Memori es una capa de memoria nativa del agente de código abierto de Memori Labs. Observa conversaciones y seguimientos de ejecución (llamadas a herramientas, pasos del flujo de trabajo, decisiones, resultados y fallas) y luego convierte señales seleccionadas en memoria estructurada y persistente. Más tarde, una aplicación o agente puede recuperar un pequeño conjunto de recuerdos en lugar de reproducir una transcripción completa.
Este es un trabajo diferente al documento RAG. RAG suele responder "¿qué dice el corpus fuente?" La memoria del agente también debe responder “¿qué pasó, a quién, en qué proyecto, cuándo, con qué resultado y sigue siendo cierto?” El valor de Memori depende menos de almacenar muchos hechos que de escribir de forma selectiva, separar usuarios y proyectos, resolver correcciones, preservar el linaje, recordar en el momento adecuado y eliminar de forma fiable.
Del seguimiento de ejecución al contexto recuperado
conversación + seguimiento del agente + resultados de la herramienta
|
v
desinfectar / atribuir / normalizar
|
puntuar lo que es digno de memoria
|
.------------+-------------.
vvv
hechos eventos/resultados decisiones/patrones
'------------+-------------'
v
almacén de memoria estructurada
entidad/proyecto/proceso/sesión/fuente/hora
|
rango: relevancia + actualidad + señal + decadencia
|
v
retiro útil más pequeño
|
corrección / sustitución / eliminación
Se ingresa el seguimiento sin procesar, no necesariamente el objeto de memoria final. Las explicaciones del producto dicen que la ingesta es asincrónica: la actividad de la herramienta y la conversación se pueden normalizar, calificar y destilar después de una interacción sin retrasar la ruta de respuesta. Los rastros sin procesar pueden permanecer disponibles para auditoría, mientras que las primitivas duraderas contienen metadatos como entidad, proyecto, sesión, fuente, señal, marca de tiempo y resultado.
Qué es y qué no es Memori
| Sistema | unidad primaria | La mejor pregunta | Fallo típico |
|---|---|---|---|
| Historial de conversaciones | Mensaje | ¿Qué se dijo recientemente? | El contexto se vuelve largo, costoso e internamente inconsistente |
| Documento RAG | fragmento/documento | ¿Qué dice una fuente externa? | Débil manejo del estado personal, resultados y correcciones. |
| Base de datos de flujo de trabajo | Fila de aplicación explícita | ¿Cuál es el estado de transacción autorizado? | Requiere que los desarrolladores modelen cada campo y transición |
| Memori | Memoria estructurada derivada de la conversación y el rastreo. | ¿Qué estado anterior ayuda a este agente a actuar ahora? | La extracción o clasificación puede promover observaciones ruidosas, privadas o obsoletas. |
No utilizar la memoria probabilística como sistema de registro de saldos, permisos, órdenes, hechos médicos o situaciones jurídicas. Estos pertenecen a tablas de aplicaciones autorizadas y deben recuperarse en el momento de la decisión. Memori es mejor para preferencias, intentos anteriores, resultados, conocimiento del flujo de trabajo reutilizable y señales contextuales cuya procedencia se puede mostrar.
Las opciones de arquitectura que importan
La arquitectura de código abierto se describe como independiente del LLM, del marco y del almacén de datos. La atribución abarca la memoria de una entidad y un proceso; el aumento convierte la actividad bruta en memoria estructurada; el recuerdo utiliza relevancia semántica, clasificación y decadencia; Los contenedores pueden inyectar contexto seleccionado en llamadas de modelo posteriores. El diseño admite Memori Cloud y una ruta para traer su propia base de datos.
| capa | Responsabilidad | Pregunta de evaluación |
|---|---|---|
| Capturar | Recopile conversaciones, rastreos, herramientas y resultados. | ¿Exactamente qué eventos se observan? ¿Se pueden excluir las herramientas sensibles? |
| Atribución | Asignar entidad, proyecto, proceso y sesión. | ¿Pueden las identificaciones con formato incorrecto causar recuperación entre usuarios o inquilinos? |
| aumento | Extraer, clasificar, enriquecer y consolidar la memoria | ¿Qué modelo se ejecuta, dónde, con qué reintento y política de confianza? |
| Almacenamiento | Persistir elementos estructurados, incrustaciones, linaje y rastro. | ¿Quién controla el cifrado, la copia de seguridad, la región, la retención y la migración de esquemas? |
| recordar | Filtrar, clasificar, descomponer y devolver contexto relevante | ¿Puede cada resultado explicar la fuente, el alcance y la actualidad? |
| Observabilidad | Mostrar escrituras, retiros, rendimiento y cuota | ¿Pueden los operadores detectar sangrado, recuperación obsoleta y volumen de escritura descontrolado? |
Por qué la memoria derivada de trazas puede agregar información
Una transcripción puede decir "Volveré a intentar con el analizador CSV", pero el seguimiento puede revelar qué analizador se ejecutó, qué archivo falló, el error, el respaldo y si el resultado pasó la validación. Captar la ruta de ejecución puede preservar la evidencia causal que un resumen conversacional pierde. Los ejemplos útiles incluyen un comando de implementación que falla repetidamente en un entorno específico, una fuente de datos que devolvió filas obsoletas o un flujo de trabajo de soporte cuya escalada resolvió el caso.
| Señal de seguimiento | Memoria duradera potencial | No almacenar a ciegas |
|---|---|---|
| Llamada a la herramienta y resultado | Procedimiento de trabajo conocido o condición de falla recurrente | Cargas útiles sin procesar, tokens, registros de clientes o seguimientos de pila transitorios |
| Decisión y justificación | Enfoque elegido con alcance y evidencia | La especulación sobre un modelo no aprobado se presenta como política del equipo |
| Resultado | Si un plan anterior tuvo éxito, fracasó o se revirtió | Resultado inferido antes de la verificación externa |
| Corrección de usuario | Preferencia actual más sustitución del valor anterior | Atributos sensibles sin consentimiento o necesidad comercial |
| Patrón repetido | Información de flujo de trabajo de alta confianza después de múltiples observaciones | Comportamiento puntual generalizado en una regla permanente. |
La política de escritura debe exigir durabilidad, utilidad y sensibilidad adecuada. "El usuario eligió el modo oscuro" puede ser duradero. "El usuario está actualmente enojado" es efímero y potencialmente dañino. La "transferencia completada" debe verificarse con el sistema de transacciones, no inferirse de la sentencia final de un agente.
Recuerdo inteligente y lenguaje "sin token"
El material Memori enfatiza la recuperación dirigida y controlada por el agente y evita grandes volcados rápidos. El significado práctico no es que la memoria tenga literalmente un costo de tokens nulo: cualquier texto finalmente insertado en un contexto LLM consume tokens. Más bien, el agente puede llamar a una herramienta de recuperación sólo cuando sea útil, y la recuperación puede devolver un resultado compacto en lugar de inyectar continuamente el historial completo. El almacenamiento, el enriquecimiento, las incorporaciones y las llamadas a herramientas todavía tienen un costo informático y monetario.
| control de recuperación | Beneficio | No realizar la prueba |
|---|---|---|
| Filtros de entidad/proyecto/sesión | Evite el contexto irrelevante y entre inquilinos | Identificadores de alcance faltantes o falsificados |
| Relevancia semántica | Encuentra significado más allá de las palabras clave exactas | Coincidencias plausibles pero no relacionadas |
| Lo reciente y la decadencia | Desprioriza viejas observaciones | Hechos antiguos pero críticos están desapareciendo |
| Ponderación de fuente/señal | Prefiere resultados verificados sobre menciones casuales | La confianza descalibrada se convierte en autoridad |
| Retiro controlado por agente | Evita la inyección rápida constante. | El agente se olvida de llamar a la herramienta en un paso crítico. |
| Recuerdo resumido | Proporciona una orientación compacta | Excepciones y procedencia de las caídas de compresión |
Cómo interpretar la afirmación del índice de referencia
Memori informa una precisión del 81,95 % en LoCoMo con 1294 tokens por consulta y describe ese contexto como aproximadamente el cinco por ciento de un enfoque de contexto completo, lo que implica un ahorro de inferencia de hasta el 95,03 % en la configuración probada. LoCoMo evalúa preguntas de memoria de conversaciones largas, por lo que es relevante para el recuerdo de conversaciones. El posicionamiento derivado de la traza del producto se extiende más allá de lo que demuestra ese punto de referencia por sí solo.
Antes de adoptar los números, inspeccione el código de referencia del repositorio, la versión del conjunto de datos, el juez, el modelo, las líneas de base, el recuento de tokens y el número de ejecuciones. Separe la precisión de la recuperación de la precisión de la respuesta final. Las declaraciones de costos deben incluir aumento, integración, almacenamiento, llamadas de recuperación y reintentos, no solo tokens en la respuesta final. Un punto de referencia del proveedor es una evidencia reproducible útil, pero no es un SLA ni una prueba de rendimiento de sus esquemas e idiomas.
| Reclamar | lo que soporta | Se necesita prueba adicional |
|---|---|---|
| LoCoMo precisión de la respuesta | Rendimiento en una tarea pública de larga conversación. | Preguntas sobre tu dominio, usuarios, idiomas y patrones de corrección |
| 1294 tokens/consulta | Contexto compacto en la configuración informada | Costo total de escritura + recuperación + respuesta en volumen de producción |
| Memoria derivada de trazas | Aportes más ricos que la conversación sola | Ablación que muestra qué campos de seguimiento mejoran sus tareas |
| Construcción asincrónica | Potencialmente evita la latencia de la ruta de respuesta | Retraso de actualización, falla en la cola y comportamiento de lectura tras escritura |
| Aislamiento con alcance | Límites diseñados para inquilinos/proyectos | Autorización adversaria y pruebas de identificador. |
BYODB versus Memori Nube
| Implementación | Ventajas | Responsabilidades / preguntas |
|---|---|---|
| Código abierto + base de datos propia | Control de almacenamiento, gobernanza existente, portabilidad y personalización local | Operar esquemas, modelos, incorporaciones, migraciones, copias de seguridad, observabilidad y escalado. |
| BYODB con capacidades alojadas | Mantenga los datos primarios en la base de datos elegida mientras utiliza operaciones/aumentos administrados | Mapee exactamente qué contenido/metadatos salen de la base de datos y dónde se produce el procesamiento. |
| Memori Nube | Configuración más rápida, API administrado, panel, cuota y visibilidad operativa | Verifique los precios en vivo, el arrendamiento, los subprocesadores, la región, la retención, la exportación, la eliminación y el tiempo de actividad |
"Traiga su propia base de datos" no significa necesariamente "todo el procesamiento permanece dentro de su red". Obtenga un diagrama de flujo de datos que cubra rastros sin procesar, memoria extraída, incorporaciones, telemetría y acceso a soporte. Si se almacenan datos personales, asigne las solicitudes de acceso/eliminación a cada copia derivada, vector, caché, copia de seguridad y rastreo exportado.
Modelo de amenazas a la privacidad y la seguridad de la memoria
| Amenaza | Ejemplo | Control requerido |
|---|---|---|
| Sangrado entre inquilinos | Una consulta de recuperación omite el alcance del proyecto y devuelve el dato de otro cliente. | Autorización del lado del servidor, claves de inquilinos no opcionales y pruebas de aislamiento |
| Envenenamiento de la memoria | La salida de documentos/herramientas que no son de confianza les dice a los futuros agentes que revelen secretos | Etiquetas de confianza de origen, desinfección, aprobación y separación de instrucciones/datos |
| inferencia sensible | El comportamiento repetido se consolida en afirmaciones de salud, finanzas o identidad. | Minimización de datos, clases excluidas, consentimiento y retención breve |
| Autoridad obsoleta | Una dirección o póliza anterior se recupera después de la corrección. | Controles de versiones, estado canónico, sustitución y actualización |
| Brecha de eliminación | Fila eliminada pero la incrustación, el seguimiento o la copia de seguridad siguen siendo recuperables | Verificación de eliminación de un extremo a otro y vencimiento documentado de la copia de seguridad |
| Divulgación inmediata | El agente repite la memoria privada a un usuario no autorizado | Política de salida y recuperación basada en permisos; nunca confíes solo en el modelo |
Un contrato de memoria listo para producción
Defina un contrato antes de habilitar la captura automática. Cada memoria debe tener un propietario, inquilino/entidad, proyecto/proceso, tipo, puntero de origen, hora de creación, confianza, sensibilidad, caducidad, estado del ciclo de vida e identificador de eliminación. El contrato debe indicar qué tipos nunca se almacenan, cuáles requieren el consentimiento del usuario, cuáles pueden recuperarse automáticamente y cuáles deben obtenerse de un sistema autorizado.
permitido: preferencias, resultados verificados, procedimientos de tareas reutilizables denegado: credenciales, pagos sin procesar/registros de salud, indicaciones ocultas del sistema autoridad: base de datos de aplicación > corrección de usuario verificada > resultado de la herramienta > inferencia del modelo recordar: inquilino + proyecto requerido; fuente y marca de tiempo devueltas ciclo de vida: propuesto -> activo -> reemplazado/caducado/eliminado eliminación: memoria + incrustación + caché + puntero de seguimiento + programación de copias de seguridad
Un plan de evaluación de cuatro semanas
- Semana 1: línea de base. Recopile 50 preguntas reales sobre hechos recientes, hechos antiguos, correcciones, resultados de varias sesiones y casos en los que “no existe ningún recuerdo”. Mida líneas de base de historial completo y de vector-RAG simple.
- Semana 2: calidad de escritura. Ejecute seguimientos representativos, etiquete qué observaciones deben convertirse en memoria y calcule la precisión/recuperación de la extracción, la fuga de datos confidenciales y el retraso en la actualización.
- Semana 3: calidad del recuerdo. Filtros de prueba, clasificación, deterioro, citas, contradicciones, consultas multilingües e ID de inquilinos contradictorios. Registre la precisión del contexto relevante antes de medir las respuestas finales.
- Semana 4: operaciones. Cargue escrituras/recuperaciones de prueba, detenga el trabajador de aumento, rote credenciales, restaure una copia de seguridad, exporte datos y ejecute la eliminación completa. Ponga precio a la carga de trabajo real.
| Métrica | Definición | Puerta de salida sugerida |
|---|---|---|
| Precisión de escritura | Recuerdos útiles, precisos y duraderos / todos creados | ≥90% |
| Escribir recuerdo | Observaciones duraderas de oro capturadas/todas las observaciones de oro | ≥85% |
| Recordar precisión@k | Recuerdos devueltos relevantes / k | ≥80% en el contexto realmente inyectado |
| Tasa de memoria no compatible | Reclamaciones retiradas que carecen de fuente válida/retiradas | <2% |
| Fuga cruzada | Artículos de inquilino/proyecto no autorizados devueltos | 0 en suite adversaria |
| Éxito de la corrección | Consultas que devuelven hechos canónicos actuales después de la corrección. | 100% para campos de prueba críticos |
| Finalización de la eliminación | Las superficies derivadas ya no se pueden recuperar dentro de la ventana de política | 100% |
| Costo total/tarea | Escribir, modelar, incrustar, almacenar, recordar y responder. | Por debajo del valor medido guardado |
Se deben endurecer los umbrales para usos regulados o de alto impacto. Mida también la abstención: un buen sistema debe decir “no se encontró ningún recuerdo confiable” en lugar de recuperar una ficción semánticamente similar.
Alternativas
| Alternativa | Elige cuando | Comparación clave |
|---|---|---|
| Mem0 | Quiere una memoria general ampliamente integrada API y rutas administradas/abiertas | Compare el esquema de extracción, el soporte de gráficos, el alcance, los puntos de referencia y el flujo de datos alojados |
| Zep / Graphiti | Los gráficos de conocimiento temporal y las relaciones entre entidades son primarios. | Comparar invalidación temporal, operaciones gráficas e ingesta de seguimiento |
| Letta | La gestión de la memoria debe ser parte del tiempo de ejecución de un agente con estado. | Abstracción diferente: orquestación de agentes más memoria por niveles |
| LangGraph persistencia | Necesita puntos de control explícitos del flujo de trabajo y afirmar que usted mismo se modela | Estado más determinista; extracción de memoria semántica menos automática |
| Postgres/pgvector capa personalizada | Sus requisitos de esquema, seguridad o costos justifican la propiedad | Máximo control, máxima evaluación y carga de mantenimiento. |
| Mesas de perfil liso/ADR | Las necesidades de memoria son pequeñas, explícitas y de gran consecuencia. | A menudo es más seguro y económico que la extracción probabilística. |
Preguntas frecuentes
¿Memori reemplaza una base de datos vectorial?
No. Es una capa de integración y ciclo de vida de la memoria que puede utilizar la infraestructura de almacenamiento y recuperación. El trabajo adicional importante es la atribución, estructuración, clasificación, linaje y aumento.
¿Solo aprende del chat?
No. Su posicionamiento actual incluye explícitamente el seguimiento de la ejecución del agente, la actividad de las herramientas, las decisiones del flujo de trabajo, los resultados y los fallos junto con la conversación.
¿El retiro es realmente libre de tokens?
La recuperación de herramientas bajo demanda puede evitar inyectar siempre memoria, pero el texto devuelto utilizado por un LLM consume tokens de contexto. Incluya los costos de recuperación y creación de memoria en el total.
¿Puede Memori almacenar un estado comercial autorizado?
Puede almacenar contexto al respecto, pero el estado actual crítico debe permanecer en la base de datos autorizada de la aplicación y verificarse en el momento de la acción.
¿Cómo deberían funcionar las correcciones?
Mantenga el linaje, marque el valor verificado más nuevo como canónico, suprima el valor anterior de la recuperación ordinaria y conserve el historial solo según lo permita la política.
¿Quién debería adoptar Memori primero?
Equipos con agentes multiusuario de larga duración cuyas fallas mensurables provienen de un contexto de ejecución perdido y que pueden operar un programa serio de evaluación y privacidad.
Fuentes y verificación
- Sitio oficial del producto Memori
- Repositorio oficial de código abierto
- Documentación oficial de arquitectura BYODB
- Descripción general y demostración oficial del seguimiento de agentes
- Página oficial de referencia
- Código de referencia y materiales en el repositorio oficial.
- Memori documento técnico
- Lanzamiento de Product Hunt y explicaciones del fabricante
- Guía de seguridad de aplicaciones OWASP LLM
Revisado por última vez el 26 de julio de 2026. La arquitectura, los planes de nube, los resultados de las pruebas comparativas y las integraciones pueden cambiar. Verifique la documentación, los términos y el código actuales antes del uso en producción.
