Memory Context Engine

Motor de Memoria y Contexto para Agentes IA

Resumen

supermemory (⭐28K) es un motor de memoria y contexto para agentes IA. Extremadamente rápido, escalable, y self-hostable. Permite que agentes recuerden información entre sesiones.

Cuándo usar

• Agentes IA con memoria persistente entre sesiones
• RAG (Retrieval-Augmented Generation) con grandes volúmenes de datos
• Sistema de memoria para múltiples agentes
• Context engine para LLMs con contexto limitado

Arquitectura

Documentos/Conversaciones
  ↓ Chunking
  ↓ Embedding (modelo local o API)
  ↓ Vector store (ChromaDB/Qdrant/Postgres+pgvector)
  ↓
Query → Embedding → Búsqueda semántica → Top-K chunks → Contexto para LLM

Patrón de uso

from supermemory import SuperMemory

# Inicializar motor de memoria
memory = SuperMemory(
    vector_store="chromadb",  # o qdrant, pgvector
    embedding_model="qwen3-embedding",
    api_key="your-api-key"
)

# Almacenar memoria
memory.add(
    content="David prefiere dashboards con mapa a tabla",
    metadata={"user": "david", "type": "preference"},
    tags=["ui", "dashboard", "maps"]
)

# Recuperar memoria relevante
results = memory.search(
    query="¿qué prefiere David para visualización?",
    top_k=5,
    filter={"user": "david"}
)

for result in results:
    print(f"Score: {result.score} | {result.content}")

// Integración con agente
const memory = new SuperMemory({
  vectorStore: 'chromadb',
  embeddingModel: 'qwen3-embedding'
});

// Antes de cada llamada al LLM, recuperar contexto relevante
async function agentWithMemory(userMessage) {
  const context = await memory.search(userMessage, { topK: 5 });
  
  const prompt = `
Contexto relevante de memoria:
${context.map(c => c.content).join('\n')}

Usuario: ${userMessage}
  `;
  
  const response = await llm.chat(prompt);
  
  // Guardar la interacción en memoria
  await memory.add({
    content: `Usuario: ${userMessage}\nAsistente: ${response}`,
    metadata: { type: 'conversation', timestamp: Date.now() }
  });
  
  return response;
}

Pitfalls

• Chunking: Tamaño de chunk óptimo: 500-1000 tokens. Solapamiento de 50-100 tokens.
• Embedding model: Modelos locales (sentence-transformers) son gratis pero menos precisos. APIs (OpenAI, NaN) son mejores pero cuestan.
• Vector store: ChromaDB para desarrollo, Qdrant para producción, pgvector si ya tienes Postgres.
• Re-indexing: Al cambiar el modelo de embedding, hay que re-indexar todo.
• Metadata filtering: Usar metadata para filtrar por usuario, tipo, fecha. Mejora precisión.

Referencias

• supermemory: https://github.com/supermemoryai/supermemory
• ChromaDB: https://www.trychroma.com/
• Qdrant: https://qdrant.tech/

Hecho con ❤️ por David Antizar