knowledge-memory-management

name	knowledge-memory-management
description	Gestión del conocimiento y memoria del usuario. Almacena información, notas, aprendizajes y relaciones entre conceptos en bases de datos vectoriales y grafos de conocimiento. Úsalo cuando el agente descubra información valiosa que deba persistir, cuando cree nuevas relaciones entre conceptos, o cuando necesite actualizar el perfil de conocimiento del usuario.
license	MIT
compatibility	Python 3.10+ Requires: PostgreSQL with pgvector Requires: Neo4j knowledge graph
metadata	{"author":"KognitoAI Team","version":"1.1.0","tags":["memory","knowledge-management","semantic-storage","graph-relations"],"category":"knowledge-management"}
allowed-tools	database__write database__embeddings knowledge_graph__write knowledge_graph__update_relations

Knowledge & Memory Management

Descripción Procedimental Detallada

Este skill implementa un sistema avanzado de gestión de conocimiento y memoria para agentes inteligentes. Su objetivo es permitir que el agente aprenda, recuerde, relacione y actualice información relevante del usuario de manera estructurada y persistente, combinando almacenamiento vectorial (pgvector) para búsqueda semántica y grafos de conocimiento (Neo4j) para relaciones conceptuales.

¿Cuándo usar este skill?

1. Cuando el usuario comparte información valiosa que debe ser recordada para futuras sesiones, análisis o recomendaciones.
2. Al descubrir relaciones entre conceptos (por ejemplo, conectar una nota sobre "FastAPI" con otra sobre "async/await").
3. Cuando se requiere actualizar el perfil de conocimiento del usuario, agregando aprendizajes, proyectos, notas o insights.
4. Para organizar información por workspace, usuario o contexto, facilitando búsquedas y análisis posteriores.
5. Al enriquecer la memoria tras búsquedas, investigaciones o análisis realizados por otros skills.

Procedimiento paso a paso

1. Identificar información relevante: El agente debe filtrar y seleccionar solo aquella información que aporte valor, sea generalizable y no sea confidencial.
2. Estructurar el contenido: Organizar la información en títulos, secciones y etiquetas para facilitar su recuperación y análisis.
3. Guardar el conocimiento: Usar MemoryStorageTool para almacenar la información en la base vectorial, incluyendo metadatos y tags.
4. Crear relaciones: Si la nueva información se vincula a conceptos previos, usar KnowledgeRelationTool para establecer relaciones en el grafo.
5. Actualizar o limpiar memoria: Si se detecta información obsoleta o redundante, actualizar o eliminar según corresponda.
6. Validar persistencia: Confirmar que la información y relaciones han sido correctamente almacenadas y son recuperables.

Ejemplo de uso completo

# 1. El usuario comparte un aprendizaje clave
memory_tool = MemoryStorageTool(account_id="user_123", workspace_id="ws_456")
result = await memory_tool.arun(
  title="Async/Await Best Practice",
  content="""
  Usar async/await en Python mejora la performance en aplicaciones I/O bound.
  Ejemplo: 10 requests en 1 segundo en vez de 10.
  """,
  tags=["python", "performance", "async"],
  type="learning"
)

# 2. Relacionar con otro concepto existente
relation_tool = KnowledgeRelationTool(account_id="user_123")
await relation_tool.arun(
  source_id=result["id"],
  target_id="fastapi_note_id",
  relation_type="depends_on",
  strength=0.9
)

# 3. Actualizar información previa si es necesario
updated_result = await memory_tool.arun(
  title="FastAPI Advanced Patterns",
  content="Nueva información sobre FastAPI...",
  update_related=True
)

Reglas y mejores prácticas

• Ser selectivo: No guardar todo, solo lo valioso y reutilizable.
• Estructura clara: Usar títulos, secciones y tags descriptivos.
• Relaciones significativas: Solo conectar nodos con relación real y fuerza > 0.7.
• Privacidad: Nunca almacenar datos sensibles sin autorización.
• Mantenimiento: Limpiar información obsoleta periódicamente.

Advertencias y solución de problemas

• Si ocurre un error de "Embedding Dimension Mismatch", re-embedder los documentos.
• Si se detectan dependencias circulares, revisar la lógica de relaciones antes de guardar.

Integración con otros skills

Este skill se usa típicamente después de:

• search-and-research: Para guardar hallazgos relevantes.
• retrieval-augmented-generation: Para enriquecer la memoria con información recuperada.
• analysis-and-insights: Para almacenar resultados de análisis.

Patrón recomendado: Learn → Remember → Connect

1. Investigar tema (con search-and-research)
2. Analizar hallazgos (con analysis-and-insights)
3. Guardar en memoria (con este skill)
4. Conectar con conocimiento existente (relaciones)

---

Cuándo Usarlo

✅ Usa este skill cuando:

• Descubras información valiosa que deba recordarse
• Necesites crear nuevas relaciones entre conceptos
• El usuario comparta información que debe persistir
• Requieras actualizar el perfil de conocimiento
• Necesites establecer conexiones entre documentos/notas

❌ NO uses este skill si:

• Solo es conversación temporal sin valor futuro
• La información es privada/sensible no autorizada
• Es información pública que no agrega valor al usuario

Uso Básico

from skills.knowledge_memory_skill.scripts.memory_storage_tool import MemoryStorageTool
from skills.knowledge_memory_skill.scripts.knowledge_relation_tool import KnowledgeRelationTool

# Guardar nuevo conocimiento
memory_tool = MemoryStorageTool(account_id="user_123", workspace_id="ws_456")
result = await memory_tool.arun(
    title="Proyectos Python 2026",
    content="Lista de proyectos realizados en Python durante 2026...",
    tags=["python", "projects", "2026"],
    type="project_summary"
)

# Crear relación con información existente
relation_tool = KnowledgeRelationTool(account_id="user_123")
await relation_tool.arun(
    source_id=result["id"],
    target_id="existing_tech_doc_id",
    relation_type="related_to",
    strength=0.8
)

Parámetros

MemoryStorageTool

Parámetro	Tipo	Requerido	Descripción
title	str	Sí	Título del conocimiento
content	str	Sí	Contenido detallado
tags	list	No	Etiquetas para categorización
type	str	No	Tipo de contenido (note, project, concept, etc.)
metadata	dict	No	Información adicional

KnowledgeRelationTool

Parámetro	Tipo	Requerido	Descripción
source_id	str	Sí	ID del nodo origen
target_id	str	Sí	ID del nodo destino
relation_type	str	Sí	Tipo de relación (related_to, depends_on, etc.)
strength	float	No	Fuerza de la relación (0-1)

Ejemplos

Guardar Aprendizaje

# El usuario comparte: "He aprendido que usar async/await mejora performance"

await memory_tool.arun(
    title="Async/Await Best Practice",
    content="""
    Usar async/await en Python mejora significativamente la performance
    en aplicaciones I/O bound. Permite que múltiples operaciones se ejecuten
    concurrentemente sin bloqueo.
    
    Ejemplo:
    - Antes: 10 requests = 10 segundos
    - Después (con async): 10 requests = 1 segundo
    """,
    tags=["python", "performance", "async", "best-practice"],
    type="learning"
)

Conectar Información Relacionada

# El agente descubre que "FastAPI" y "async/await" están relacionados

# Primero: guardar/encontrar IDs
fastapi_id = "..."  # ID de nota sobre FastAPI
async_id = "..."    # ID del aprendizaje anterior

# Crear relación
await relation_tool.arun(
    source_id=fastapi_id,
    target_id=async_id,
    relation_type="depends_on",
    strength=0.9
)

Actualizar Conocimiento

# El usuario comparte información nueva que actualiza anterior

updated_result = await memory_tool.arun(
    title="FastAPI Advanced Patterns",
    content="Nueva información sobre FastAPI...",
    update_related=True  # Actualiza automáticamente relaciones
)

Composición con Otros Skills

Este skill se usa típicamente después de:

• search-and-research - Para guardar hallazgos
• retrieval-augmented-generation - Para enriquecer memoria
• analysis-and-insights - Para almacenar análisis

Patrón: Learn → Remember → Connect

# Flujo típico del agente:

# 1. Investigar tema
research = await search_tool.arun(query="tema interesante")

# 2. Analizar hallazgos
analysis = await analysis_tool.arun(data=research)

# 3. Guardar en memoria
memory_id = await memory_tool.arun(
    title=f"Investigación: {tema}",
    content=analysis["summary"],
    tags=analysis["tags"]
)

# 4. Conectar con conocimiento existente
for related_id in analysis["related_concepts"]:
    await relation_tool.arun(
        source_id=memory_id,
        target_id=related_id,
        relation_type="related_to"
    )

Mejores Prácticas

1. Ser Selectivo

# ❌ Guardar todo
# ✅ Guardar solo información valiosa, generalizable, no confidencial

2. Estructura Clara

# ❌ Content sin estructura
await memory_tool.arun(
    title="Stuff",
    content="random information about many things..."
)

# ✅ Content bien estructurado
await memory_tool.arun(
    title="Python Async Best Practices",
    content="""
    ## Conceptos Clave
    - async/await is non-blocking
    
    ## Cuándo Usarlo
    - I/O bound operations
    
    ## Ejemplos
    - Web scraping
    - API calls
    """,
    tags=["python", "async", "performance"]
)

3. Relaciones Significativas

# ❌ Conectar todo con todo
# ✅ Conectar solo relaciones significativas con fuerza > 0.7

Limitaciones

• Privacidad: No guardar información sensible del usuario
• Escalabilidad: Muy muchas relaciones pueden ralentizar búsquedas
• Mantenimiento: Requiere limpieza periódica de información obsoleta

Solución de Problemas

Error: "Embedding Dimension Mismatch"

Causa: Cambio de modelo embedding
Solución: Re-embedder documentos existentes

Error: "Circular Dependencies Detected"

Causa: Relaciones circulares en grafo
Solución: Revisar lógica de relaciones antes de guardar

Referencias

• Technical Reference
• Schema Documentation
• Performance Tuning