agent-memory

# Agent Memory — Memory Engines para Agentes IA ## Visión General Los agentes IA olvidan todo entre conversaciones. Los motores de memoria resuelven esto: - **Extracción de facts** — Aprende de conversaciones, extrae hechos estructurados - **Perfiles de usuario** — Contexto estable + actividad reciente, acceso ~50ms - **Búsqueda híbrida** — RAG + memoria personal en una sola query - **Razonamiento temporal** — Facts que cambian con el tiempo, contradicciones - **Olvido automático** — Facts caducados se eliminan solos - **Conectores** — Sync con Drive, Gmail, Notion, GitHub, etc. ## Herramientas Conocidas ### Supermemory - **URL:** https://github.com/supermemoryai/supermemory - **Estrellas:** ~24k | **Lenguaje:** TypeScript - **Benchmarks:** #1 en LongMemEval, LoCoMo, ConvoMem - **Features:** Memory extraction, user profiles, hybrid search, connectors (Drive, Gmail, Notion, GitHub), multi-modal extractors (PDF, OCR, video transcription, AST-aware code chunking) - **SDK:** npm + pip - **Infra:** Cloudflare Workers + KV + Pages - **Dashboard:** https://console.supermemory.ai ```typescript // Extract memory from conversation import { Supermemory } from 'supermemory'; const sm = new Supermemory({ apiKey: 'key' }); const memory = await sm.extract({ messages: [...] }); const profile = await sm.getProfile('user-123'); const results = await sm.search({ query: '...', memory: true, knowledge: true }); ``` ### Otras herramientas en el ecosistema - **Mem0** — Memory layer for LLM apps (Python/TS) - **Zep** — Memory service for AI agents (self-hosted + cloud) - **LangChain Memory** — Built-in conversation memory patterns - **Semantic Memory** — Memory via vector embeddings ## Patrones de Integración ### Patrón 1: Memory como capa de contexto ``` Conversación → Memory Engine → Facts + Profile ↓ Antes de cada turno: getProfile(user_id) → Contexto en prompt ``` ### Patrón 2: Hybrid Search (RAG + Memory) ``` Query → Hybrid Search → [Docs RAG] + [Personal Memory] → Combined context ``` ### Patrón 3: Connector Auto-sync ``` Conectores → Webhooks → Auto-sync → Memory actualizada en tiempo real ``` ## Casos de Uso para Mastermind 1. **Memoria persistente entre sesiones** — Mastermind recuerda preferencias, historial, contexto 2. **Perfiles de usuario** — David Antizar como usuario con facts estables 3. **Integración con herramientas** — Notion, GitHub, Drive como fuentes de contexto 4. **RAG mejorado** — Combinar docs del proyecto + memoria personal ## Decisiones | Criterio | Supermemory | Mem0 | Zep | |----------|------------|------|-----| | Hosting | Cloud (Cloudflare) | Self-hosted/cloud | Self-hosted/cloud | | SDK | npm + pip | Python + TS | Python + TS | | Benchmarks | #1 en 3 benchmarks | — | — | | Conectores | Drive, Gmail, Notion, GitHub, OneDrive | — | Slack, Notion, Drive | | Multi-modal | PDF, OCR, video, code | Text | Text | ## Comparativa de alternativas **Actualizado 2026-09-01** a raíz de las stars de David. Ya no solo "cloud vs self-hosted": Engram demostró que la memoria de agente también puede ser un binario local cero-dependencias vía MCP. | Criterio | Engram | Supermemory | Mem0 | Zep | |----------|--------|-------------|------|-----| | Stars (2026-09-01) | ~6.250 | ~28K | ~30K+ | ~8K+ | | Modelo | Self-hosted, binario Go único | Cloud (Cloudflare) + SDK | Self-hosted/cloud | Self-hosted/cloud | | Almacenamiento | SQLite + FTS5 (~/.engram/engram.db) | KV + vectores | Vector DB externa | Postgres + vectores | | Integración agente | MCP stdio nativo (Claude Code, OpenCode, Codex, Cursor, VS Code…) | SDK npm/pip + API | SDK Python/TS | SDK + API | | Dependencias | Ninguna (no Node/Python/Docker) | Cloud o infra propia | Python/TS + vector store | Servidor + Postgres | | Búsqueda | Full-text FTS5 (léxica) | Semántica/híbrida (embeddings) | Semántica | Semántica + temporal | | Windows | `go install` o binario (antivirus puede avisar) | N/A (API) | pip | Docker | **Cuándo usar cada cuál:** - **Engram** → memoria local inmediata para un coding agent con MCP, sin infra ni llaves API; contratos de sesión explícitos (`mem_session_summary` como handoff tras compactación). Ideal para equipos/PCs donde la privacidad y el offline importan (patrón muy cercano a cómo Hermes guarda sus memories). - **Supermemory/Mem0** → memoria semántica multiusuario con user profiles, connectors y reasoning temporal; cuando hace falta escalar o compartir memoria entre servicios. - **Zep** → servicio self-hosted con API cuando se quiere memoria centralizada con razonamiento temporal sobre Postgres. ### Engram — patrón operativo (lo reutilizable) - **El agente decide, no el volcado:** `mem_save` solo tras trabajo significativo (bugfix, decisión, patrón), formato What/Why/Where/Learned. Nunca tool output crudo. - **`topic_key` estable** (p.ej. `architecture/auth-model`) → los temas evolutivos se actualizan bajo la misma clave en vez de crear memorias compitientes. - **Divulgación progresiva en 3 capas:** `mem_search` (preview) → `mem_timeline` (contexto cronológico alrededor) → `mem_get_observation` (contenido completo) — minimiza tokens de contexto. - **Handoff de sesión:** al terminar, `mem_session_summary` (Goal/Discoveries/Accomplished/Next Steps/Files); al arrancar, `mem_context` inyecta la sesión previa automáticamente. - **Registro con un comando:** `engram setup <agente>` escribe la entrada MCP (`mcpServers`/`servers`/objeto `mcp` según cliente) y el Memory Protocol, idempotente. ## Referencias - [Engram](https://github.com/Gentleman-Programming/engram) (⭐6.2K, Go, MIT, push 2026-09-01) — docs clave: `docs/ARCHITECTURE.md`, `docs/AGENT-SETUP.md`, `docs/INSTALLATION.md` - [Supermemory docs](https://supermemory.ai/docs) - [Supermemory quickstart](https://supermemory.ai/docs/quickstart) - [Supermemory Discord](https://supermemory.link/discord) - [LongMemEval benchmark](https://github.com/xiaowu0162/LongMemEval) - [LoCoMo benchmark](https://github.com/snap-research/locomo) - [ConvoMem benchmark](https://github.com/Salesforce/ConvoMem)