¿Cómo utilizar MemPalace? ¿Para qué escenarios de agentes es adecuado el sistema de memoria AI de código abierto?

Sat, 06 Jun 2026 22:26:00 +0800

MemPalace/mempalace es un sistema de memoria de IA de código abierto. La descripción del proyecto dice que es un “sistema de memoria de IA de código abierto” y enfatiza los puntos de referencia. Simplemente comprenda que quiere proporcionar una capa de memoria sostenible para LLM y Agent, en lugar de depender únicamente de la ventana de contexto actual.

La memoria a largo plazo es un problema que el sistema del agente no puede evitar. Sin memoria, el Agente parecerá nuevo cada vez; si la memoria es mala, generará preferencias erróneas, hechos obsoletos y datos privados en tareas posteriores.

¿Para qué es adecuado?

MemPalace es más adecuado para estos escenarios:

El asistente personal de IA recuerda las preferencias y los objetivos a largo plazo;
El Agente de Programación recuerda los acuerdos de proyectos y los obstáculos históricos;
El agente de servicio o de operaciones recuerda el contexto del usuario;
Múltiples rondas de tareas de investigación conservan conclusiones escalonadas;
Conectar capacidades de memoria a diferentes clientes a través de MCP;
Construir servicios de memoria para implementación local o privada.

El objetivo de este tipo de sistema no es “guardar más registros”, sino qué guardar, cómo recuperarlo, cuándo olvidarlo y cómo corregir errores.

Diferencias con el RAG ordinario

El RAG ordinario se parece más a “buscar información”; El sistema de memoria se parece más a “acumular experiencia”.

Los objetos de RAG suelen ser documentos, páginas web y bases de conocimiento. El sistema de memoria manejará el diálogo, las preferencias del usuario, las trayectorias de las tareas, los resultados de las decisiones y las experiencias de fracaso. Los dos se pueden combinar, pero no los mezcles.

Si sólo desea solicitar contenido PDF, RAG es suficiente; Si desea que el Agente crezca entre sesiones, necesita un sistema de memoria.

¿A qué debes prestar atención al usarlo?

Hay varios problemas difíciles con la memoria a largo plazo:

Los recuerdos deben ser visibles, editables y eliminables;
No conservar conjeturas temporales como hechos;
Necesidad de diferenciar entre preferencias del usuario, hechos, estado de la tarea y experiencia;
Los datos sensibles deben tener permisos y políticas de retención;
Los viejos recuerdos pueden estar desactualizados y es necesario descomponerlos o revisarlos.

Los sistemas de memoria de IA tienen más miedo de “recordar cosas incorrectas con seguridad”. Así que no te centres sólo en la tasa de recuperación, sino también en el mecanismo de corrección de errores.

Resumen

MemPalace merece atención porque los agentes de IA están pasando de ser herramientas únicas a socios de colaboración a largo plazo. Siempre que los agentes trabajan entre sesiones, los sistemas de memoria se convierten en infraestructura.

Pero más recuerdos no son mejores. Un sistema de memoria verdaderamente útil debería permitir al usuario controlar lo que recuerda y permitir al Agente obtener el contexto correcto cuando sea necesario.

Fuentes de referencia

MemPalace/mempalace - GitHub

Cómo usar EverOS: un framework local para memoria a largo plazo en AI Agents

Sat, 06 Jun 2026 22:26:00 +0800

EverMind-AI/EverOS es un framework Python open source para añadir memoria a largo plazo a AI Agents y aplicaciones de chat. Su objetivo no es crear otro chatbot, sino organizar conversaciones, trayectorias de agentes y conocimiento de archivos en una capa de memoria estructurada, recuperable y evolutiva.

Lo más interesante es su diseño de almacenamiento: EverOS no encierra la memoria en una base de datos opaca, sino que trata Markdown como Source of Truth. Puedes abrirlo, editarlo, buscar con grep, versionarlo con Git e incluso verlo en Obsidian.

Qué problema resuelve

En muchos Agents, la “memoria” es solo contexto de corto plazo:

Recuerda hoy y olvida mañana;
Una herramienta sabe algo que otra no sabe;
Preferencias de usuario, experiencia de proyecto y casos fallidos quedan dispersos en chats;
RAG puede buscar archivos, pero no siempre conserva “experiencias vividas”;
Cuando el sistema de memoria depende de bases de datos complejas, el coste de mantenimiento sube para equipos pequeños.

EverOS quiere ser una base de memoria a largo plazo más ligera. Separa la memoria del usuario y la memoria del Agent: los usuarios tienen Profile, Episodes, Facts y Foresights; los Agents tienen Cases y Skills. Así no solo se “recuerda una frase”, sino que se acumulan personas, tareas, experiencias y procedimientos.

Estructura técnica

El README explica claramente los principios centrales de EverOS:

Markdown as Source of Truth: toda memoria termina en archivos .md;
Lightweight three-piece storage: Markdown + SQLite + LanceDB;
EverAlgo se encarga de los algoritmos de extracción de memoria, mientras EverOS orquesta y persiste.

El layout de almacenamiento se parece a esto:

~/.everos/
├── default_app/
│   └── default_project/
│       ├── users/<user_id>/
│       │   ├── user.md
│       │   ├── episodes/
│       │   ├── .atomic_facts/
│       │   └── .foresights/
│       └── agents/<agent_id>/
│           ├── agent.md
│           ├── .cases/
│           └── skills/
└── .index/
    ├── sqlite/system.db
    └── lancedb/*.lance/

Markdown es la fuente de verdad, SQLite gestiona estado y colas, y LanceDB gestiona vectores, BM25 y scalar filters. Esta combinación es mucho más ligera que un stack completo con MongoDB, Elasticsearch, Milvus, Redis y Kafka, y encaja mejor con desarrolladores individuales y equipos pequeños.

Inicio rápido

La instalación es sencilla:

1
2
3

uv pip install everos
# or
pip install everos

Inicializa la configuración:

`1`	`everos init`

Luego inicia el servicio:

`1`	`everos server start`

El endpoint stack de EverOS es compatible con OpenAI protocol, así que puede conectarse a OpenAI, OpenRouter, vLLM, Ollama, DeepInfra y servicios similares. Solo tienes que ajustar el BASE_URL correspondiente y las API Keys en .env.

Si necesitas procesar imágenes, PDF, audio, documentos Office u otros contenidos no textuales, instala la extensión multimodal:

`1`	`uv pip install 'everos[multimodal]'`

La conversión de documentos Office depende de LibreOffice. Sin LibreOffice, PDF, imágenes y audio no se ven afectados, pero archivos .doc, .docx, .ppt, .pptx, .xls y .xlsx fallarán al procesarse.

Escenarios adecuados

EverOS encaja mejor en:

Asistentes de programación con IA que recuerdan convenciones de proyecto, errores pasados y flujos habituales;
Colaboración multi-agent con memoria a largo plazo compartida;
Asistentes personales que recuerdan preferencias, experiencias y objetivos;
Asistentes internos de conocimiento que combinan archivos y experiencia conversacional;
Investigación, análisis de datos y operaciones que necesitan acumular casos entre sesiones;
Equipos que quieren mantener memoria en archivos locales en lugar de entregarla por completo a una plataforma en la nube.

No es tan adecuado para FAQs simples. Para eso basta con un RAG común. El valor de EverOS está en que la memoria se vuelve más rica con el uso, no solo en buscar documentos estáticos.

Límites de uso

La memoria a largo plazo suena atractiva, pero tiene trampas:

Recordar mal es más peligroso que olvidar, así que la extracción de memoria necesita verificación humana;
La privacidad del usuario y la información sensible deben poder verse, borrarse y exportarse;
Un Agent no debe confiar ciegamente en conclusiones antiguas solo porque estén en memoria;
La separación entre usuarios, proyectos y Agents debe diseñarse con cuidado;
Que Markdown sea editable es una ventaja, pero también implica manejar la sincronización del índice tras ediciones manuales.

Por eso EverOS encaja mejor como infraestructura que como producto final. En la capa de aplicación debes decidir qué puede recordarse, cuándo, durante cuánto tiempo, quién puede leerlo y cómo corregir errores.

Resumen

El diseño de EverOS resulta muy atractivo: usa Markdown como fuente de verdad, SQLite y LanceDB como índices, y devuelve la memoria a largo plazo desde bases de datos opacas hacia un sistema de archivos legible, editable y versionable.

Si estás creando AI Agents, asistentes personales, asistentes de programación o plataformas multi-agent, y ya te has encontrado con el problema de “al terminar la conversación todo se olvida”, EverOS merece estudio. No es un cerebro universal, pero ofrece un prototipo práctico de sistema operativo de memoria.

Referencias

EverMind-AI/EverOS - GitHub

Long-Term Memory on KnightLi Blog

¿Cómo utilizar MemPalace? ¿Para qué escenarios de agentes es adecuado el sistema de memoria AI de código abierto?

¿Para qué es adecuado?

Diferencias con el RAG ordinario

¿A qué debes prestar atención al usarlo?

Resumen

Fuentes de referencia

Cómo usar EverOS: un framework local para memoria a largo plazo en AI Agents

Qué problema resuelve

Estructura técnica

Inicio rápido

Escenarios adecuados

Límites de uso

Resumen

Referencias