agentmemory: memoria persistente para agentes de código

Todo lo que hay que saber sobre rohitg00/agentmemory: un runtime de memoria local y sin dependencias externas que captura automáticamente lo que hacen los agentes de programación, lo comprime y lo devuelve cuando la siguiente sesión empieza.

Qué es agentmemory

agentmemory es un runtime de memoria persistente para agentes de código. No es una biblioteca ni un almacén vectorial: es un proceso único, construido sobre el motor iii (iii-hq/iii), que combina captura automática, recuperación híbrida, consolidación y sincronización, sin bases de datos externas, colas ni almacenes vectoriales.

Su propósito, según el README, es resolver el problema que se plantea en sus primeras líneas: «Cada sesión explicas la misma arquitectura. Vuelves a redescubrir los mismos bugs. Vuelves a enseñar las mismas preferencias. La memoria integrada (CLAUDE.md, .cursorrules) llega a un tope de 200 líneas y se vuelve obsoleta». agentmemory captura en silencio lo que el agente hace, lo comprime en observaciones buscables e inyecta el contexto pertinente al empezar la siguiente sesión, con un solo comando y entre distintos agentes.

A 29 de agosto de 2026, el proyecto documenta un servidor MCP con 54 herramientas y 130 endpoints REST, 12 ganchos (hooks) de captura automática, 17 skills (9 invocables y 8 de referencia), un visor en tiempo real en el puerto 3113 y compatibilidad con más de 20 agentes de código. Está escrito en TypeScript y licenciado bajo Apache-2.0.

El origen

El repositorio fue creado el 25 de febrero de 2026 (primer commit el 27 de febrero) por Rohit Ghumare (rohitg00), ingeniero y DevRel radicado en el Reino Unido, identificado en su perfil de GitHub como «Engineer | DevRel | GDE | CNCF Ambassador | Docker Captain | AWS CommunityBuilder», con experiencia previa en Solo.io, Cerbos, Oracle y Reliance Jio. El fichero MAINTAINERS.md del proyecto lo registra como único mantenedor activo desde enero de 2026.

El relato de origen disponible en las fuentes consultadas no incluye un post de lanzamiento con anécdotas, a diferencia de otros proyectos de esta lista; el contexto se reconstruye de documentos propios:

La misión declarada en GOVERNANCE.md: «entregar un runtime de memoria persistente y local-first para agentes de código de programación» que no requiera bases de datos externas, funcione con cualquier cliente compatible con MCP, se mantenga compatible con el protocolo abierto Model Context Protocol y conserve los datos en la máquina del usuario por defecto.
El gist «LLM Wiki v2» de Rohit Ghumare (gist 2067ab416f7bbe447c1977edaaa681e2) extiende la idea original de LLM Wiki de Andrej Karpathy con «lecciones de construir agentmemory» —ahí describe el ciclo de vida de la memoria (puntuación de confianza, sustitución, olvido según la curva de Ebbinghaus, capas de consolidación) y búsqueda híbrida BM25 + vector + grafo. El gist afirma que agentmemory tiene «20K+ estrellas»; es una cifra declarada por el autor, no una medición de esta investigación.
La primera versión con etiqueta de GitHub es v0.9.0 (18 de abril de 2026), «visibilidad y corrección»: sitio de aterrizaje, conector de sistema de archivos, MCP standalone que de verdad habla con el servidor en marcha, y auditoría cerrada. Desde entonces la cadencia fue muy alta: v0.9.29 (16 de agosto de 2026) es la release más reciente de los 30 lanzamientos publicados en GitHub.

Filosofía y principios

Los principios verificables en la documentación propia:

Local-first por defecto: cada dato del usuario se queda en la máquina del usuario; no hay SaaS, facturación ni licenciamiento comercial (el ROADMAP.md declara explícitamente «out of scope»: SaaS alojado, suscripciones, licencias comerciales).
Cero dependencias externas: una sola base de datos, una sola cola, un solo almacén vectorial — ninguno. Todo vive en un proceso sobre el motor iii.
MCP como interfaz, no como privilegio: cualquier cliente compatible con MCP puede usarlo, y todo lo expuesto por MCP tiene un gemelo REST (la guía de contribución exige añadir ambos al mismo tiempo).
Procedencia inmutable: cada observación y memoria lleva un canal de origen sellado en el momento de capturar, guardar o importar (usuario, agente, herramienta, importación o compartido).
Evidencia reproducible: el 95,2 % de R@5 en LongMemEval-S que publican es una medición propia del proyecto, con metodología publicada (benchmark/COMPARISON.md, npm run bench:longmemeval) y una advertencia explícita de que las cifras de los competidores son declaraciones de cada vendedor, en otros benchmarks, no reproducidas por ellos.
Gobernanza formal desde temprano: copia del modelo Minimum Viable Governance de la Linux Foundation, con procesos documentados para nombrar mantenedores, votar decisiones y gestionar cambios rompedores; con un plan declarado para diversificar la mantención (actualmente un solo mantenedor).

Cómo funciona

El sitio y el README describen tres capas:

Captura — 12 ganchos automáticos conectados a los agentes. Cada llamada a herramienta, cada prompt y cada parada se convierte en una observación comprimida, sellada con su origen y agente.

La capa de captura automática: 12 ganchos que convierten llamadas a herramientas, prompts y paradas en observaciones comprimidas y selladas

Recuerdo — recuperación híbrida: BM25, vector y grafo de conocimiento se puntúan juntos y se rerankean en el dispositivo. Sin proveedor de embeddings funciona en modo «keyless» con BM25 solo (86,2 % de R@5 en LongMemEval-S, según el proyecto). Las versiones de memoria ya sustituidas quedan fuera de todos los caminos de recuperación; la cadena de versiones conserva el historial.

Recuperación híbrida: BM25, vector y grafo de conocimiento puntuados juntos y rerankeados en el dispositivo

Consolidación — con una clave de proveedor LLM configurada, al terminar la sesión: las observaciones crudas se comprimen en memorias semánticas, los duplicados se fusionan, las filas obsoletas decaen con un puntaje de retención y una fila de auditoría registra la operación.

Consolidación de fin de sesión: compresión en memorias semánticas, fusión de duplicados, decaimiento según la curva de Ebbinghaus y rastro de auditoría

Detalles de arquitectura verificados en la documentación:

Cuatro puertos locales: 3111 (REST/MCP HTTP), 3112 (streams de iii), 3113 (visor en tiempo real), 49134 (WebSocket del worker de iii). Con --instance 1 la cuarteta se desplaza a 3211/3212/3213/49234.

Arquitectura local-first sin dependencias externas: un solo proceso, cuatro puertos locales, sin base de datos, cola ni almacén vectorial externo

Estado persistente por plataforma: ~/Library/Application Support/agentmemory (macOS), $XDG_DATA_HOME/agentmemory o ~/.local/share/agentmemory (Linux), %APPDATA%\agentmemory (Windows).
Superficie MCP: 54 herramientas por defecto (AGENTMEMORY_TOOLS=all); AGENTMEMORY_TOOLS=core recorta a 8 esenciales; el conjunto base del registro tiene 14.

Superficie dual MCP + REST: 54 herramientas MCP y 130 endpoints REST, cada capacidad MCP con su gemelo REST

17 skills en formato <dir>/SKILL.md: 9 invocables (/recall, /remember, /session-history, /forget, /recap, /handoff, /lesson, /commit-context, /commit-history) y 8 de referencia que el agente carga bajo demanda (disciplina de memoria, herramientas MCP, API REST, configuración, agentes, ganchos, arquitectura, autoría de skills). El README indica que las tablas de datos de las skills de referencia se generan desde el código para que no se desincronicen.
Privacidad: filtra secretos (API keys, tokens) antes de guardar.
Multiagente: leases, señales y sincronización par a par (mesh) entre nodos; agentId en save/recall para acotar la memoria por agente.

Ecosistema multiagente: leases, señales y sincronización mesh entre agentes, con 17 skills invocables y de referencia

Exportación a Obsidian integrada e importación de sesiones JSONL (por ejemplo, el historial de Claude Code en ~/.claude/projects/).
Cuatro «UIs»: visor :3113, consola iii :3114, explorador de estado KV y trazas OTEL.

Guía rápida de uso

Instalación y primer arranque

Requisitos: Node >= 20. En macOS/Linux el runtime descarga automáticamente el motor iii fijado a v0.11.2 en ~/.agentmemory/bin (necesita curl, sh y tar); en Windows nativo el motor se instala a mano (ZIP de v0.11.2) o se usa WSL2/Docker Desktop.

# Vía cero-instalación (la recomendada en el README):
npx -y @agentmemory/agentmemory@latest

El primer arranque es una configuración interactiva: se eligen los agentes a conectar (Claude Code, Cursor, Codex, Gemini CLI, OpenCode, …) y el proveedor LLM —o se queda sin clave («keyless»). Siembra la configuración, arranca el servidor de memoria y su motor iii fijado, y ofrece instalar el binario globalmente para que agentmemory funcione en cualquier sitio. Alternativa equivalente: npm install -g @agentmemory/agentmemory y luego agentmemory. Al arrancar, el servidor queda en http://localhost:3111 y el visor en http://localhost:3113 (sin instalación ni configuración adicional). agentmemory demo siembra 3 sesiones y muestra la recuperación híbrida con datos reales. Por Docker: imagen iiidev/iii:0.11.2 con AGENTMEMORY_USE_DOCKER=1, y hay un botón «Deploy to fly.io» en el README.

Flujos de trabajo habituales

Arrancar y verificar: ejecuta agentmemory (o la vía npx), abre http://localhost:3113 y observa el stream de observaciones en vivo; cada pestaña se refresca según los ganchos disparan y cualquier sesión pasada se reproduce en el visor.
Conectar un agente con un comando: por ejemplo, agentmemory connect copilot-cli fusiona mcpServers.agentmemory en ~/.copilot/mcp-config.json (o $COPILOT_HOME/mcp-config.json) preservando los servidores existentes; agentmemory connect warp y agentmemory connect antigravity hacen lo propio con sus ficheros; agentmemory connect dsh --with-hooks añade el conector de MCP y los ganchos para DeepSeek Harness. La guía de contribución documenta adaptadores connect para 18 agentes.

Conectar cualquier cliente MCP a mano: fundir este bloque en el objeto mcpServers existente (no reemplazar el fichero) del agente objetivo:

{
  "mcpServers": {
    "agentmemory": {
      "command": "npx",
      "args": ["-y", "@agentmemory/mcp"],
      "env": { "AGENTMEMORY_URL": "http://localhost:3111" }
    }
  }
}

Recuperar un historial antiguo: con Claude Code, usa el flujo de importación JSONL (import-jsonl) para indexar transcripciones de ~/.claude/projects/; cada entrada se indexa para búsqueda, se sella con canal de origen import y se minan su «cristal» de sesión y sus lecciones.
Despliegue remoto o protegido: lanza el agente con AGENTMEMORY_URL y AGENTMEMORY_SECRET definidos; el plugin y el shim MCP heredan ambos valores, y si AGENTMEMORY_URL está vacío el shim cae en http://localhost:3111.

Configuración esencial

Ajuste	Para qué sirve
`AGENTMEMORY_DATA_DIR` / `--data-dir`	Fijar dónde vive el estado de iii; hay que reutilizar el mismo valor en cada reinicio.
`AGENTMEMORY_URL`	Dirección del servidor de memoria; el shim MCP cae en `http://localhost:3111` si está vacío.
`AGENTMEMORY_SECRET`	Autenticación para despliegues remotos o protegidos.
`AGENTMEMORY_AUTO_COMPRESS=true`	Activa la compresión de observaciones escrita por LLM (requiere además clave de proveedor).
`AGENTMEMORY_TOOLS`	Superficie MCP expuesta: `core` (8 herramientas), conjunto base (14) o `all` (54).
`--instance N`	Instancias múltiples con su propia cuarteta de puertos (p. ej. `--instance 1` → 3211/3212/3213/49234).

Trampas frecuentes y soluciones

El motor iii está fijado a v0.11.2: un install.sh | sh a secas instala la última versión del motor, que agentmemory no soporta (la v0.11.6 introduce un modelo de sandboxing nuevo al que agentmemory aún no se ha refactorizado). Usar siempre npx -y @agentmemory/agentmemory@latest o la imagen Docker fija. Advierten además que el motor es un binario precompilado, no un crate: no hay que intentar cargo install.
Claude Code borra transcripciones antiguas: cleanupPeriodDays en ~/.claude/settings.json (por defecto 30) elimina JSONL más viejos de esa ventana. Si se instala agentmemory sobre un historial de meses, lo anterior a 30 días ya no existe; la solución documentada es correr import-jsonl en cron, subir cleanupPeriodDays, o activar los ganchos de captura automática para que cada turno entre en vivo.
Clientes MCP en sandbox (Flatpak, Snap, contenedores restrictivos) no alcanzan el localhost del host: añadir "AGENTMEMORY_FORCE_PROXY": "1" al bloque env y apuntar AGENTMEMORY_URL a una ruta alcanzable (p. ej. la IP de la LAN).
Windows nativo: solo agentmemory connect copilot-cli es automatizado; el resto de agentes se configuran a mano con el bloque MCP, y connect en WSL solo sirve si el agente destino también está instalado dentro de ese mismo WSL.
«The engine process started but the REST API never responded»: comprobar que los cuatro puertos derivados están libres, verificar que el iii.exe fijado sigue vivo, y relanzar con --verbose para inspeccionar el stderr capturado del motor.
El bloque MCP se funde, no se reemplaza: si el fichero ya tiene otros servidores, agentmemory debe añadirse como otra clave dentro de mcpServers.

Integraciones y migración

La integración principal es el bloque MCP universal (arriba), que cubre Claude Desktop, Cursor, Cline, Roo, Windsurf, Gemini, Warp, Droid, Kiro, Antigravity, Qwen y similares; Devin (cloud) usa el mismo paquete vía STDIO con AGENTMEMORY_URL y AGENTMEMORY_SECRET apuntando a un despliegue alcanzable por red. Los 17 skills se autoinstalan con el CLI skills de vercel-labs en los directorios nativos de 50+ agentes. Hay plugins de primera parte para Hermes (plugin Python + config YAML), OpenClaw (plugin de gateway), Pi y un conector de sistema de archivos (@agentmemory/fs-watcher). Para migrar desde un enfoque CLAUDE.md/CLAUDE.local.md, el camino documentado es la importación JSONL del historial del agente; para migrar a Obsidian, existe exportación integrada. El directorio deploy/ del repositorio contiene perfiles de despliegue (Docker, fly.io) para instalaciones de equipo.

Estado oficial y semioficial

agentmemory no es un estándar formalizado ni está respaldado por ninguna fundación de forma verificada en esta investigación. Lo que sí documentan las fuentes:

Trendshift: el README lleva el badge oficial de Trendshift (trendshift.io/repositories/25123); el sitio afirma la posición #19 en «NEW 2026».
«As featured in» del sitio (agent-memory.dev): AlphaSignal (que el sitio presenta con 180K suscriptores técnicos), «Agentic AI Foundation — Linux Foundation backed», Trendshift y Product Hunt. Estas menciones son afirmaciones del propio proyecto; no se verificó de forma independiente la relación con la Agentic AI Foundation ni el recuento de upvotes de Product Hunt (la página de Product Hunt bloqueó la consulta por verificación antirrobot).
Cursor Marketplace: el README indica que la lista del plugin de Cursor está «en revisión» (submission in review) —no aprobada todavía a la fecha de consulta.
Claude Code: se instala como plugin nativo de primera clase (ganchos + MCP + skills), pero no consta aceptación en un mercado oficial de Anthropic en las fuentes consultadas.
Roadmap: el plan Q4 2026 contempla una auditoría de seguridad «financiada por LF si la aceptación fundacional llega antes de fin de trimestre», lo que confirma que, a la fecha, ninguna aceptación fundacional se había materializado.

En la práctica, la combinación de 20+ agentes compatibles, paquete MCP standalone y adopción documentada (ver recepción comunitaria) le da un peso de referencia de facto en el nicho de memoria para agentes de código, pero sin designación formal.

El ecosistema

Paquetes y repositorios de primera parte

@agentmemory/agentmemory (npm): runtime completo + CLI. Descargas medidas por la API de npm el 29 de agosto de 2026: 7.671 en la última semana y 33.042 en el último mes.
@agentmemory/mcp (npm): servidor MCP standalone, «un shim fino que reexpone el punto de entrada MCP de @agentmemory/agentmemory»; 6.815 descargas en la última semana. Proxía las 54 herramientas cuando AGENTMEMORY_URL apunta a un servidor en marcha; sin servidor reachable ofrece 7 herramientas locales.
@agentmemory/fs-watcher (npm): conector de sistema de archivos (integrations/filesystem-watcher/), versionado de forma independiente.
iii-hq/iii (motor iii): la base de ejecución sobre la que agentmemory se construye, fijada a v0.11.2.
Integraciones dentro del propio repositorio: integrations/hermes/ (plugin Python para Hermes Agent), integrations/openclaw/ (plugin de gateway), integrations/pi/, integrations/filesystem-watcher/, y plugin/ (plugin de Claude Code, manifiestos de ganchos para Codex/Copilot/Droid, plugin de captura de OpenCode y las skills).
Gist «LLM Wiki v2» de Rohit Ghumare: documento de patrón que extiende el LLM Wiki original de Andrej Karpathy con las lecciones extraídas de construir agentmemory; es la referencia conceptual del proyecto.

Puertos, competidores comunitarios y proyectos relacionados

akitaonrails/ai-memory — 5.131 estrellas (29 de agosto de 2026). «Solución para memoria a largo plazo de CLIs de agentes de código y para facilitar el handoff entre distintos vendors de agentes». Nació directamente de la crítica pública de su autor a agentmemory (ver «Cómo lo recibió la comunidad»); es el proyecto derivado más visible encontrado.
taichuy/agentMemory — 24 estrellas, creado en abril de 2026: «项目级的开发记忆目录» (directorio de memoria de desarrollo a nivel de proyecto). Es el proyecto en chino más visible en la búsqueda; no se verificó que sea un puerto literal del repositorio.
diqierjia/StrataGate-AgentMemory — 17 estrellas: memoria local-first y entre sesiones para DeepSeek Harness (DSH), con captura automática.
jayzeng/agentmemory — 17 estrellas: repositorio con el mismo nombre, descrito como «memoria persistente para agentes de código (Claude Code, OpenAI…)».
AzureCosmosDB/AgentMemoryToolkit — 14 estrellas: toolkit de memoria de agentes de Microsoft Azure Cosmos DB.
MukundaKatta/hermes-agentmemory — 10 estrellas: «plugin de memoria episódica de modelo pull para Hermes Agent. Borrados reales, rastro de auditoría, BYO Claude. MIT» (publicado el 15 de mayo de 2026; tiene su propio Show HN, hilo 48162360).
shawnfromportland/agentmemoryforcursor — 11 estrellas: memoria persistente orientada a Cursor.
agentmemoryprotocol/agentmemoryprotocol — 6 estrellas: «Agent Memory Protocol (AMP) — un estándar abierto para memoria portable y estructurada».
JordanMcCann/agentmemory — 46 estrellas: implementación independiente que reclama el 96,2 % en LongMemEval (481/500) y dice superar a todos los sistemas publicados, incluido agentmemory (Show HN en el hilo 47536877, 1 punto). Es una reclamación del propio autor, no una evaluación independiente.

El autor (rohitg00) mantiene además una amplia colección de repositorios del ecosistema de agentes (por ejemplo, awesome-claude-code, awesome-claude-code-plugins, clawdbot, agentbrain), pero solo los anteriores guardan relación directa verificable con agentmemory.

Números del repo

Medición: 29 de agosto de 2026, API de GitHub.

Métrica	Valor
Estrellas	27.733
Bifurcaciones	2.393
Suscriptores (watchers)	80
Commits	482
Incidencias abiertas según la API	534
Lenguaje principal	TypeScript
Licencia	Apache-2.0
Creación	25 de febrero de 2026 (primer commit 27 de febrero)
Último push	24 de agosto de 2026
Última publicación	`v0.9.29`, 16 de agosto de 2026

Los principales contribuidores que devolvió la API, por número de contribuciones, fueron rohitg00 (400), Tanmay-008 (10), honor2030 (8), efenex (5), Rokurolize (4), JasonLandbridge (4), Rex57 (3) y Getty (3). El proyecto está muy concentrado en un solo autor.

Notas de la API: open_issues_count (534) incluye incidencias y solicitudes de cambios abiertas —la búsqueda de PR del repositorio arroja 724 PR en total—, por lo que no debe leerse como un conteo exclusivo de incidencias. El número de commits (482) se obtuvo de la página final del enlace de paginación de la API de commits con per_page=1.

Complemento de npm (29 de agosto de 2026): @agentmemory/agentmemory con 7.671 descargas semanales y 33.042 mensuales; @agentmemory/mcp con 6.815 semanales.

Cómo contribuir

El proceso documentado en CONTRIBUTING.md es explícito:

Bifurcar el repositorio y crear una rama desde main: feat/<nombre> para funciones, fix/<número-de-issue>-<nombre> para correcciones, docs/, refactor/, chore/ para el resto.
npm install (se necesita Node >= 20), npm run build (TypeScript debe compilar limpio) y npm test (la suite completa debe pasar; la única prueba de integración, en test/integration.test.ts, necesita un servidor vivo en :3111 y puede saltarse en local).
Firmar con DCO: cada commit lleva Signed-off-by (git commit -s); los PR sin sign-off no se fusionan. No se admiten cabeceras de atribución («Generated with Claude Code», «Co-Authored-By: Claude», etc.) en commits ni descripciones de PR.
PR pequeños y enfocados, un cambio lógico por PR, con descripción de qué hace, por qué y cómo verificar; enlazar la issue (Fixes #NNN / Closes #NNN).
CodeRabbit revisa automáticamente; se responde a sus comentarios antes de pedir revisión humana, y el feedback se responde con commits nuevos (sin force-push); los mantenedores pueden hacer squash al fusionar.

Añadir una herramienta MCP tiene 6 pasos documentados (función en src/functions/, trigger HTTP en src/triggers/api.ts con api_path parejo, entrada en src/mcp/tools-registry.ts, implementación en src/mcp/standalone.ts, prueba en test/, y sin tocar el CHANGELOG fuera de los PR de release). Los lanzamientos tocan 8 ficheros en lockstep (package.json, src/version.ts, los plugin.json, packages/mcp/package.json, src/types.ts y src/functions/export-import.ts) y el workflow «Publish to npm» publica los tres paquetes con provenance. Las preguntas de implementación van a GitHub Discussions; las de gobernanza, a issues etiquetadas governance.

Cómo lo recibió la comunidad

La evidencia recuperada muestra adopción notable, un reconocimiento de referencia entre proyectos competidores, y una crítica pública que dio origen a un competidor grande:

Crítica y fork de consecuencias: en el comentario de Hacker News 48251392, el usuario akitaonrails escribió: «Hace cinco días escribí un post largo sobre memoria de agentes de código en el que recomendaba agentmemory como la respuesta. Después de una semana corriéndolo en producción personal, me lo retracto. Este post explica qué salió mal y el proyecto open source que empecé a construir para arreglarlo: ai-memory». El resultado, akitaonrails/ai-memory, llegaba a 5.131 estrellas el 29 de agosto de 2026 —un proyecto derivado que creció hasta ser, en estrellas, una parte considerable del original. No se recuperó el post completo del autor en esta investigación, por lo que el diagnóstico técnico concreto debe tratarse como no verificado.
Referencia citada por competidores: en el hilo de Show HN de Mnemo (48389586, «Show HN: Mnemo – local-first AI memory layer for any LLM (Rust, SQLite, petgraph)», 60 puntos y 9 comentarios), el usuario bilbo-b-baggins (comentario 48390599) señaló al autor «te olvidaste de BM25» y enlazó, entre otros proyectos de memoria, github.com/rohitg00/agentmemory#key-capabilities —un indicio de que agentmemory se había convertido en una referencia que los nuevos proyectos citan y contra la que se comparan.
Presentación en HN de baja repercusión: el sitio del proyecto se envió a Hacker News como story 48394857 («Persistent Memory for Coding Agents», 4 de junio de 2026), con 1 punto y 0 comentarios. No se encontró ningún hilo grande dedicado a agentmemory en las consultas de la API de Algolia, por lo que no se infiere un consenso ni un volumen de discusión que las fuentes no muestren.
Product Hunt (no verificado de forma independiente): la página de Product Hunt bloqueó la consulta por verificación antirrobot, así que el recuento de upvotes no se pudo verificar. El sitio del proyecto reproduce «literalmente del hilo de lanzamiento de Product Hunt» varios comentarios: Peter Neyra (backfilló un mes de transcripciones de Cursor), Pranav Prakash (dos semanas de uso en producción), Alper Tayfur («ataca uno de los mayores puntos dolorosos de los agentes de código: perder el contexto útil del proyecto entre sesiones sin hinchar la ventana de contexto»), además de Mia Taylor, Thomas Hall y Zoe Alexandra. Son testimonios citados por el propio proyecto, no verificados aquí.
Reddit: las consultas a Reddit (API directa bloqueada; PullPush como alternativa) no devolvieron hilos sustanciales sobre agentmemory; los resultados pertinentes correspondían a un proyecto distinto (atomic_agents). No se afirma por tanto recepción en Reddit.
YouTube: la búsqueda «agentmemory rohitg00» devuelve, entre otros: «Agent Memory Explained in 5 Minutes» de KodeKloud (~16.600 vistas, julio 2026); «Agent Memory EXPLAINED - Complete Architecture» de Hugging Face y Alejandro AO (~27.600 vistas, agosto 2026); «¡Este plugin le da memoria ILIMITADA a Claude!» de Hugo Wong (~3.600 vistas, abril 2026, en español); «AgentMemory: Memoria persistente para agentes de codificación de IA» y un podcast («Creando la memoria de IA definitiva con LLM Wiki v2 y AgentMemory») de Eddy Says Hi (266 y 615 vistas, en español); y «Claude Code acaba de obtener memoria a largo plazo» de Build Things With AI (~290 vistas, en español). Las cifras de vistas son aproximadas, tomadas de la página de resultados de YouTube el 29 de agosto de 2026.

agentmemory frente a otras propuestas

Propuesta	Estrellas (29/08/2026)	Coincidencia verificable	Diferencia verificable
`mem0ai/mem0`	64.320	Capa de memoria universal para agentes, búsqueda vectorial + grafo, SDK en Python y TypeScript.	API que hay que llamar manualmente (`add()`), dependencias externas (Qdrant/pgvector), opción de nube gestionada; sin captura automática por ganchos ni visor local (según la matriz del propio `benchmark/COMPARISON.md`, con la advertencia de que es un documento del proyecto).
`letta-ai/letta`	24.485	Agentes con memoria; capas de memoria inspiradas en SO.	Es un runtime de agentes completo, no solo memoria; requiere Postgres + vector; el agente autoedita su memoria.
`khoj-ai/khoj`	36.788	Memoria/segundo cerebro autoalojable.	Orientado a persona (documentos, web, Obsidian/Notion/Emacs), no a infraestructura de agentes de código.
`supermemoryai/supermemory`	29.130	Memoria + contexto, wrappers para frameworks.	Nube gestionada y solo en la nube; extracción server-side; sin despliegue local-first.
`TencentCloud/TencentDB-Agent-Memory`	25.164	Memoria para agentes con captura sin integración (vía proxy LLM).	Hub de memoria de equipo sobre TencentDB; despliegue multi-servicio Docker; benchmark propio en PersonaMem (76 %, autodeclarado, según la matriz del proyecto).
`getzep/graphiti`	30.400	Grafo de conocimiento para agentes; dimensión temporal.	Grafo temporal construido en segundo plano (los hechos recién ingeridos tardan en ser recuperables); no es captura de sesiones de agentes de código.
`akitaonrails/ai-memory`	5.131	Memoria a largo plazo para CLIs de agentes de código; handoff entre vendors.	Nació de la crítica a agentmemory; el foco declarado es facilitar el handoff entre agentes de distintos vendors.
`JordanMcCann/agentmemory`	46	Sistema de memoria que publica cifras en LongMemEval.	Reclama 96,2 % (481/500) y superar a todos los sistemas publicados; construcción de 16 días (autodeclarado en el Show HN 47536877).

La comparación del propio proyecto (benchmark/COMPARISON.md) incluye además MemPalace, oracleagentmemory, Hippo, Cognee y Zep, y lo hace con una advertencia honesta: solo el 95,2 % de agentmemory es su medición propia reproducible; las demás cifras son declaraciones de cada vendedor, en benchmarks distintos (LoCoMo, LongMemEval con GPT-5.5, etc.), no reproducidas por ellos. Las estrellas de la tabla de arriba sí se verificaron contra la API de GitHub el 29 de agosto de 2026.

Casos de uso

Desarrolladores individuales que trabajan con Claude Code, Cursor, Codex u otro agente compatible en sesiones largas: el caso de uso central documentado es dejar de reexplicar la arquitectura cada sesión; la captura por ganchos + inyección de contexto al iniciar, con el reclamo medido por el proyecto de ~92 % menos tokens de entrada que reenviar el historial completo.
Personas con un historial largo en Claude Code: el flujo import-jsonl permite backfillar transcripciones existentes (el caso citado en Product Hunt por Peter Neyra: un mes de transcripciones de Cursor), con la trampa documentada de cleanupPeriodDays=30 que hay que resolver con cron o subiendo el valor.
Equipos con varios agentes o varios desarrolladores compartiendo memoria: los agentId acotan la memoria por agente; leases, señales y la sincronización mesh par a par soportan agentes en paralelo, y el despliegue remoto con AGENTMEMORY_URL/AGENTMEMORY_SECRET (incluido el perfil documentado para Devin cloud) cubre agentes que no pueden hablar con el localhost local.
Organizaciones con requisitos de residencia de datos: local-first por defecto, cero bases de datos externas, filtrado de secretos antes de guardar y rastro de auditoría de todas las mutaciones. Con una salvedad verificable: SSO (OIDC), exportación de auditoría a S3/Loki y RBAC están en el roadmap para Q4 2026 y aún no están disponibles.
Equipos que auditan o vigilan lo que sus agentes aprenden: el visor en :3113 muestra el stream de observaciones en vivo, el replay de sesiones, el grafo de conocimiento y la salud, y la exportación a Obsidian integra la memoria con flujos de documentación existentes.
Constructores de productos de agentes que necesitan una capa de memoria embebible: 130 endpoints REST y 54 herramientas MCP expuestos bajo un solo proceso, con superficie reducible (AGENTMEMORY_TOOLS=core), sirve como dependencia de memoria sin framework, que es exactamente lo que el roadmap declara como misión («agentmemory es una dependencia, no un sustituto del runtime del agente»).

Recursos

Repositorio: https://github.com/rohitg00/agentmemory
Sitio oficial (stack, características, demo, agentes, instalación): https://www.agent-memory.dev
Guía rápida y notas de Windows en el README: https://github.com/rohitg00/agentmemory#quickstart
Paquete npm (runtime): https://www.npmjs.com/package/@agentmemory/agentmemory
Paquete npm (MCP standalone): https://www.npmjs.com/package/@agentmemory/mcp
Benchmark y comparativas con fuentes primarias: https://github.com/rohitg00/agentmemory/blob/main/benchmark/COMPARISON.md
Gobernanza y contribución: https://github.com/rohitg00/agentmemory/blob/main/GOVERNANCE.md, https://github.com/rohitg00/agentmemory/blob/main/CONTRIBUTING.md
Roadmap público (Q2 2026 – Q1 2027): https://github.com/rohitg00/agentmemory/blob/main/ROADMAP.md
Gist «LLM Wiki v2» (patrón conceptual del autor): https://gist.github.com/rohitg00/2067ab416f7bbe447c1977edaaa681e2
Motor iii: https://github.com/iii-hq/iii
Referencias de comunidad: comentario crítico de akitaonrails https://news.ycombinator.com/item?id=48251392 (origen de akitaonrails/ai-memory), story de Mnemo con cita a agentmemory https://news.ycombinator.com/item?id=48389586, envío del sitio https://news.ycombinator.com/item?id=48394857
Videos: KodeKloud «Agent Memory Explained in 5 Minutes» (youtube.com/watch?v=0P-ACuHyu-0), Hugging Face y Alejandro AO «Agent Memory EXPLAINED - Complete Architecture» (youtube.com/watch?v=aYfZN8t6AQs), Hugo Wong «¡Este plugin le da memoria ILIMITADA a Claude!» (youtube.com/watch?v=9kVVyLVmET4), Eddy Says Hi «AgentMemory: Memoria persistente para agentes de codificación de IA» (youtube.com/watch?v=oslSQiHCKUI)
Trendshift (badge en el README): https://trendshift.io/repositories/25123

Nota: este artículo combina el README, CONTRIBUITING.md, GOVERNANCE.md, ROADMAP.md y benchmark/COMPARISON.md del repositorio, la API de GitHub y npm, la API de Algolia de Hacker News, el sitio oficial y resultados de YouTube consultados el 29 de agosto de 2026. Las cifras cambian con el tiempo; las afirmaciones del propio proyecto (por ejemplo, el 95,2 % en LongMemEval-S o las menciones «As featured in») se señalan como tales y no como verificaciones independientes.