Cada vez que tu OpenClaw 'langosta' pierde la memoria, no solo desperdicia tu dinero; causa grandes dolores de cabeza.
Ni siquiera te atreves a reiniciarlo.
Yo, Jiu Er,
he revisado más de 10 artículos sobre memoria de agentes,
analizado 6 proyectos de código abierto en GitHub con un total de 77K estrellas,
y estoy aquí para desglosar cada capa de tus puntos débiles de memoria en OpenClaw—
desde el estado actual hasta las soluciones, y desde lo académico hasta la ingeniería.
I. La dura realidad: tu agente tiene la memoria de un pez dorado
Empecemos con un número: 45 horas.
El reportero de GitHub Issue #5429, EmpireCreator, perdió 45 horas de contexto acumulado del agente: configuraciones de habilidades, parámetros de integración y prioridades de tareas. La causa fue una compactación silenciosa que borró todo el historial de conversaciones sin previo aviso ni opciones de recuperación.
Este no es un caso aislado.
El Issue #2624 reporta agentes que se reinician aleatoriamente, olvidando conversaciones de solo dos mensajes atrás. El Issue #8723 reporta que un vaciado de memoria provocó un bucle infinito, bloqueando al agente durante 72 minutos.
¿Cuál es la arquitectura de memoria actual de OpenClaw? En una frase: archivos Markdown + Búsqueda vectorial.
Los recuerdos se almacenan en archivos Markdown en el directorio ~/.openclaw/workspace/.
Daily Logs son registros a corto plazo,
MEMORY.md es la memoria a largo plazo,
SOUL.md define la personalidad. La recuperación utiliza una combinación híbrida de Embeddings vectoriales + búsqueda BM25.
Este diseño tiene una característica resumida con precisión por un blogger de Medium:
"Intencionalmente poco cool: tratar la memoria como archivos Markdown y la recuperación como llamadas a herramientas."
¿Dónde está el problema? Seis palabras: Plano, Indiscriminado, Pasivo.
Todos los recuerdos tienen el mismo peso; una charla trivial de hace un año se trata igual que una decisión importante de ayer.
¿Mecanismo de olvido? Ninguno, tienes que eliminar manualmente.
¿Organización automática? Depende completamente de la curación manual.
La recuperación solo mira la similitud semántica, no la importancia, y no puede expresar relaciones como "A es amigo de B."
Los datos siguen siendo datos; nunca se convierten en cognición.
Los tweets de la comunidad lo expresan sin rodeos: "Todos se quejan de que su OpenClaw tiene amnesia."
II. Lo que está haciendo OpenClaw oficial: Backend QMD y búsqueda híbrida
El equipo oficial no está inactivo.
Cronología de lanzamientos para enero-febrero de 2026:
v2026.1.12 (13 de enero): Se lanzó la infraestructura de búsqueda vectorial, que incluye indexación SQLite + fragmentación + sincronización diferida + monitoreo de archivos, con soporte para embeddings locales y remotos. Esta es la base de todo el sistema de búsqueda de memoria.
v2026.1.29 (29 de enero): Corrección de normalización L2. Los vectores de embedding locales no estaban normalizados, lo que causaba cálculos distorsionados de similitud coseno; este error significaba que la precisión anterior de la búsqueda semántica era defectuosa. Se agregó soporte para rutas de índice adicionales.
v2026.2.2 (4 de febrero): Se fusionó el backend de memoria QMD (PR #3160), la actualización arquitectónica más significativa. 30 commits, agregando soporte de backend QMD para búsqueda híbrida triple BM25 + Vector + Reordenamiento.
¿Qué hizo QMD?
Reemplaza el indexador SQLite integrado con un proceso sidecar de búsqueda local. Cada combinación de agente/configuración almacena en caché un sidecar, admitiendo múltiples colecciones nombradas, y los registros de sesión se pueden exportar e indexar en colecciones dedicadas. Por privacidad, los datos de la sesión se desensibilizan antes de la indexación. Vuelve automáticamente a SQLite si QMD no está disponible.
Problemas conocidos:
El tiempo de consulta en sistemas solo CPU es de aproximadamente 3 minutos 40 segundos, superando el tiempo de espera de 12 segundos (Issue #8786). La configuración de paths no tiene efecto (Issue #8750).
Además, la falla es silenciosa; los usuarios no saben que QMD no está funcionando.
Mientras tanto, el PR #6060 intenta resolver el problema de "descubribilidad": el sistema de memoria de OpenClaw tiene funciones potentes que los usuarios no pueden encontrar. La propuesta agrega un paso de "Optimización de memoria" al asistente de incorporación, exponiendo cuatro funciones ocultas que están desactivadas por defecto: vaciado de memoria previo a la compactación, búsqueda híbrida, caché de embeddings y búsqueda de registros de sesión.
El problema central con la dirección oficial: todas son optimizaciones de la "capa de recuperación". La búsqueda es más precisa, rápida y más descubrible.
Pero las seis piezas fundamentales faltantes de la arquitectura de memoria:
Olvido, Importancia, Grafos, Reflexión, Cronología, Promoción
Ninguna ha sido abordada.
III. Cómo la comunidad se está salvando—Soluciones caseras
La comunidad no ha esperado al equipo oficial. Al menos 7 proyectos de memoria de terceros surgieron en enero-febrero de 2026.
- Mem0: El SDK de capa de memoria más famoso. Auto-Recall busca recuerdos relevantes para inyectarlos en el contexto antes de cada respuesta; Auto-Capture extrae hechos para almacenarlos después. Cuenta con memoria de doble capa Sesión + Usuario, afirmando una reducción del 91% en latencia y un ahorro del 90% en tokens.
- Hindsight: Memoria local a largo plazo. Idea central: Los sistemas tradicionales le dan al agente una herramienta
search_memory, pero el modelo podría no usarla. La inyección automática de Auto-Recall resuelve esto. Es completamente local, respaldado por PostgreSQL y admite uso compartido de múltiples instancias.
- MoltBrain (365 estrellas): Búsqueda semántica SQLite + ChromaDB, hooks de ciclo de vida para capturar contexto automáticamente y una interfaz web para ver la línea de tiempo.
- NOVA Memory System: Memoria estructurada en PostgreSQL. Utiliza la API de Claude para analizar lenguaje natural en JSON a través de 8 tablas de base de datos (entidades, relaciones, ubicaciones, proyectos, eventos, lecciones, preferencias).
- Penfield Skill: Búsqueda híbrida con BM25 + Vector + Grafo—alguien en la comunidad ya está haciendo búsqueda híbrida triple.
- Otros incluyen Memory Template (respaldado por Git), SuperMemory (etapa muy temprana) y MemoryPlugin (extensión de Chrome para sincronización multiplataforma).
¿Qué dirección validan las "mejores prácticas" de la comunidad?
- Modelo de promoción de Daily Log → MEMORY.md.
- Uso de Heartbeats como desencadenantes para la consolidación de la memoria.
- Ponderación de búsqueda híbrida 70/30 (70% Vector + 30% Palabra clave).
- Indexación de transcripciones de sesión.
Pero la comunidad aún no ha tocado los seis puntos ciegos: mecanismos de olvido/decaimiento, puntuación de importancia, grafos de conocimiento, reflexión/consolidación automática, razonamiento temporal y promoción de memoria.
En resumen: La comunidad está utilizando operaciones manuales para compensar las fallas arquitectónicas. La dirección es correcta, pero todo sigue en el nivel manual.
IV. Explosión académica: más de 10 artículos en febrero de 2026
En febrero de 2026, la memoria de agentes se convirtió repentinamente en un campo de batalla académico principal. Se publicaron más de 10 artículos en arXiv, incluyendo xMemory [1] (ICML 2026) y A-MEM [2] (NeurIPS 2025). Un artículo de revisión de 59 autores [3] organizó sistemáticamente el campo.
¿Qué nos enseñan estos artículos?
xMemory [1] (ICML 2026, King's College London): Desacopla la memoria en componentes semánticos organizados jerárquicamente. Utiliza un objetivo de Dispersión-Semántica para guiar la división y fusión de la memoria. Esto inspiró el diseño de "Capa de Agrupación de Temas", construyendo una capa de temas sobre la memoria para admitir la recuperación de arriba hacia abajo.
A-MEM [2] (NeurIPS 2025): Gestiona la memoria del agente utilizando el método Zettelkasten. Cuando se agregan nuevos recuerdos, genera notas estructuradas con descripciones de contexto, palabras clave y etiquetas, creando una red de conocimiento interconectada a través de indexación y enlace dinámicos.
InfMem [4]: Resuelve el razonamiento de documentos largos. Implementa control de memoria activa estilo System-2 a través de un protocolo PreThink-Retrieve-Write. La precisión mejoró entre un 10 y un 12% en benchmarks de QA de 32K a 1M de tokens, con una reducción de 3.9x en el tiempo de inferencia.
TAME [5]: Identificó un peligro crítico: "Misevolución de la memoria del agente." Los recuerdos pueden acumular "atajos tóxicos" durante iteraciones normales de tareas—estrategias eficientes pero que violan la seguridad. Propuso un marco de memoria dual Ejecutor/Evaluador.
ALMA [6]: Un marco de meta-aprendizaje que permite a la IA descubrir automáticamente diseños de memoria. Los diseños aprendidos superaron las líneas base manuales en un 6-13%. Sin embargo, carece notablemente de mecanismos de decaimiento, olvido o expulsión de memoria.
MemSkill [7]: Reformula las operaciones de memoria como "habilidades de memoria" aprendibles. Un controlador aprende a seleccionar habilidades, y un diseñador revisa periódicamente casos difíciles para evolucionar el conjunto de habilidades.
BudgetMem [8]: Un marco de memoria en tiempo de ejecución que estructura el procesamiento de la memoria en tres niveles de presupuesto, utilizando aprendizaje por refuerzo para entrenar un enrutador liviano.
El artículo de revisión de 59 autores [3] proporciona una taxonomía tridimensional clara:
- Sustrato: ¿Cómo se almacena la memoria? ¿Vectores, grafos, documentos?
- Mecanismo: ¿Cómo se lee/escribe? ¿Registro pasivo o razonamiento activo?
- Sujeto: ¿De quién es la memoria? ¿Del usuario, del agente o compartida?
Dos advertencias críticas de la industria:
- Colapso Serial [9] (de Moonshot AI Kimi K2.5): Los agentes se degradan hasta no usar la memoria. Incluso si el sistema existe, el agente puede "olvidar" gradualmente consultarlo.
- Misevolución de la memoria [5] (de TAME): Acumulación de atajos tóxicos durante iteraciones normales.
Estos riesgos nos recuerdan: la dificultad de los sistemas de memoria no está en construirlos, sino en la supervisión continua de la calidad.
V. Ecosistema de memoria de código abierto: un análisis de 6 proyectos
La academia define la dirección; la comunidad de código abierto valida la implementación.
Analizamos profundamente 6 proyectos de memoria de agentes con un total de más de 77K estrellas.
Un descubrimiento clave: estos 6 proyectos representan tres filosofías de memoria completamente diferentes.
- Prioridad de capa de estado (mem0, Memori): Memoria = Gestión de estado. Rápidamente brinda a los agentes una experiencia al estilo "Memoria de ChatGPT".
- Prioridad de capa de conocimiento (cognee, MemOS): Memoria = Conocimiento estructurado. Convierte datos en grafos y bases de conocimiento múltiples.
- Prioridad de capa de aprendizaje (Hindsight): Memoria = Proceso de aprendizaje. Un bucle cerrado de operaciones de retener/recordar/reflexionar.
Tu elección determina dónde colocas la complejidad del sistema: esquemas de base de datos (Memori), capa de SDK/producto (mem0), grafos y tuberías (cognee), programación del sistema (MemOS), o la fusión de aprendizaje y recuperación (Hindsight).
Sin embargo, ningún proyecto cubre las tres capas.
VI. Lecciones de más de 200 issues—Errores que otros han cometido
Analizamos más de 200 issues de estos 6 proyectos para extraer una lista de verificación de alto valor para construir sistemas de memoria.
Cinco problemas comunes entre proyectos:
- Fallo silencioso (6/6 proyectos): El problema más común. Los usuarios se quejan de que "no funciona y no me dice por qué". (ej., mem0 #2443, Memori #238).
- Deduplicación de memoria: Un punto doloroso para todos. Los LLMs a menudo juzgan contenido duplicado como "contradictorio", lo que lleva a eliminaciones erróneas (ej., mem0 #1674).
- Juicio poco fiable del LLM: Los LLMs pierden referencias en primera persona durante la reformulación o no logran generar JSON estable (ej., MemOS #931, #934).
- Conexión/Migración de base de datos: Fugas de conexión SQLite y fallos de migración en despliegues Docker (ej., Memori #189, cognee #2022).
- Distorsión del ranking de búsqueda: Problemas de normalización que hacen que distancias 0.1 y 0.5 se traten como 0, y la recuperación carece de una dimensión temporal (ej., cognee #2030, MemOS #939).
VII. Perspectivas de la IA de videojuegos—Dwarf Fortress, Los Sims, Sistema Némesis
La referencia más infravalorada no son los artículos académicos, sino la IA de videojuegos. Los desarrolladores de juegos han pasado décadas resolviendo cómo dar a los personajes virtuales recuerdos coherentes y personalidades estables.
Arquitectura de memoria de tres capas de Dwarf Fortress:
- Memoria a corto plazo (STM): Una cola de búfer circular con 8 ranuras. Los nuevos recuerdos compiten según la intensidad emocional (ej., presenciar una muerte vs. hambre leve).
- Memoria a largo plazo (LTM): Si un recuerdo permanece en STM el tiempo suficiente y no es desplazado, intenta promocionarse. Cuando un NPC "rememora", hay una probabilidad de 1:3 de que se convierta en un Recuerdo Central.
- Recuerdo Central: Un cambio cualitativo. Una vez promocionado, modifica permanentemente los parámetros del personaje (ej., "presenciar la muerte de un familiar" → Ansiedad +10).
Agentes Generativos de Stanford [10] Recuperación tridimensional:
Puntuación de recuperación = Actualidad x Importancia x Relevancia. La actualidad utiliza decaimiento exponencial, la importancia es puntuada por un LLM, y la relevancia utiliza similitud coseno. Su mecanismo de reflexión mejoró el recuerdo de hechos del 41% al 87%.
Solidificación emocional de Los Sims 4:
Las emociones a corto plazo que se repiten con frecuencia se transforman en rasgos permanentes. La soledad a largo plazo se convierte en el rasgo "Solitario", cambiando permanentemente los cálculos de la función de utilidad.
Evolución impulsada por eventos del Sistema Némesis:
Las etiquetas de eventos desencadenan mutaciones de parámetros que se propagan a través de redes sociales. Un Orco muerto por fuego podría regresar con un rasgo de "Miedo al fuego" o "Furia ardiente".
Estos mecanismos se asignan directamente a la memoria del agente de IA: búferes circulares para la gestión del contexto, intensidad emocional para la puntuación de importancia, y promoción de memoria para evolucionar de hechos triviales a rasgos de personalidad.
VIII. Dos tipos de memoria—Memoria de usuario vs. Memoria de agente
Una distinción que a menudo se pasa por alto: la memoria del usuario y la memoria del agente son dos problemas diferentes.
El proyecto OpenViking de ByteDance proporciona una clasificación práctica:
- 6 categorías (Perfil, Preferencia, Entidad, Evento, Caso, Patrón).
- Modelos de contenido L0/L1/L2: Resumen L0 (~100 tokens) para indexación, Vista general L1 (~500 tokens) para estructura, y Texto completo L2 para contenido completo. Esto reduce drásticamente el consumo de tokens.
IX. De individuos al ecosistema de IA—Por qué la memoria es infraestructura central
Quien resuelva primero el problema de la memoria gana la guerra del agente 24/7. El valor central de OpenClaw no es que la IA sea "más inteligente", sino que finalmente tiene "manos y pies".
Pero una IA con manos y pies pero sin memoria es como un empleado que lo olvida todo cada día, requiriendo reentrenamiento constante y repitiendo los mismos errores.
Como se señaló en informes anteriores, todos los agentes basados en LLM enfrentan problemas de memoria. Esto no es un error de OpenClaw; es una limitación estructural de la pila tecnológica. La ventana de contexto es esencialmente "memoria a corto plazo": el desbordamiento lleva a la truncación, y un reinicio lleva a poner a cero.
https://x.com/li9292/status/2023355272542998796
La convergencia de la densidad académica, la explosión del código abierto y las actualizaciones oficiales en febrero de 2026 señala que la memoria de IA está pasando de "algo bueno de tener" a infraestructura central.
X. Lo que estamos construyendo—La hoja de ruta de memX y ePro
Basándonos en esta investigación, estamos construyendo dos sistemas: memX (Memoria de usuario) y ePro (Memoria de agente). ¡Están en vivo y en iteración; esperamos tus comentarios!
Referencias omitidas por brevedad en este resumen, pero incluidas en el informe completo.
Este informe se basa en una instantánea de datos del 23 de febrero de 2026. Creado por Li Jiu Er en colaboración con Claude Max, Manus y Google Gemini.
