型，或者执行一次 /clear 清空上下文，前几轮定下的架构决策、参数调优记录、用户约束条件，瞬间蒸发。下一次对话，AI 又是一张白纸。

Engrim 想解决的就是这个问题。它把自己定位成"AI 内存的中立国"——一个本地优先、绑定项目的 SQLite 记忆引擎。

核心思路相当硬核：与其在 200K tokens 的噪声里捞针，不如把项目里真正重要的决策，提炼成 4,000 字符左右的"策展级"工作记忆。模型可以随时换，Antigravity、Claude Code、Cursor、Windsurf 都可以，但项目记忆留在你自己的机器上，谁也拿不走。

技术栈选得很务实：底层是 SQLite FTS5 做 BM25 关键词检索，搭配静态向量嵌入（model2vec），用 Reciprocal Rank Fusion 做混合排序，零延迟、纯本地、零云依赖。它通过 MCP 协议接入各个 AI CLI，相当于给每个工具外挂了一个共享记忆层。

最有说服力的是作者的实战数据：在一个 5 万行的算法交易系统上跑了 105 个连续会话，累计消耗 15.3 万 tokens 的工作内容，最终压缩到不到 1,000 tokens 的活跃记忆包——上下文重启成本砍掉 99% 以上，186 个单元测试零回归，跨模型切换零架构漂移。这种数字放在真实跑资金的项目里，挺能说明问题的。

工作流也设计得很自然：边干边存，结束前打个 resume-pointer 标签，下次启动时这条记录会被 pin 在 [▶ RESUME HERE] 位置；想清上下文就放心清，记忆包会自动重新注入。

我的判断是：这类工具的出现，本质上是在承认一个事实——大模型本身越来越像"一次性水电"，项目上下文才是真正的资产。当 AI 编程工具从"玩具"走向"生产环境"，如何管理跨工具、跨模型、跨会话的项目记忆，会成为一个越来越基础的问题。Engrim 给出的解法足够轻量，值得每个重度 AI 编程用户关注一下。

来源：Hacker News