Ulmemory CLI

Ulmemory CLI

Overview

CLI para el sistema de memoria híbrida Ultramemory que combina almacenamiento vectorial (Qdrant), grafos temporales (FalkorDB) y caché (Redis) con soporte multi-LLM, investigación web (Tavily), CodeWiki y scheduler integrado.

When to Use

• Almacenar información para recuperación semántica
• Buscar/recuperar memories previas
• Investigar en web con Tavily API
• Investigar repositorios GitHub con CodeWiki
• Gestionar servicios Docker del sistema
• Crear/configurar agentes personalizados con skills
• Programar tareas automáticas de limpieza/investigación
• Analizar salud de la memoria

🆕 Novedades v0.3.0

Sistema de Agentes Completos

• ConsultantAgent: Búsqueda ordenada por relevancia/fecha/fuente
• ProactiveAgent: Ejecuta tareas del heartbeat.md cada 30 min
• TerminalAgent: Dashboard interactivo y diagnóstico
• PRDGeneratorAgent: Convierte investigaciones en PRDs ejecutables
• Heartbeat System: Gestión de tareas desde archivo markdown

Scheduler Automático

ulmemory schedule add-proactive        # Cada 30 min
ulmemory schedule add-researcher        # Cada hora
ulmemory schedule add-consolidator     # Diario 5am

🆕 Novedades v0.2.0

Web Search Integration

# Buscar en memoria + web
ulmemory agent run researcher "AI agents" --web

# Especificar fuentes
ulmemory agent run researcher "topic" --sources web,memory,codewiki

# Deep research con expansión de queries
ulmemory agent run researcher "topic" --deep

Agent Skills System

ulmemory agent skills                    # Ver skills disponibles
ulmemory agent skills researcher         # Ver skills de un agente
ulmemory agent add-skill mi-agente web_search
ulmemory agent edit mi-agente --schedule "0 9 * * *"

Enhanced Auto-Researcher

# Investigación profunda con web + codewiki
ulmemory agent run auto-researcher "topic:AI,topic:ML" --deep

Quick Reference

Gestión de Servicios

Memoria

Code Index (Repos GitHub)

Categorías disponibles: lefarma, e6labs, personal, opensource, hobby, trabajo, dependencias

Agentes (Enhanced)

Nuevos Agentes v0.3.0

Scheduler (Tareas Programadas)

Nuevos Schedules v0.3.0

Configuración

Utilidades

🔍 Research Skills

Web Search (Tavily)

# Requiere API key de Tavily (gratuita)
export TAVILY_API_KEY="tvly-xxx"

# O en config.yaml:
# research:
#   tavily:
#     api_key: "tvly-xxx"

CodeWiki Integration

# Buscar repositorios relacionados
ulmemory agent run researcher "RAG frameworks" --sources codewiki

# Auto-researcher incluye CodeWiki automáticamente
ulmemory agent run auto-researcher "vector databases"

Multi-Source Research

# Combinar todas las fuentes
ulmemory agent run researcher "LLM agents" --sources web,memory,codewiki

# Deep research con expansión automática de queries
ulmemory agent run researcher "RAG systems" --deep

📋 Available Skills

Flujo de Uso Típico

# 1. Iniciar servicios
ulmemory up

# 2. Indexar documentos
ulmemory memory add ./docs/

# 3. Buscar en memoria + web
ulmemory agent run researcher "importante" --web

# 4. Deep research
ulmemory agent run researcher "AI memory systems" --deep --sources web,codewiki

# 5. Analizar salud
ulmemory memory analyze

# 6. Limpiar si es necesario
ulmemory memory consolidate

# 7. Programar mantenimiento diario
ulmemory schedule add consolidator --cron "0 3 * * *" --name "limpieza-diaria"

# 8. Programar research semanal
ulmemory schedule add auto-researcher --cron "0 9 * * 1" --args "topic:AI" --name "research-semanal"

Scheduler - Automatización

Crear Tareas Programadas

# Limpieza diaria a las 3am
ulmemory schedule add consolidator --cron "0 3 * * *" --name "limpieza-diaria"

# Investigación semanal los lunes a las 9am
ulmemory schedule add auto-researcher --cron "0 9 * * 1" --args "topic:AI,topic:ML" --name "research-semanal"

# Búsqueda cada 6 horas
ulmemory schedule add researcher --cron "0 */6 * * *" --args "updates"

Formato Cron

┌───────────── minuto (0-59)
│ ┌───────────── hora (0-23)
│ │ ┌───────────── día del mes (1-31)
│ │ │ ┌───────────── mes (1-12)
│ │ │ │ ┌───────────── día de la semana (0-6, 0=domingo)
│ │ │ │ │
* * * * *

Gestionar Tareas

# Ver todas las tareas
ulmemory schedule list

# Ver historial de ejecuciones
ulmemory schedule history 1

# Editar horario
ulmemory schedule edit 1 --cron "0 4 * * *"

# Ejecutar inmediatamente
ulmemory schedule run 1

Análisis de Memoria

El comando ulmemory memory analyze detecta:

Métricas

• Health Score: 0-100 (🟢 ≥90, 🟡 ≥70, 🔴 <70)
• Total documentos: Cantidad de entradas
• Contenido único: Sin duplicados
• Longitud promedio: Caracteres por entrada
• Cobertura de metadata: % con metadata completo

Problemas Detectados

Tipos de Archivo Soportados

Puertos de Servicios

Configuración

LLM y APIs

Archivo: ~/.config/ultramemory/config.yaml

llm:
  default_provider: "minimax"
  providers:
    minimax:
      api_key: "sk-cp-xxx"
      model: "MiniMax-Text-01"
    google:
      api_key: "AIza-xxx"
      model: "gemini-1.5-flash"
    openai:
      api_key: "sk-xxx"
      model: "gpt-4"

# Research Tools
research:
  tavily:
    api_key: "tvly-xxx"
    enabled: true
  codewiki:
    enabled: true
    cli_path: "~/.claude/skills/codewiki/codewiki"

# Agent Configuration
agents:
  researcher:
    enabled: true
    sources: ["memory", "web", "codewiki"]
  auto_researcher:
    enabled: true
    sources: ["web", "codewiki"]

Common Mistakes

Ejemplo de Uso Programático

import asyncio
from core.memory import MemorySystem
from agents.researcher import ResearcherAgent
from agents.tools import registry, WebSearchTool

async def main():
    memory = MemorySystem()

    # Enhanced researcher with web search
    researcher = ResearcherAgent(
        memory,
        enable_web_search=True,
        tavily_api_key="tvly-xxx"
    )

    # Multi-source research
    result = await researcher.research(
        "AI agents",
        sources=["web", "memory", "codewiki"]
    )

    print(f"Web results: {len(result.web_results)}")
    print(f"Memory results: {len(result.memory_results)}")
    print(f"CodeWiki repos: {len(result.codewiki_results)}")

    if result.web_answer:
        print(f"AI Answer: {result.web_answer}")

    # Deep research
    deep_result = await researcher.deep_research(
        "vector databases",
        max_depth=3,
        save_to_memory=True
    )
    print(f"Total sources: {deep_result['total_sources']}")

asyncio.run(main())

Archivos de Configuración

🔗 API Keys

Converted and distributed by TomeVault — claim your Tome and manage your conversions.