atomicmemory
AtomicMemory es un sistema de memoria semántica portátil para agentes de IA, que incluye el núcleo Core en Rust, SDK TypeScript, adaptadores de framework, servidor MCP y plugins hosteados.
Ficha actualizada 23 sept 2026, 0:25 · upstream 23 sept 2026, 0:02 · release cli-v0.2.2
Qué es atomicmemory
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
AtomicMemory ofrece una memoria duradera para agentes de IA sin acoplarse a un modelo específico, framework o despliegue. El proyecto permite iniciar con Cloud Managed, ejecutar el núcleo open-source localmente mediante Docker, o integrarlo mediante SDK TypeScript y servidor MCP. La arquitectura es inspectable: se puede auditar la ruta de mutación y recuperación en lugar de depender únicamente de una caja negra alojada.
- Persistir preferencias del usuario (ej. preferencia por asientos en vuelos) que persistan entre sesiones sin necesidad de reingresar datos
- Recordar contextos complejos para agentes de IA que deben mantener información contextual a largo plazo
- Agregación y persistencia de conocimiento distribuido entre múltiples agentes o sistemas
- Creación de memoria compartida segura entre servicios que no comparten estado mutuo
- Integración con aplicaciones web que requieren persistencia semántica sin dependencias externas
- Sustitución de la memoria del modelo en aplicaciones de IA donde el modelo es inmutable
- AtomicMemory v66 lidera rendimiento y costo por token en benchmarks BEAM-100K, BEAM-1M y LoCoMo10 comparado con competidores públicos
- Soporta corrección de memoria: permite suprimir, aclarar o reemplazar recuerdos existentes cuando los hechos cambian
- Protocolo portátil que funciona a través del CLI, servidor MCP, SDK TypeScript y adaptadores de framework
- Core open-source está disponible en Docker con imagen oficial para despliegue rápido
- Soporta múltiples modelos (GPT-4o-mini, Llama 3.1, etc.) mediante arquitectura de capas separadas por proveedor
- El rendimiento en tareas de búsqueda semántica compleja puede ser inferior a soluciones especializadas como RAG con vector databases optimizadas
- La persistencia de memoria no es temporal: los datos se almacenan permanentemente y pueden requerir gestión de costos adicionales
- No incluye un motor de razonamiento nativo, lo que limita la capacidad de inferencia compleja sin extension externas
- El SDK TypeScript requiere configuración manual del entorno de ejecución en entornos serverless
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Para producción recomendamos usar el núcleo Core con Docker y configurar un servidor MCP separado. Para aplicaciones web, se recomienda usar el SDK TypeScript con autenticación segura (JWT) y no exponer la clave API directamente. En entornos multi-tenant, implemente políticas de acceso granulares por proyecto. El servicio MCP debe ser desplegado en un entorno independiente para evitar conflictos de configuración.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.