Mem0 y MemGPT: Stack de Memoria Cognitiva para Agentes IA
Construye un stack de memoria cognitiva para agentes IA con Mem0, MemGPT/Letta, PARA y Chroma o LanceDB. Arquitectura accionable con código.
11 artículos encontrados
Construye un stack de memoria cognitiva para agentes IA con Mem0, MemGPT/Letta, PARA y Chroma o LanceDB. Arquitectura accionable con código.
Deep dive técnico y honesto en el stack de memoria persistente que combino a diario en mis proyectos: opencode-supermemory para auto-compact, basic-memory como memoria principal con Markdown + grafo, y forgetful como capa de skills procedurales.
Análisis técnico comparativo de tres plugins nativos de OpenCode para dotar a tu agente IA de memoria persistente local: simple-memory (logfmt), Mnemosyne (binario Go offline) y true-mem (psicología cognitiva).
Comparativa técnica exhaustiva de tres servidores MCP multiplataforma para dar memoria persistente a agentes IA: opencode-supermemory (cloud), basic-memory (Markdown + grafo) y forgetful (Zettelkasten atómico). Funcionan con Claude Code, Codex, Cursor y más.
Análisis del paper 'Agents of Chaos' (arXiv:2602.20021): 7 vulnerabilidades críticas encontradas en dos semanas de red-team sobre agentes IA autónomos con memoria persistente, email y shell.
Un análisis técnico de Hipocampus, un arnés de memoria drop-in para agentes IA que usa arquitectura 3-Tier Hot/Warm/Cold y un árbol de compactación de 5 niveles. Cómo ROOT.md permite la consciencia de memoria a coste constante y cómo se compara con hmem, Mem0 y Letta.
Un análisis técnico de hmem (Humanlike Memory), un servidor MCP que modela la memoria humana en cinco niveles con lazy loading respaldados por SQLite + FTS5. Cómo el decaimiento Fibonacci, el envejecimiento logarítmico y un agente curador resuelven el problema de contexto entre sesiones y máquinas.
Un análisis profundo sobre el uso del método PARA (Projects, Areas, Resources, Archives) como andamiaje cognitivo para la memoria de agentes de IA. Cómo los archivos Markdown, Obsidian y Logseq vía MCP crean sistemas de memoria transparentes y editables por humanos que realmente persisten.
Análisis técnico de PlugMem, el sistema de memoria plugin de Microsoft Research que transforma interacciones brutas de agentes LLM en conocimiento reutilizable. Cómo su arquitectura de tres componentes (Estructura, Recuperación y Razonamiento) supera los diseños de memoria específicos por tarea.
Un análisis profundo de los riesgos críticos que rodean la memoria persistente en agentes IA: envenenamiento de memoria, el derecho al olvido, cifrado homomórfico y las tendencias que definirán 2026.
Un análisis técnico profundo de cómo los agentes de IA persisten, consolidan y recuperan información de forma autónoma. Desde OpenClaw y QMD hasta Mem0, Cognee y modelos de memoria neurobiológicos.