Memoria de sistemas de IA: conocimiento persistente y memoria de agentes
Conocimiento persistente más allá de un solo hilo de chat.
Esta sección reúne guías sobre conocimiento y memoria persistente para sistemas de IA: cómo los asistentes conservan hechos, preferencias y contexto destilado entre sesiones sin saturar un solo prompt con cada token. Aquí, memoria se refiere a la retención intencional (datos del usuario, resúmenes, almacenes respaldados por complementos), no a la RAM de la GPU ni a 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 LLMs para la ejecución de modelos.
La memoria se integra 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 para memoria a corto plazo, estructurada y de recuperación: políticas 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 versus cuándo perjudica
Proveedores de memoria para agentes
Backends integrables expuestos por marcos de trabajo como Hermes Agent y OpenClaw: Honcho, OpenViking, Mem0, Hindsight, Mnemosyne y otros, con diferentes compensaciones en LLMs, 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 setuppara 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 un recorrido por la política de escritura conservadora, consulte Mnemosyne para Hermes Agent: Inicio rápido con 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 memoria y modos de fallo
La captura, reflexión y consolidación automáticas pueden convertir la propia inferencia del modelo en un “hecho” duradero que se trata como evidencia en sesiones posteriores.
- Bucles de memoria autoreforzantes en agentes de IA — las siete formas que adopta esta retroalimentación, por qué la procedencia importa más 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.
- Autoalojar Cognee — Selección de LLM en Ollama — inicio práctico con Cognee usando modelos locales
- Cómo elegir el LLM adecuado para Cognee — Configuración local de Ollama — comparación de modelos para la calidad del grafo versus el hardware
Los creadores de grafos, como Cognee, suelen procesar bóvedas de Markdown, wikis o exportaciones que las personas ya han editado: la relevancia, la nomenclatura y el «por qué importó esto» están en gran medida definidos antes de que los fragmentos lleguen a las incrustaciones. Un corpus upstream descuidado reintroduce ambigüedad en el asistente; los flujos disciplinados de captura a través de la expresión limitan ese daño. Para ese enfoque centrado en el ser humano, que incluye cómo difiere de un RAG centrado en la recuperación, consulte Segundo cerebro explicado para ingenieros.
