Cada vez que tu OpenClaw «lobster» pierde la memoria, no solo desperdicia tu dinero, sino que te genera enormes dolores de cabeza.
Ni siquiera te atreves a reiniciarlo.
Yo, Jiu Er,
he revisado más de 10 artículos sobre memoria de agentes,
he analizado 6 proyectos open‑source en GitHub con un total de 77 K estrellas,
y estoy aquí para desglosar cada capa de tus puntos débiles con la memoria de OpenClaw:
desde el estado actual hasta las soluciones, y desde el ámbito académico hasta la ingeniería.
I. La dura realidad: tu agente tiene la memoria de un pez dorado
Empecemos con un número: 45 horas.
El usuario EmpireCreator, del informe del Issue #5429, 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 la conversación sin advertencia ni opciones de recuperación.
No es un caso aislado.
El Issue #2624 informa de que los agentes se reinician aleatoriamente, olvidando conversaciones de hace solo dos mensajes. El Issue #8723 reporta que un vaciado de memoria desencadenó 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.
Las memorias se almacenan en archivos Markdown dentro del directorio ~/.openclaw/workspace/.
Los registros diarios son memorias a corto plazo,
MEMORY.md es la memoria a largo plazo,
SOUL.md define la personalidad. La recuperación utiliza una combinación de embeddings vectoriales + búsqueda BM25.
Este diseño tiene una característica que un blogger de Medium resumió con precisión:
«Intencionadamente poco cool: tratar la memoria como archivos Markdown y la recuperación como llamadas a herramientas».
¿Dónde está el problema? Seis palabras: Plano, Indiscriminado, Pasivo.
Todas las memorias tienen el mismo peso; una charla trivial de hace un año se trata igual que una decisión importante de ayer.
¿Mecanismo de olvido? Ninguno, hay que borrar 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 tuits de la comunidad lo dicen con claridad: «Todo el mundo se queja de que su OpenClaw tiene amnesia».
II. Lo que está haciendo el equipo oficial de OpenClaw: backend QMD y búsqueda híbrida
El equipo oficial no está de brazos cruzados.
Cronograma de lanzamientos de enero y febrero de 2026:
- v2026.1.12 (13 de enero): Se lanzó la infraestructura de búsqueda vectorial, que incluye indexación SQLite + fragmentación + sincronización diferida + vigilancia de archivos, con soporte para embeddings locales y remotos. Es la base de todo el sistema de búsqueda de memoria.
- v2026.1.29 (29 de enero): Corrección de la normalización L2. Los vectores de embeddings locales no estaban normalizados, lo que distorsionaba el cálculo de similitud por coseno; este error hacía que la precisión de la búsqueda semántica anterior fuera incorrecta. Se agregó soporte para rutas de índice adicionales.
- v2026.2.2 (4 de febrero): Se fusionó el backend de memoria QMD (PR #3160), la mejora arquitectónica más significativa. 30 commits, añadiendo soporte de backend QMD para búsqueda híbrida triple: BM25 + Vector + Reordenamiento.
¿Qué hizo QMD?
Reemplaza el indexador SQLite integrado con un proceso auxiliar de búsqueda local. Cada combinación de agente/configuración almacena en caché un proceso auxiliar, admite múltiples colecciones nombradas, y los registros de sesión se pueden exportar e indexar en colecciones dedicadas. Por privacidad, los datos de 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 con CPU es de aproximadamente 3 minutos y 40 segundos, superando el tiempo de espera de 12 segundos (Issue #8786).
- La configuración de `paths» no surte efecto (Issue #8750).
Además, la degradación es silenciosa; los usuarios no saben que QMD no funciona.
Mientras tanto, el PR #6060 intenta resolver el problema de «descubribilidad»: el sistema de memoria de OpenClaw tiene funciones potentes que los usuarios no encuentran. La propuesta añade un paso de «Optimización de memoria» al asistente de inicio, exponiendo cuatro funciones ocultas que están desactivadas por defecto: vaciado de memoria antes de la compactación, búsqueda híbrida, caché de embeddings y búsqueda en registros de sesión.
El problema central con la dirección oficial: todas estas son optimizaciones de la «capa de recuperación». La búsqueda es más precisa, más rápida y más visible.
Pero las seis piezas fundamentales que faltan en la arquitectura de memoria:
Olvido, Importancia, Grafos, Reflexión, Cronología, Promoción.
Ninguna se ha abordado.
III. Cómo se está salvando la comunidad: soluciones hechas por uno mismo
La comunidad no ha esperado al equipo oficial. Al menos 7 proyectos de memoria de terceros surgieron entre enero y febrero de 2026.
- Mem0: El SDK de capa de memoria más famoso. Auto‑Recuperación busca memorias relevantes para inyectarlas en el contexto antes de cada respuesta; Auto‑Captura 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 a largo plazo local. Idea central: los sistemas tradicionales le dan al agente una herramienta
search_memory, pero el modelo podría no usarla. La inyección automática de Auto‑Recuperación resuelve esto. Es completamente local, usa PostgreSQL y admite uso compartido entre múltiples instancias.
- MoltBrain (365 estrellas): Búsqueda semántica con SQLite + ChromaDB, hooks de ciclo de vida para capturar contexto automáticamente y una interfaz web para ver la línea temporal.
- NOVA Memory System: Memoria estructurada con PostgreSQL. Usa la API de Claude para analizar lenguaje natural y convertirlo en JSON en 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 (muy temprano) y MemoryPlugin (extensión de Chrome para sincronización multiplataforma).
¿Qué dirección validan las «mejores prácticas» de la comunidad?
- Modelo de promoción Registro Diario → MEMORY.md.
- Uso de Heartbeats como desencadenantes para la consolidación de memoria.
- Ponderación 70/30 en búsqueda híbrida (70% Vector + 30% Palabras 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 usando operaciones manuales para compensar fallos arquitectónicos. La dirección es correcta, pero todo sigue a nivel manual.
IV. Explosión académica: más de 10 artículos en febrero de 2026
En febrero de 2026, la memoria de los agentes se convirtió de repente 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 Sparsity‑Semantics para guiar la división y fusión de la memoria. Esto inspiró el diseño de la «Capa de Agrupación por 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 usando el método Zettelkasten. Cuando se añaden nuevas memorias, genera notas estructuradas con descripciones de contexto, palabras clave y etiquetas, creando una red de conocimiento interconectada mediante indexación dinámica y enlaces.
InfMem [4]: Resuelve el razonamiento en documentos largos. Implementa control activo de memoria tipo Sistema‑2 a través de un protocolo PreThink‑Retrieve‑Write. La precisión mejoró un 10‑12% en benchmarks de preguntas y respuestas con 32 K a 1 M de tokens, con una reducción de 3,9 veces en el tiempo de inferencia.
TAME [5]: Identificó un peligro crítico: «Misevolución de la memoria del agente». Las memorias pueden acumular «atajos tóxicos» durante iteraciones normales de tareas: estrategias eficientes pero que violan la seguridad. Propuso un marco de memoria dual Executor/Evaluator.
ALMA [6]: Un marco de meta‑aprendizaje que permite a la IA descubrir automáticamente diseños de memoria. Los diseños aprendidos superaron a las líneas base manuales en un 6‑13%. Sin embargo, carece notablemente de mecanismos de decaimiento, olvido o desalojo.
MemSkill [7]: Reformula las operaciones de memoria como «habilidades de memoria» aprendibles. Un controlador aprende a seleccionar habilidades, y un diseñador revisa periódicamente los 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 ligero.
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? ¿Grabación pasiva o razonamiento activo?
- Sujeto: ¿De quién es la memoria? ¿Del usuario? ¿Del agente? ¿Compartida?
Dos advertencias críticas de la industria:
- Colapso serial [9] (de Moonshot AI Kimi K2.5): Los agentes degeneran 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 monitorización continua de la calidad.
V. Ecosistema de memoria open‑source: un análisis de 6 proyectos
El ámbito académico define la dirección; la comunidad open‑source valida la implementación.
Analizamos en profundidad 6 proyectos de memoria de agentes con más de 77 K estrellas en total.
Un hallazgo clave: estos 6 proyectos representan tres filosofías de memoria completamente diferentes.
- Prioridad en la capa de estado (mem0, Memori): Memoria = Gestión del estado. Da rápidamente a los agentes una experiencia al estilo «Memoria de ChatGPT».
- Prioridad en la capa de conocimiento (cognee, MemOS): Memoria = Conocimiento estructurado. Convierte datos en grafos y bases de conocimiento múltiples.
- Prioridad en la capa de aprendizaje (Hindsight): Memoria = Proceso de aprendizaje. Un bucle cerrado de operaciones retener/recordar/reflexionar.
Tu elección determina dónde colocas la complejidad del sistema: esquemas de base de datos (Memori), capa SDK/producto (mem0), grafos y tuberías (cognee), planificación 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». (p. ej., mem0 #2443, Memori #238).
- Desduplicación de memoria: Un punto débil para todos. Los LLM a menudo juzgan contenido duplicado como «contradictorio», lo que lleva a eliminaciones erróneas (p. ej., mem0 #1674).
- Juicio no fiable del LLM: Los LLM pierden referencias en primera persona durante la reformulación o no logran generar JSON estable (p. ej., MemOS #931, #934).
- Conexión/migración de base de datos: Fugas de conexión SQLite y fallos de migración en despliegues Docker (p. ej., Memori #189, cognee #2022).
- Distorsión en la clasificación 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 (p. ej., cognee #2030, MemOS #939).
VII. Perspectivas de la IA en videojuegos: Dwarf Fortress, Los Sims, Sistema Némesis
La referencia más infravalorada no son los artículos académicos, sino la IA de los videojuegos. Los desarrolladores de juegos han pasado décadas resolviendo cómo dar a los personajes virtuales memorias coherentes y personalidades estables.
Arquitectura de memoria de tres capas de Dwarf Fortress:
- Memoria a corto plazo (STM): Un búfer circular de 8 ranuras. Las nuevas memorias compiten según la intensidad emocional (p. ej., presenciar una muerte frente a un leve hambre).
- Memoria a largo plazo (LTM): Si una memoria permanece en STM el tiempo suficiente y no es desplazada, intenta promocionar. Cuando un NPC «rememora», hay una probabilidad de 1:3 de que se convierta en una Memoria Central.
- Memoria Central: Un cambio cualitativo. Una vez promocionada, modifica permanentemente los parámetros del personaje (p. ej., «presenciar la muerte de un familiar» → Ansiedad +10).
Recuperación tridimensional de los Agentes Generativos de Stanford [10]:
Puntuación de recuperación = Actualidad × Importancia × Relevancia. La actualidad usa decaimiento exponencial, la Importancia la puntúa un LLM, y la Relevancia usa similitud coseno. Su mecanismo de reflexión mejoró el recuerdo de hechos del 41% al 87%.
Solidificación emocional en Los Sims 4:
Las emociones a corto plazo que se repiten con frecuencia se transforman en rasgos permanentes. La soledad prolongada 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 las redes sociales. Un Orco que muere por fuego podría regresar con el rasgo «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 desde hechos triviales hasta 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 de usuario y la memoria de 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: L0 Resumen (~100 tokens) para indexación, L1 Panorama (~500 tokens) para estructura, y L2 Texto completo para contenido completo. Esto reduce drásticamente el consumo de tokens.
IX. De los 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, que requiere recapacitación constante y repite 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 al truncamiento, y un reinicio lleva a ponerla a cero.
https://x.com/li9292/status/2023355272542998796
La convergencia de densidad académica, explosión open‑source y actualizaciones oficiales en febrero de 2026 señala que la memoria de IA está pasando de ser «algo bonito 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). Ya están en funcionamiento y en iteración; ¡esperamos tus comentarios!
Las referencias se omiten por brevedad en este resumen, pero se incluyen 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.
