agentmemory

agentmemory es un motor de memoria persistente autohospedado diseñado para agentes de codificación de IA. Resuelve el problema de que los agentes pierdan contexto entre sesiones capturando silenciosamente lo que hace un agente, comprimiéndolo en memoria buscable e inyectando contexto relevante cuando comienza la siguiente sesión. El proyecto está construido sobre el motor iii (fijado en v0.11.2) y requiere Node.js 20 o superior. La instalación es un solo comando: `npx -y @agentmemory/agentmemory@latest`. La primera ejecución es interactiva: te permite elegir qué agentes conectar (Claude Code, Cursor, Codex, Gemini CLI, OpenCode y más), seleccionar un proveedor de LLM o permanecer sin claves, y opcionalmente instalar globalmente. Un comando de demostración siembra sesiones de muestra y ejercita la recuperación para verificar la configuración. El sistema funciona con cualquier agente que admita hooks, MCP o API REST. Incluye plugins y hooks nativos para Claude Code (12 hooks), Codex CLI (6 hooks), OpenCode (22 hooks), Devin (6 hooks) y otros, además de soporte de servidor MCP para GitHub Copilot CLI, Cursor, Gemini CLI, Cline, Goose, Kilo Code, Claude Desktop, Roo Code y más. Un único servidor de memoria se comparte entre todos los agentes conectados, por lo que las memorias persisten sin importar a qué agente cambies. La búsqueda utiliza un enfoque híbrido que combina búsqueda por palabras clave BM25, embeddings vectoriales y coincidencias estructurales de grafos, fusionados mediante Reciprocal Rank Fusion (RRF). En modo sin claves (sin API key), los embeddings vectoriales se desactivan y BM25 se encarga de la recuperación. Para recuperación semántica gratuita en el dispositivo, establecer `EMBEDDING_PROVIDER=local` descarga el modelo Xenova/all-MiniLM-L6-v2 localmente después de la primera solicitud. El proyecto reporta un 95.2% de R@5 en LongMemEval-S (500 preguntas) y un 100% de tasa de aciertos top-5 en su corpus interno coding-agent-life-v1. El ciclo de vida de la memoria incluye consolidación en cuatro niveles, decadencia y auto-olvido, de modo que la información obsoleta se poda automáticamente. El sistema proporciona 54 herramientas MCP y 12 hooks automáticos para captura sin esfuerzo manual. Un visor en tiempo real se ejecuta en el puerto 3113 para inspeccionar las memorias almacenadas. El tiempo de ejecución utiliza cuatro puertos: 3111 para REST/MCP HTTP, 3112 para flujos iii, 3113 para el visor y 49134 para el WebSocket del worker iii. El estado persistente reside en directorios específicos de la plataforma (macOS: ~/Library/Application Support/agentmemory, Linux: $XDG_DATA_HOME/agentmemory, Windows: %APPDATA%\agentmemory) y se puede sobrescribir con --data-dir o AGENTMEMORY_DATA_DIR. El proyecto hace hincapié en la eficiencia de tokens, afirmando aproximadamente 170 mil tokens por año frente a más de 19.5 millones para pegar el contexto completo, con costos de alrededor de $10 al año o $0 con embeddings locales. No requiere bases de datos externas más allá de SQLite y el iii-engine incluido. El proyecto incluye un arnés de evaluación reproducible para LongMemEval-S y su corpus interno, con cuadros de resultados publicados en el directorio docs/benchmarks. También se combina con codegraph, Understand Anything y Graphify para capacidades más amplias de capa de contexto.