Elite Longterm Memory

• Pierdes contexto a mitad de sesión — el protocolo WAL (Write-Ahead Log) garantiza que el estado se escribe antes de que el agente responda, por lo que las compactaciones y los fallos no pueden borrar lo que importa.
• Trabajas en proyectos de larga duración o con múltiples sesiones — el MEMORY.md curado junto con los registros diarios proporcionan tanto al agente como al humano un registro duradero y legible de las decisiones.
• Tus agentes repiten errores u olvidan preferencias — Mem0 extrae automáticamente hechos de las conversaciones y los deduplica, reduciendo el uso de tokens en un ~80% frente al historial sin procesar.
• Ejecutas subagentes o flujos de trabajo en paralelo — la arquitectura por capas te permite pasar contexto estructurado mediante git-notes y búsqueda semántica en lugar de tener que explicar todo de nuevo.

• Necesitas una tarea única de una sola sesión — la configuración completa de 5 capas añade una sobrecarga que no está justificada para scripts desechables o tareas cortas.
• No estás usando una clave LLM compatible con OpenAI — la búsqueda semántica de vectores (LanceDB) y la integración con Mem0 requieren OPENAI_API_KEY; la skill no alcanzará su máximo potencial sin ella.

El estado se escribe en SESSION-STATE.md antes de que el agente responda, no después. Esto previene la pérdida de contexto durante la compactación, fallos del sistema o interrupciones a mitad de conversación — una garantía que los enfoques de memoria ingenuos no pueden ofrecer.

Todos los recuerdos se indexan en un almacén de vectores LanceDB local. La recuperación automática inyecta el contexto previo más relevante en cada respuesta, y los comandos manuales memory_store / memory_recall permiten consultar o filtrar por categoría y puntuación de importancia.

Las decisiones estructuradas, los aprendizajes y el contexto con reconocimiento de ramas se almacenan como git notes — silenciosas, con control de versiones y exportables como JSON. Persisten de forma permanente junto al historial de tu repositorio.

Mem0 extrae automáticamente hechos, preferencias y decisiones del historial de conversación sin procesar, los deduplica y muestra los recuerdos relevantes cuando se necesitan. Esto elimina la necesidad de transmitir el historial completo del chat y reduce el consumo de tokens hasta en un 80%.

Sincroniza opcionalmente tu base de conocimientos con SuperMemory para acceder desde varios dispositivos y realizar consultas en lenguaje natural sobre el contexto almacenado. Requiere una SUPERMEMORY_API_KEY.

Un archivo raíz MEMORY.md y registros diarios con fecha bajo memory/YYYY-MM-DD.md ofrecen tanto al agente como al desarrollador un registro claro y navegable de lo que se decidió, aprendió y recordó — sin necesidad de una base de datos opaca.

A medida que el proyecto evoluciona a lo largo de días o semanas, el agente registra las decisiones técnicas (por ejemplo, "Usar Tailwind, no CSS puro") en git-notes y SESSION-STATE.md. En cada nueva sesión, lee el contexto previo automáticamente, por lo que nunca vuelve a preguntar qué framework estás usando.

Cuando la ventana de contexto se llena y el agente compacta, SESSION-STATE.md actúa como una RAM en caliente que sobrevive al reinicio. El protocolo WAL garantiza que todo lo dicho en el último intercambio ya esté persistido antes de que se ejecute la compactación.

El contexto almacenado en git-notes y LanceDB puede ser consultado por cualquier sub-agente generado al inicio de una tarea, de modo que los agentes paralelos comparten las mismas decisiones y preferencias sin necesidad de una nueva sesión de instrucciones manual.

Las preferencias del usuario, los plazos recurrentes y los errores corregidos son extraídos automáticamente por Mem0 y almacenados entre sesiones. El agente construye un modelo preciso y sin duplicados del usuario a lo largo del tiempo sin aumentar el tamaño del prompt.