Engrim: la memoria local-first que tus agentes de IA necesitan

TL;DR

Engrim: la memoria local-first que tus agentes de IA necesitan

¿Te han dicho que cada vez que cambias de modelo de IA en un proyecto, el siguiente agente empieza de cero? Es así. Engrim es un motor de memoria episódica local-first basado en SQLite que resuelve exactamente eso: tu agente guarda sus decisiones en tu máquina y el siguiente las recupera sin perder ni una. Sin cloud, sin API, sin suscripciones.

Capítulos del vídeo

• 00:00 — La amnesia de los agentes de IA
• 00:23 — Engrim: memoria episódica local-first
• 00:47 — Stack técnico: FTS5 + Model2Vec + RRF
• 01:15 — 4 agentes, 1 memoria — integración universal
• 01:38 — Workflow continue as clear
• 02:06 — Caso de estudio: trading algorítmico 105 sesiones
• 02:28 — Engrim vs Engram vs Mnemo vs Mem0
• 02:57 — Filosofía local-first: tu memoria, tu máquina

El contexto

Engrim es un motor de memoria episódica local-first para agentes de IA: SQLite en ~/.engrim/memory.db, búsqueda híbrida FTS5 + Model2Vec + Reciprocal Rank Fusion, compatible con Antigravity, Claude Code, Cursor y Windsurf. Tim Gordon lo publicó como Show HN en septiembre de 2026, versión 1.3.0, licencia MIT. Caso de estudio: 50K líneas, 105 sesiones, cero regresiones en 186 tests.

Análisis

DATOS CLAVE • Motor: SQLite local-first (~/.engrim/memory.db) • Búsqueda: FTS5 + Model2Vec + RRF híbrido • Tiempo de carga embeddings: 30ms en CPU, sin GPU • Agentes soportados: Antigravity, Claude Code, Cursor, Windsurf • Workflow: continue as clear — add, review, clear, inject • Caso de estudio: 50K líneas, 105 sesiones, 0 regresiones • Licencia: MIT · Cross-model · Bootstrapped • Versión: 1.3.0 (septiembre 2026)

💼 LinkedIn: https://www.linkedin.com/in/nramosdev

Puntos clave

• Ver datos y cifras en el vídeo: https://www.youtube.com/watch?v=krWccEh7dXU
• Investigación previa documentada en el pipeline de vídeo (research.md del proyecto)
• Fuentes primarias listadas a continuación

Fuentes

• GitHub — Engrim
• Hacker News Show HN
• Model2Vec — MinishLab
• SQLite FTS5 Documentation
• Reciprocal Rank Fusion

Conclusión

Un análisis más en el canal. Suscríbete para no perderte los próximos.

---

Artículo generado automáticamente desde el vídeo publicado en nramosdev. Cada número citado proviene de la investigación verificada del pipeline.