Vigente
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@Vigente what database are we using now? ignore the old Postgres note"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
Vigente
Memoria para agentes de IA que sabe qué sigue siendo verdad.
Cuando un hecho cambia, Vigente no lo borra ni lo mezcla con el nuevo: lo marca como reemplazado y guarda la cadena de cambios. Por defecto solo devuelve lo vigente, y también puede responder qué era verdad en una fecha concreta.
En construcción. Hito 4 de 5: servidor MCP sobre un núcleo local con SQLite, búsqueda por significado y validez temporal, evaluado con datos sintéticos y LongMemEval. Próximo: cierre.
Hoja de ruta
Hito 0. Diseño: arquitectura, esquema y plan de evaluación, con sqlite-vec probado antes de escribir código.
Hito 1. Núcleo: SQLite + FTS5, reemplazos con validez temporal, borrado verificado en disco y CLI.
Hito 2. Búsqueda semántica: embeddings locales, índice vectorial, búsqueda híbrida y elección del modelo con un benchmark propio.
Hito 3. Servidor MCP: seis herramientas, probadas con el cliente oficial por stdio y con un agente real.
Hito 4. Evaluación: datos sintéticos y LongMemEval, con las reglas de decisión fijadas antes de medir y los resultados publicados tal como salieron.
Hito 5. Cierre: README final y demo.
Related MCP server: al-buddy-memory-mcp
Probarlo
uv sync
ollama pull embeddinggemma # opcional: sin él, Vigente busca solo por texto
uv run vigente add "El proyecto usa PostgreSQL 15 como base de datos" --valid-from 2026-03-01
uv run vigente add "Migramos a SQLite para el MVP" # propone reemplazar el hecho anterior
uv run vigente supersede <id> "El proyecto usa SQLite" --reason "MVP más simple"
uv run vigente search "¿qué base de datos usamos?"
uv run vigente search "base de datos" --as-of 2026-06-01
uv run vigente history <id>Usarlo desde un agente (MCP)
Vigente expone seis herramientas por MCP: remember, recall, supersede, forget, history y list_memories. El workspace lo fija la configuración, nunca el agente.
Claude Code:
claude mcp add vigente -e VIGENTE_WORKSPACE=mi-proyecto -- uv --directory /ruta/a/vigente run vigente-mcpCursor (.cursor/mcp.json) o Claude Desktop (claude_desktop_config.json):
{
"mcpServers": {
"vigente": {
"command": "uv",
"args": ["--directory", "/ruta/a/vigente", "run", "vigente-mcp"],
"env": { "VIGENTE_WORKSPACE": "mi-proyecto" }
}
}
}Cuando el agente guarda algo que deja obsoleto un hecho anterior, remember se lo propone y el agente lo enlaza con supersede. Desde entonces el hecho anterior no se devuelve, aunque queda en el historial.
Configuración
Variable | Por defecto | Para qué |
|
| Archivo de la memoria |
|
| Espacio aislado de memorias |
|
| Modelo de embeddings; |
|
| Cualquier servicio compatible con la API de OpenAI |
| Solo si el servicio la pide | |
| desactivado | Necesario para enviar memorias a un servicio no local |
|
|
|
Si el servicio de embeddings no responde, Vigente sigue funcionando con búsqueda de texto y lo avisa. vigente reindex calcula después los vectores pendientes.
Resultados
Datos obsoletos: con una memoria que guarda cada versión como un hecho más, el primer resultado es una versión obsoleta en el 51% de las preguntas con búsqueda por vectores (44% con la híbrida). Con Vigente, en el 0%, sin perder acierto.
LongMemEval, 470 preguntas: sin reemplazos, en las preguntas de actualización la versión vieja sale antes que la nueva en torno a la mitad de las veces, con cualquier modo de búsqueda.
Escala: con 50.000 memorias, una búsqueda tarda 62 ms y un borrado completo 52 ms, más unos 15 ms del modelo.
Decisiones tomadas con esos datos: búsqueda por vectores por defecto, y el umbral de reemplazos se mantiene.
Demo con un agente real: cuatro sesiones independientes de Claude Code que solo comparten Vigente. El agente guarda, detecta y enlaza cambios sin duplicar hechos (incluido uno anunciado para la semana siguiente) y en una sesión nueva responde con lo vigente.
Elección del modelo de embeddings: con embeddings, la detección de hechos reemplazados sube de F1 0.43 a 0.76 en un conjunto pequeño en español.
Desarrollo
uv run pytest # sin red ni modelos
VIGENTE_TEST_OLLAMA=1 uv run pytest tests/test_ollama.py # con Ollama local
uv run ruff check . && uv run ruff format --check .
uv run mypy src tests eval
uv run python eval/embedding_choice.py # repite el benchmark
# evaluación completa: ver eval/README.md
uv run python eval/agent_demo.py # demo con un agente (requiere la CLI de Claude)Diseño
Licencia
Available Tools
6 toolsforgetADestructiveIdempotent
Borra para siempre un hecho y todas sus versiones, también del disco.
Úsalo solo si el usuario pide olvidar algo. Para datos que cambiaron, usa supersede.
Inputs: memory_id (required). Returns: deleted_ids
historyBRead-only
Todas las versiones de un hecho, de la más antigua a la vigente.
Inputs: memory_id (required). Returns: versions
list_memoriesBRead-only
Lista memorias, las más recientes primero.
Inputs: tag, kind, limit, cursor, +1 more. Returns: items, next_cursor
recallARead-only
Busca en la memoria por palabras y por significado.
Por defecto solo devuelve lo que es verdad ahora. Siempre devuelve los resultados más
cercanos, aunque estén poco relacionados: juzga tú si responden a la pregunta.
Inputs: query (required), k, kind, as_of, +1 more. Returns: mode, results, warnings
rememberA
Guarda una memoria.
Si es un fact, devuelve posibles reemplazos: hechos vigentes parecidos que lo nuevo
podría dejar obsoletos. Si alguno lo está, enlázalo con supersede(old_id, new_id).
Inputs: content (required), kind, tags, confidence, +1 more. Returns: memory, warnings, next_step, possible_supersedes
supersedeA
Marca que un hecho dejó de ser verdad y lo enlaza con su versión nueva.
El anterior se conserva en el historial, pero ya no se devuelve por defecto. Indica
new_id o new_content, no ambos. Si el hecho ya había sido reemplazado, el error indica
la versión vigente (current_id).
Inputs: old_id (required), new_id, reason, valid_from, +1 more. Returns: new, old, warnings
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 6 tools
Each tool maps to a distinct lifecycle step: remember (create), recall (search), forget (hard delete), supersede (version link), history (version trail), list_memories (enumerate). The main soft spot is recall vs list_memories and recall vs history, which both surface stored memories and could be picked interchangeably, though the descriptions clarify the difference (semantic search on current truths vs. chronological listing vs. full version chain).
Five tools are bare, memorable verbs (remember, recall, forget, supersede) or a bare noun (history), which read consistently as a memory vocabulary. The outlier is list_memories, the only verb_noun compound, but it is still predictable and readable.
Six tools is well-scoped for a versioned memory store: one per core operation with no redundant or filler tools. Nothing feels thin, since the supersession model is fully expressible with these six.
Full lifecycle is covered: create (remember), search/read (recall, list_memories, history), update-by-versioning (supersede, including new_content as an in-place update path), and delete (forget). The supersession model even has an error-recovery path (current_id) and a history view, so agents have no dead ends.
Maintenance
Related MCP Connectors
Persistent memory for AI agents, for code, research and everyday life. Stale facts retire.
Persistent memory for AI agents. Search and store durable facts, preferences and decisions.
Mem0-compatible persistent memory for AI agents: write facts once, recall them semantically.
Persistent memory for AI agents. Search, store, and recall across sessions.
Related MCP Servers
- AlicenseNot gradedqualityBmaintenanceLocal memory for AI agents in one SQLite file on your own machine. Facts carry a validity window and a confidence score, so an outdated one is superseded and downweighted rather than deleted, and retrieval fuses BM25, vector similarity and a knowledge graph.4Business Source 1.1
- AlicenseNot gradedqualityBmaintenanceGives AI agents governed, provenance-tagged memory where facts are invalidated rather than deleted and every recall result carries validity dates, confidence, and replacement links. Stores memory in a local SQLite file with tools for remembering, recalling, invalidating, and pinning facts, plus policy enforcement and an audit trail.103 npm3Apache 2.0
- AlicenseAqualityBmaintenanceEnables AI agents to persist facts with tags, sources, and importance in a local SQLite database, retrieve them through hybrid BM25 plus embedding search weighted by retention decay, link or supersede related entries, and review everything in a read-only visual dashboard showing the memory graph and timeline.6MIT
- AlicenseNot gradedqualityBmaintenanceEnables AI agents to save, recall, and forget persistent memories stored entirely on the local machine in SQLite, using hybrid semantic and keyword search with on-device embeddings, plus spaces and profile context injection.MIT