Memoria de sistemas de IA: conocimiento persistente y memoria de agentes
Conocimiento persistente más allá de una única conversación.
Esta sección recopila guías sobre conocimiento y memoria persistente para sistemas de IA: cómo los asistentes conservan hechos, preferencias y contexto destilado entre sesiones sin saturar cada token en un único prompt. Aquí, la memoria implica retención intencional (hechos del usuario, resúmenes, almacenes respaldados por complementos), y no la RAM de la GPU ni los pesos del modelo.
Complementa el conjunto más amplio de Sistemas de IA — OpenClaw, Hermes, orquestación — y se sitúa junto a RAG para la mecánica de recuperación y Alojamiento de LLM para la ejecución de modelos.
La memoria se encuentra dentro de la pila de asistente más amplia descrita en Arquitectura de Asistentes de IA junto con el enrutamiento, las herramientas y la observabilidad.
Diseño de memoria para asistentes
Guía transversal entre marcos para memoria a corto plazo, estructurada y de recuperación; política de consolidación, compensaciones de vectores, y patrones de OpenAI, LangGraph, Hermes y OpenClaw.
- Sistemas de memoria en asistentes de IA que realmente ayudan — memoria de trabajo, estado estructurado, capas de recuperación y cuándo la memoria ayuda frente a cuándo perjudica
Proveedores de memoria para agentes
Backend de inserción directa expuestos por marcos como Hermes Agent y OpenClaw — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne y otros — con diferentes compensaciones de LLM, embeddings y bases de datos.
- Comparación de proveedores de memoria para agentes — tabla completa, comparación de políticas de captura, notas sobre dependencias y flujos de
memory setupde Hermes
Para la memoria central acotada exclusiva de Hermes (MEMORY.md / USER.md), consulte Sistema de Memoria de Hermes Agent. Para una instalación de Mnemosyne y una guía de política de escritura conservadora, consulte Mnemosyne para Hermes Agent: Inicio rápido de memoria local.
Gobernanza de la memoria y modos de fallo
La captura, la reflexión y la consolidación automáticas pueden convertir la propia inferencia de un modelo en un “hecho” duradero que se trata como evidencia en sesiones posteriores.
- Bucles de memoria autoreforzados en agentes de IA — las siete formas que toma este retroalimentación, por qué el origen es más importante que los embeddings y cómo probar si un proveedor se niega a recordar
Grafos de conocimiento y Cognee
Conocimiento institucional y de proyecto extraído en grafos para asistentes conscientes de la recuperación.
- Autoalojamiento de Cognee — Elección de LLM en Ollama — inicio rápido práctico de Cognee con modelos locales
- Elegir el LLM adecuado para Cognee — Configuración local de Ollama — comparación de modelos para calidad del grafo frente al hardware
Los constructores de grafos como Cognee suelen ingerir bóvedas de Markdown, wikis o exportaciones que las personas ya han editado; la relevancia, el nombramiento y el “por qué esto importó” están en gran medida definidos antes de que los fragmentos lleguen a los embeddings. Un corpus upstream descuidado entrena la ambigüedad de vuelta en el asistente; los flujos de trabajo disciplinados de captura a través de la expresión limitan ese daño. Para ese enfoque centrado en el ser humano, incluido cómo difiere del RAG centrado en la recuperación, consulte Segundo cerebro explicado para ingenieros.
