Echo Memory

Una arquitectura de memoria de largo horizonte para agentes de IA. Echo Memory está diseñado para recordar todo lo que un agente ha aprendido alguna vez, de la mejor manera posible, y para seguir leyendo y escribiendo esa memoria de forma eficiente sin importar cuánto historial se acumule, para herramientas de codificación, chatbots, agentes de DevOps o cualquier otro sistema agéntico, local o desplegado.

Por qué

Todo agente de IA empieza desde cero a menos que algo recuerde lo que pasó la última vez, y lo recuerde lo suficientemente bien y rápido como para seguir siendo útil después de meses o años de historial acumulado. La mayoría de las herramientas de memoria resuelven el recuerdo a corto plazo con búsqueda vectorial simple sobre hechos almacenados. Eso se degrada a medida que el historial crece: más candidatos, más ruido, recuperación más lenta. Echo Memory está construido en torno al algoritmo de lectura/escritura y a la estructura de datos que sigue funcionando en horizontes largos, no solo el primer día:

• Un grafo de memoria temporal y auto-consolidante. Los hechos son aristas entre entidades, no filas vectoriales planas. La memoria antigua y poco accedida no solo se acumula: se consolida en resúmenes de nivel superior con el tiempo (nunca se elimina, siempre se puede rastrear hasta el original), de modo que el coste de recuperación se mantiene acotado por lo que es relevante en el momento, no por todo lo que alguna vez se ha escrito. Ver docs/designs/echo-memory-design.md para el mecanismo real.

• Estructura de grafo real, no solo similitud. Consultas de múltiples saltos como "¿cómo llegamos hasta aquí?" se pueden responder porque los hechos están conectados, no solo incrustados individualmente.

• Tipado causal, no solo similitud. Las aristas pueden etiquetarse como caused_by, led_to, blocked_by, contradicts, establecidas por la propia lectura del agente de la conversación, no inferidas estadísticamente. Honesto sobre lo que es factible hoy y lo que no.

• Auditable por diseño. Cada cambio en la memoria se registra, con una razón en lenguaje natural que puedes leer (echo-memory why <fact_id>). La memoria que se consolida y se edita a sí misma solo es confiable si puedes ver el porqué.

• Un solo motor de almacenamiento, en todas las escalas. Postgres + pgvector + Apache AGE, desde un único agente local hasta un grafo compartido a nivel de organización que abarque todos los agentes que una empresa ejecuta. Sin migración forzada más adelante. (El trabajo novedoso es la estructura de memoria y el algoritmo que se ejecutan sobre Postgres, no un nuevo motor de base de datos; ver el documento de diseño para el porqué).

• Cualquier agente, no el de un solo proveedor. La interfaz es MCP: cualquier agente compatible con MCP puede leer y escribir el mismo grafo de memoria, ya sea un asistente de codificación, un chatbot, un agente de operaciones o algo construido internamente.

Related MCP server: smriti-memcore

Para quién es esto

• Un desarrollador que ejecuta agentes locales que quiere que Claude Code, Cursor o cualquier otra cosa deje de perder contexto entre sesiones y herramientas.

• Un equipo u organización que ejecuta sistemas agénticos en producción (bots de soporte, agentes de DevOps, herramientas internas) que necesita una capa de memoria compartida en lugar de N desconectadas, con el modelo de tenencia (abajo) para mantenerla correctamente delimitada por agente, por equipo o a nivel de organización.

Estado

Temprano y por etapas. Ver docs/designs/ para la arquitectura completa y el plan de construcción v1a → v1b. La cuña validada que impulsa v1a es específicamente la memoria de agentes de codificación entre herramientas (el dolor diario real y probado del fundador). La visión más amplia anterior es el objetivo hacia el que se construye esta arquitectura, no algo que v1a en sí demuestre todavía. v1a demuestra que el recuerdo básico funciona antes de que v1b añada el tipado causal y la recuperación de grafos de múltiples saltos, y antes de que v1.1 añada la tenencia a nivel de organización de la que depende la visión más amplia.

Primeros pasos

Aún no está listo para su uso; ver docs/designs/echo-memory-design.md para el plan de construcción actual y el progreso, y docs/DEVELOPMENT.md para la configuración local una vez que exista el código.

Arquitectura

• Almacenamiento: PostgreSQL con las extensiones pgvector y Apache AGE

• Recuperación: búsqueda híbrida vectorial + texto completo (v1a), con Personalized PageRank vía networkx añadido en v1b para recuperación asociativa de múltiples saltos

• Interfaz: servidor Model Context Protocol: write_episode, query_memory, get_audit_log

Contribuciones

Ver CONTRIBUTING.md. Se aceptan issues y PRs; por favor, lee primero los documentos de diseño para que las propuestas encajen en el plan de construcción por etapas.

Licencia

Apache License 2.0. Ver LICENSE.