Mnemosyne-OS
Mnemosyne OS es un sistema operativo cognitivo para agentes de IA que gestiona la memoria a largo plazo mediante una arquitectura inspirada en palacios de conocimiento y medicina china. Ofrece almacenamiento persistente, recuperación semántica y persistencia de conversaciones sin pérdida.
Ficha actualizada 23 sept 2026, 18:40 · upstream 23 sept 2026, 18:25 · release v7.8.3
Qué es Mnemosyne-OS
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
Mnemosyne OS es un sistema operativo cognitivo diseñado para agentes de inteligencia artificial que requieren capacidades de memoria a largo plazo. Su arquitectura central se basa en una 'palacio mágico' (Magic Memory Palace) inspirado en sistemas de clasificación de bibliotecas, estándares de descripción de archivos y el sistema de registros de medicina china. El sistema organiza la información en 7 alas de taxonomía con 20 salas por ala, cada una representando un tipo específico de conocimiento. Cada memoria se identifica mediante un número único (K·NET·PROXY·YYYY-MM-DD) que funciona como un número de catálogo, permitiendo búsquedas precisas sin necesidad de almacenar todo el contenido en vectores. El sistema utiliza tres canales de recuperación: búsqueda por nombre exacto, búsqueda guiada por taxonomía y búsqueda resonante mediante vector search con HNSW indexado. Además, Mnemosyne OS incluye un sistema de extracción de hechos a partir del diálogo (DeepSeek), una base de conocimiento WIKI con soporte de búsqueda semántica y texto completo, y un scheduler de inyección contextual que sincroniza habilidades procedimentales con la memoria declarativa.
- Persistir conversaciones y decisiones de agentes de IA a largo plazo
- Recuperar conocimiento técnico especializado mediante taxonomía de conocimiento
- Sincronizar múltiples agentes de IA entre sí sin pérdida de contexto
- Crear un repositorio semántico de conocimientos para equipos de desarrollo
- Mantener historial completo de sesiones y decisiones críticas
- Implementar recuperación semántica con búsqueda por nombre, guía o resonancia
- Sistema de taxonomía de conocimiento con 7 alas y 20 salas (arquitectura inspirada en bibliotecas y medicina china)
- Tres canales de recuperación: búsqueda exacta por nombre, búsqueda guiada por taxonomía y búsqueda resonante vectorial
- Extracción automática de hechos estructurados a partir del diálogo mediante LLMs
- Persistencia de conversaciones en SQLite (Hermes state.db) sincronizada con PostgreSQL para mantener historial completo
- Scheduler de inyección contextual que sincroniza habilidades procedimentales con la memoria declarativa sin pérdida
- Soporte de persistencia offline con sincronización silenciosa entre WSL y PostgreSQL
- Depende de un backend LLM para la extracción de hechos, lo que introduce latencia en tiempo real
- La persistencia de conversaciones se realiza mediante SQLite sincronizado con PostgreSQL, lo que puede generar duplicidad si no se configura correctamente
- El sistema requiere una configuración inicial compleja y depende de modelos externos (DeepSeek o OpenAI-compatible)
- No incluye un motor de búsqueda vectorial nativo en el núcleo del sistema operativo
- La persistencia de conversaciones es inmutable pero no garantiza consistencia ante fallos de sincronización
Capturas del proyecto
Imágenes reales detectadas en la documentación del repositorio.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Para desplegar Mnemosyne OS, se recomienda usar Docker Compose con PostgreSQL 16 y pgvector. Se debe configurar el backend de modelos en .env (ARK_API_KEY o OPENAI_API_KEY). Para agentes Hermes, se configura la memoria mediante 'hermes config set memory.provider mnemosyne'. El sistema soporta persistencia offline con WSL local y sincronización silenciosa a PostgreSQL. Se recomienda mantener un backup del estado SQLite cada sesión para evitar pérdida de conversaciones críticas.
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.