Memoria de sistemas de IA — Conocimiento persistente y memoria de agentes
Conocimiento persistente más allá de un único hilo de chat.
Esta sección recopila guías sobre conocimiento y memoria persistentes para sistemas de IA — cómo los asistentes retienen hechos, preferencias y contexto destilado entre sesiones sin saturar cada token en un solo indicación. Aquí, memoria significa retención intencional (hechos de usuario, resúmenes, almacenes respaldados por complementos), no memoria RAM de GPU o 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 más amplia de asistentes 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 de trabajo sobre memoria a corto plazo, estructurada y de recuperación: política de consolidación, compromisos 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 en lugar de perjudicar
Proveedores de memoria para agentes
Panes de fondo de inserción directa expuestos por marcos de trabajo como Hermes Agent y OpenClaw — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne y otros — con diferentes compromisos en LLM, incrustaciones 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 - Memoria Hindsight para OpenCode, Cursor y otros agentes de codificación — un solo complemento para OpenCode, la CLI de Cursor y otros arneses, con un banco compartido por repositorio
Para la memoria principal acotada exclusiva de Hermes (MEMORY.md / USER.md), consulte Sistema de memoria de Hermes Agent. Para una instalación de Mnemosyne y una guía sobre la política de escritura conservadora, consulte Mnemosyne para Hermes Agent: Inicio rápido de memoria local. Para Hindsight en Hermes con incrustaciones locales, reordenación, control de la ruta de escritura y copia de seguridad del banco, consulte Hindsight para Hermes Agent: Memoria autoalojada con LLMs locales.
Gobernanza de la memoria y modos de fallo
La captura, la reflexión y la consolidación automáticas pueden convertir la propia inferencia del modelo en un “hecho” durable que se trata como evidencia en sesiones posteriores.
- Bucles de memoria autorreforzados en agentes de IA — las siete formas que toma esta retroalimentación, por qué la procedencia es más importante que las incrustaciones 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 con conciencia de recuperación.
- Autoalojamiento de Cognee — Elección de LLM en Ollama — inicio práctico de Cognee con modelos locales
- Elegir el LLM correcto para Cognee — Configuración local de Ollama — comparación de modelos para calidad de grafo frente a hardware
Los constructores de grafos como Cognee suelen ingerir bóvedas de Markdown, wikis o exportaciones que las personas ya han editado; la relevancia, la denominación y el “por qué esto importó” están mayormente resueltos antes de que los fragmentos lleguen a las incrustaciones. Un corpus upstream descuidado entrena la ambigüedad de vuelta en el asistente; los flujos de trabajo de captura a través de la expresión disciplinada limitan ese daño. Para ese enfoque centrado en el humano, incluido cómo difiere del RAG centrado en la recuperación, consulte Segunda explicada para ingenieros.
