Cómo elegir un sistema de memoria para IA: comparación entre Mem0, Letta, Zep, Cognee y Memobase

Thu, 11 Jun 2026 14:30:23 +0800

Cuando una aplicación de IA deja de ser una sesión puntual de preguntas y respuestas y pasa a usarse a largo plazo, aparece siempre la misma pregunta: ¿cómo recuerda personas, proyectos, preferencias, historial y estados que cambian?

Las soluciones de memoria ya se han dividido en varias rutas. Algunas funcionan como una memoria externa entre tu aplicación y la base de datos. Otras convierten el propio Agent en un sistema con gestión de memoria. Algunas dan mucha importancia al tiempo y a los estados caducados. También hay soluciones centradas en perfiles de usuario, razonamiento entre documentos o asistentes de programación.

Si solo miras los nombres de los proyectos, es fácil mezclarlos. La forma más útil de decidir es preguntar: qué necesitas que recuerde la IA y cuánta complejidad arquitectónica estás dispuesto a aceptar por esa memoria.

Primero, la conclusión

Solución	A qué se parece	Escenario adecuado	Coste principal
Mem0	Middleware de memoria externa	Añadir memoria a largo plazo a una app de IA existente	Hay que ajustar coste, almacenamiento y calidad de recuperación
Letta	Runtime de Agent con memoria integrada	Crear desde cero un Agent que entienda mejor al usuario con el tiempo	Hay que aceptar su arquitectura de Agent
Zep / Graphiti	Capa de memoria con línea temporal	Fichas de clientes, estados contractuales, preferencias cambiantes	Arquitectura más pesada, normalmente con base de datos de grafos
Cognee	Capa que transforma documentos en red de conocimiento	Bases de conocimiento con muchos documentos y razonamiento transversal	Pipeline de procesamiento de datos más complejo
Memobase	Memoria de perfil de usuario	Compañía con IA, educación, recomendación, productos de consumo	Recuerda a la persona, no un flujo general de eventos
AgentMemory	Memoria entre sesiones para asistentes de programación	Asistentes de programación con IA y reutilización de contexto de proyecto	Más vertical y con alcance más estrecho
Text2Mem	Especificación de operaciones de memoria	Definir protocolos verificables para sistemas de memoria	Es más una capa abstracta que un sustituto completo de producto
ReMe	Archivos como memoria	Permitir que el usuario vea y edite la memoria directamente	Requiere aceptar una gestión transparente basada en archivos
memU	Agent de memoria activo en segundo plano	Hacer que el sistema de memoria organice contexto de forma continua	Paradigma más experimental, con mayor incertidumbre técnica

Mem0: la capa de memoria externa más versátil

Mem0 es un buen primer punto de referencia para entender los sistemas de memoria para IA. Su objetivo no es reescribir la arquitectura de tu Agent, sino colocarse entre la aplicación, el modelo y la base de datos para extraer conversaciones, preferencias de usuario, hechos del proyecto y otros contenidos como memoria reutilizable.

Sus puntos fuertes son la generalidad, un ecosistema amplio y una barrera de integración relativamente baja. Si ya tienes una aplicación de chat, un asistente o un sistema de workflows y quieres añadir “me recuerda”, este tipo de middleware suele ser el primer candidato.

Otra dirección de Mem0 es su versión local, OpenMemory. Su atractivo está en que la memoria puede guardarse en tu propio ordenador y compartirse entre varias herramientas. Para usuarios sensibles a la privacidad que no quieren reconstruir contexto desde cero en cada herramienta, esto importa.

Pero Mem0 no es un interruptor mágico. En una implementación real conviene vigilar tres cosas:

Si la extracción de memoria es excesiva y acumula información irrelevante.
Si las memorias recuperadas encajan de forma estable con la tarea actual.
Si el coste de llamadas al modelo y almacenamiento a largo plazo sigue siendo controlable.

En una frase: si quieres añadir memoria rápidamente a un proyecto existente, mira primero Mem0. Si quieres que el propio sistema de memoria defina cómo funciona el Agent, no es la clase de solución más pesada.

Letta: poner la memoria dentro del propio Agent

Letta antes era MemGPT, y no es el mismo tipo de cosa que Mem0.

Mem0 se parece más a una memoria externa. Letta se parece más a un runtime de Agent con gestión de memoria integrada. Coloca el modelo grande dentro de un marco parecido a un sistema operativo, de modo que el Agent decide qué información debe quedarse en el contexto de trabajo, qué debe archivarse y qué debe recuperarse más tarde.

La ventaja de esta ruta es que la memoria queda más profundamente unida al comportamiento del Agent. No estás añadiendo una capa de memoria por fuera de una app normal; estás diseñando un Agent que administra su propia memoria desde el inicio.

El coste también es claro: es más pesado. Debes llevar el proyecto al mundo de Letta y aceptar su modelo de ejecución, gestión de estado y hábitos de desarrollo.

Letta encaja si estás creando desde cero un Agent personal, asistente de investigación o asistente de negocio de larga duración, quieres que entienda mejor al usuario con el tiempo y estás dispuesto a construir el sistema alrededor de su framework.

Zep / Graphiti: tratar el tiempo como ciudadano de primera clase

El problema de muchos sistemas de memoria no es “no recuerda”, sino “recuerda una respuesta antigua sin saber que ya caducó”.

La clave de Zep / Graphiti y soluciones parecidas es el tiempo. No solo guardan una preferencia o un hecho; también registran cuándo fue válido y cuándo dejó de serlo. Cuando el usuario cambia de opinión, la memoria antigua no necesariamente se borra por completo: pasa a ser un estado histórico.

Esto las hace adecuadas para relaciones y hechos que cambian, por ejemplo:

Información de clientes y fases de seguimiento.
Cláusulas de contrato y cambios de estado.
Preferencias de usuario que cambian con el tiempo.
Escenarios donde necesitas consultar tanto “qué te gusta ahora” como “qué te gustaba en marzo”.

Esta ruta suele llevar a estructuras de grafo, porque los cambios de estado, las relaciones entre personas, las cadenas de eventos y las líneas temporales forman redes de manera natural. La ventaja es una cadena de evidencia más clara. La desventaja es una arquitectura más pesada, con mayor coste de despliegue y mantenimiento.

Si tu memoria es principalmente “preferencias actuales”, quizá no necesites algo tan pesado. Si la memoria necesita versiones, tiempo, caducidad y trazabilidad, Zep / Graphiti ganan mucho valor.

Cognee: convertir documentos en una red de conocimiento razonable

El RAG tradicional se parece más a recuperar fragmentos por similitud. Puede encontrar texto parecido, pero no necesariamente entiende las relaciones entre documentos.

La dirección de Cognee es procesar un conjunto de materiales para convertirlo en un sistema de memoria híbrido de grafos y vectores. No solo almacena fragmentos; también intenta extraer entidades, relaciones y estructuras para que el sistema pueda razonar siguiendo la red de relaciones.

Encaja en escenarios con muchos documentos, por ejemplo:

Bases de conocimiento internas de una empresa.
Documentación técnica y materiales de proyecto.
Material legal, contratos y especificaciones de producto en varios archivos.
Tareas de investigación que requieren armar conclusiones a partir de varios documentos.

Su coste también es evidente: la cadena de procesamiento de datos es más larga, hay más componentes del sistema, y las actualizaciones, limpieza, deduplicación y extracción de relaciones requieren diseño. No es la ruta ligera de “añadir un poco de memoria a un chatbot”; se parece más a convertir un repositorio de documentos en una red de conocimiento capaz de razonar.

Memobase: recordar qué tipo de persona es el usuario

Memobase no se centra en recordar cada evento, sino en organizar el perfil del usuario.

Mientras otros sistemas se fijan más en “qué ocurrió”, Memobase se fija en “qué tipo de persona es este usuario”: intereses, hábitos, atributos, preferencias y rasgos de largo plazo. Organiza esta información en campos más claros, fáciles de leer, modificar y usar en producto.

Esto es útil para productos de consumo:

Los compañeros con IA necesitan entender personalidad y límites de relación.
Los productos educativos necesitan recordar etapa de aprendizaje, puntos débiles y objetivos.
Los sistemas de recomendación necesitan perfiles de preferencia estables y editables.
Los asistentes de salud, productividad y vida diaria necesitan seguir hábitos a largo plazo.

El límite de Memobase también está ahí. No es lo más adecuado para seguimiento general de eventos ni para razonamiento documental complejo. Se parece más a una capa de memoria tipo “tarjeta de persona”: organiza quién es el usuario, qué le gusta y cuáles son sus hábitos.

AgentMemory: memoria entre sesiones para asistentes de programación

AgentMemory es más vertical. Resuelve sobre todo un problema clásico de los asistentes de programación con IA: en cada nueva sesión hay que explicar de nuevo el contexto del proyecto.

Lo que los desarrolladores realmente quieren conservar no es memoria de charla casual, sino:

El stack técnico y la estructura de directorios del proyecto.
El estilo de código acordado.
Qué archivos no deben tocarse a la ligera.
Comandos frecuentes y formas de probar.
Dónde quedó la depuración anterior.

Si esta información puede compartirse entre sesiones y entre varios asistentes de programación, se reduce mucha repetición de prompts. AgentMemory encaja en escenarios puramente de desarrollo, sobre todo cuando un equipo o una persona mantiene el mismo conjunto de proyectos durante mucho tiempo.

Pero no es una plataforma de memoria general. Para atención al cliente, compañía, recomendación o bases de conocimiento, normalmente conviene mirar antes las categorías anteriores.

Text2Mem: definir un conjunto de instrucciones para operaciones de memoria

Text2Mem se parece más a un protocolo de operaciones de memoria. Le importa cómo un sistema de memoria debe añadir, actualizar, fusionar, borrar, verificar y emitir resultados estructurados.

Su idea puede resumirse en tres puntos:

Usar un conjunto de operaciones atómicas para describir cambios de memoria, en lugar de dejar que el modelo escriba libremente.
Usar un contrato JSON fijo para transportar operaciones de memoria y reducir salidas incontrolables.
Usar una capa de verificación para revisar resultados y evitar escribir memoria incorrecta directamente en el sistema.

Este tipo de solución encaja como “plano de control” de un sistema de memoria. Si ya tienes Mem0, Zep, Graphiti o una capa de memoria propia, el valor de Text2Mem quizá no esté en reemplazarlos, sino en restringir las acciones de escritura de memoria.

ReMe: archivos como memoria, visibles para el usuario

ReMe viene del ecosistema AgentScope de Alibaba, y su palabra clave es “archivos como memoria”.

Muchos sistemas de memoria son cajas negras: el usuario no sabe qué recuerda el sistema y tampoco puede modificarlo fácilmente. ReMe va en una dirección más transparente y convierte la memoria en archivos que el usuario puede ver, editar y administrar.

Esto importa para la confianza. Especialmente en asistentes personales, asistentes empresariales y Agents de larga duración, el usuario quizá no quiera que toda la memoria se mantenga de forma oculta dentro del sistema. Poder editar directamente significa que el usuario puede corregir errores y organizar el contexto de forma activa.

Encaja en escenarios donde importan la explicabilidad, el control y la portabilidad. El coste es que el diseño de producto debe acompañar: estructura de archivos, permisos, sincronización y manejo de conflictos requieren atención seria.

memU: convertir la memoria en un Agent de segundo plano

memU propone un paradigma más agresivo: la memoria no es solo almacenamiento pasivo, sino un Agent de segundo plano que se ejecuta de forma continua.

La mayoría de sistemas de memoria extraen, consultan y actualizan cuando ocurre una conversación. La idea de memU se parece más a hacer que la capa de memoria trabaje 24/7: organizar, archivar, comprimir, actualizar y preparar contexto de forma activa.

La dirección es imaginativa, porque un Agent verdaderamente duradero no debería pensar en memoria solo cuando el usuario habla. Pero también trae más preguntas de ingeniería:

¿Puede la organización en segundo plano modificar por error memorias importantes?
¿Cómo se definen los disparadores de actualización activa?
¿Cómo se controla el coste?
¿Cómo audita el usuario lo que hizo?

Si estás construyendo un Agent experimental o un asistente personal de largo plazo, vale la pena seguir esta dirección. Para sistemas de producción, primero hay que confirmar controlabilidad y observabilidad.

Recomendaciones de selección

Si solo quieres añadir memoria a largo plazo a una aplicación existente, empieza por Mem0. Es suficientemente general y su coste de integración suele ser más aceptable.

Si quieres crear un Agent de larga duración desde cero y estás dispuesto a reestructurar el proyecto alrededor de un runtime de Agent, mira Letta. Se parece más a un “cuerpo de IA con memoria” que a un plugin normal.

Si tu negocio depende mucho del tiempo, cambios de estado y trazabilidad histórica, mira primero Zep / Graphiti. Clientes, contratos, preferencias y redes de relación necesitan saber cuándo algo fue válido y cuándo caducó.

Si necesitas procesar grandes cantidades de material y hacer razonamiento entre documentos, mira Cognee. Encaja mejor en convertir documentos en una red de conocimiento que en hacer solo recuperación por similitud.

Si el foco del producto es entender al usuario como persona, mira Memobase. Compañía con IA, educación, recomendación y asistentes de vida diaria necesitan una capa de perfil de usuario legible y editable.

Si lo que te importa es la memoria entre sesiones para asistentes de programación con IA, mira AgentMemory. Su escenario es estrecho, pero el problema es muy real.

Si estás desarrollando tu propio sistema de memoria, Text2Mem, ReMe y memU son más bien tres direcciones complementarias: especificación de operaciones, edición transparente y convertir la memoria en un proceso activo de segundo plano.

Un marco sencillo de decisión

Puedes filtrar opciones con cuatro preguntas:

¿Cuál es el objeto de memoria?

¿Es un perfil de usuario, contexto de proyecto, hechos de conversación, conocimiento documental o un estado de negocio que cambia con el tiempo?
¿La memoria necesita línea temporal?

Si los estados antiguos también tienen valor, no uses solo actualizaciones por sobrescritura.
¿Cuánta arquitectura estás dispuesto a cambiar?

Mem0 encaja mejor como añadido. Letta encaja mejor si reconstruyes la forma en que se ejecuta el Agent. Cognee y Zep/Graphiti suelen traer una capa de datos más pesada.
¿El usuario necesita editar la memoria directamente?

Si necesitas transparencia y control, enfoques como ReMe y Memobase sirven mejor como referencia.

Resumen

No hay una única respuesta para los sistemas de memoria de IA. Para integración ligera, Mem0. Para Agents con memoria integrada, Letta. Para estados temporales, Zep / Graphiti. Para razonamiento entre documentos, Cognee. Para perfiles de usuario, Memobase. Para asistentes de programación, AgentMemory.

Lo más importante no es preguntar primero “cuál es el más fuerte”, sino “qué necesito recordar”. Cuando cambia el objeto de memoria, también cambia la mejor ruta técnica.

Letta on KnightLi Blog