memory-context-engine

# Motor de Memoria y Contexto para Agentes IA ## Resumen [supermemory](https://github.com/supermemoryai/supermemory) (⭐28K) es un motor de memoria y contexto para agentes IA. Extremadamente rápido, escalable, y self-hostable. Permite que agentes recuerden información entre sesiones. ## Cuándo usar - Agentes IA con memoria persistente entre sesiones - RAG (Retrieval-Augmented Generation) con grandes volúmenes de datos - Sistema de memoria para múltiples agentes - Context engine para LLMs con contexto limitado ## Arquitectura ``` Documentos/Conversaciones ↓ Chunking ↓ Embedding (modelo local o API) ↓ Vector store (ChromaDB/Qdrant/Postgres+pgvector) ↓ Query → Embedding → Búsqueda semántica → Top-K chunks → Contexto para LLM ``` ## Patrón de uso ```python from supermemory import SuperMemory # Inicializar motor de memoria memory = SuperMemory( vector_store="chromadb", # o qdrant, pgvector embedding_model="qwen3-embedding", api_key="your-api-key" ) # Almacenar memoria memory.add( content="David prefiere dashboards con mapa a tabla", metadata={"user": "david", "type": "preference"}, tags=["ui", "dashboard", "maps"] ) # Recuperar memoria relevante results = memory.search( query="¿qué prefiere David para visualización?", top_k=5, filter={"user": "david"} ) for result in results: print(f"Score: {result.score} | {result.content}") ``` ```javascript // Integración con agente const memory = new SuperMemory({ vectorStore: 'chromadb', embeddingModel: 'qwen3-embedding' }); // Antes de cada llamada al LLM, recuperar contexto relevante async function agentWithMemory(userMessage) { const context = await memory.search(userMessage, { topK: 5 }); const prompt = ` Contexto relevante de memoria: ${context.map(c => c.content).join('\n')} Usuario: ${userMessage} `; const response = await llm.chat(prompt); // Guardar la interacción en memoria await memory.add({ content: `Usuario: ${userMessage}\nAsistente: ${response}`, metadata: { type: 'conversation', timestamp: Date.now() } }); return response; } ``` ## Pitfalls - **Chunking:** Tamaño de chunk óptimo: 500-1000 tokens. Solapamiento de 50-100 tokens. - **Embedding model:** Modelos locales (sentence-transformers) son gratis pero menos precisos. APIs (OpenAI, NaN) son mejores pero cuestan. - **Vector store:** ChromaDB para desarrollo, Qdrant para producción, pgvector si ya tienes Postgres. - **Re-indexing:** Al cambiar el modelo de embedding, hay que re-indexar todo. - **Metadata filtering:** Usar metadata para filtrar por usuario, tipo, fecha. Mejora precisión. ## Referencias - supermemory: https://github.com/supermemoryai/supermemory - ChromaDB: https://www.trychroma.com/ - Qdrant: https://qdrant.tech/ --- **Hecho con ❤️ por David Antizar**