Memoria persistente para agentes de programación que registra la actividad de las sesiones, la resume con IA e incorpora contexto relevante en sesiones futuras.
101,8 mil9 milTypeScriptApache-2.0Actualizado ayer
MemTensor/MemOS
Sistema operativo de memoria para LLM y agentes de IA que almacena, recupera y gestiona recuerdos a largo plazo en forma de grafo editable.
Alternativa open source a:Mem0
- Estrellas
- 11,959
- Forks
- 1,300
- Issues abiertos
- 149
- Último commit
- hace 8 horas
¿Qué es?
MemOS es una capa de memoria para aplicaciones con LLM y agentes de IA. Ofrece una API para añadir, recuperar, editar y eliminar recuerdos, organizados en un grafo que se puede inspeccionar y corregir, en lugar de almacenarlos en una base de embeddings opaca. Gestiona texto, imágenes, trazas de herramientas y personas dentro del mismo sistema de memoria, y agrupa varias bases de conocimiento en cubos de memoria componibles que se pueden aislar o compartir entre usuarios, proyectos y agentes.
El proyecto ofrece varias formas de ejecutarlo: una API alojada en MemOS Cloud, un servicio REST autogestionado que se inicia con Docker Compose (que incorpora Neo4j y Qdrant) y plugins locales para OpenClaw, Hermes Agent y DeepSeek Harness, que almacenan la memoria en SQLite en el dispositivo. Los plugins locales usan recuperación híbrida que combina búsqueda de texto completo con FTS5 y búsqueda vectorial, además de evolución de habilidades a partir de trazas, políticas y modelos del mundo.
Funciones clave
- 01API unificada para añadir, recuperar, editar y eliminar recuerdos
- 02Memoria estructurada como grafo que se puede inspeccionar y corregir
- 03Memoria multimodal que abarca texto, imágenes, trazas de herramientas y personas
- 04Gestión de bases de conocimiento con varios cubos, aislamiento y uso compartido
- 05Ingesta asíncrona de memoria mediante MemScheduler
- 06Plugins locales para OpenClaw, Hermes Agent y DeepSeek Harness con almacenamiento en SQLite en el dispositivo
Casos de uso
- Crear asistentes de IA que mantengan conversaciones coherentes y ricas en contexto entre sesiones
- Agentes de atención al cliente que recuerden tickets anteriores y el historial de cada usuario
- Agentes personalizados que se adapten a las preferencias de cada usuario
- Sistemas multiagente que compartan o aíslen la memoria entre agentes
Inicio rápido
- 1
Clona el repositorio de MemOS
git clone https://github.com/MemTensor/MemOS.git - 2
Copia el archivo env de ejemplo y, luego, añade tus claves de API en .env
cp docker/.env.example .env - 3
Ve a la carpeta docker e inicia la API de MemOS con Neo4j y Qdrant (la API estará disponible en localhost:8000)
docker compose up
Antes de usarlo
- El autoalojamiento requiere ejecutar Neo4j y Qdrant junto con la API.
- La Cloud API alojada requiere una clave de API de MemOS, gratuita o de pago, que puedes obtener en el panel de control, y envía tus datos a MemOS Cloud.
Temas
Preguntas frecuentes
- ¿Qué es MemOS?
- Sistema operativo de memoria para LLM y agentes de IA que almacena, recupera y gestiona recuerdos a largo plazo en forma de grafo editable. MemOS es una capa de memoria para aplicaciones con LLM y agentes de IA. Ofrece una API para añadir, recuperar, editar y eliminar recuerdos, organizados en un grafo que se puede inspeccionar y corregir, en lugar de almacenarlos en una base de embeddings opaca. Gestiona texto, imágenes, trazas de herramientas y personas dentro del mismo sistema de memoria, y agrupa varias bases de conocimiento en cubos de memoria componibles que se pueden aislar o compartir entre usuarios, proyectos y agentes.
- ¿MemOS es gratuito? ¿Qué licencia tiene?
- MemOS es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿MemOS sigue mantenido?
- Mantenimiento activo. El último commit de MemOS fue el 20 oct 2026.
- ¿Para qué puedo usar MemOS?
- Crear asistentes de IA que mantengan conversaciones coherentes y ricas en contexto entre sesiones Agentes de atención al cliente que recuerden tickets anteriores y el historial de cada usuario Agentes personalizados que se adapten a las preferencias de cada usuario Sistemas multiagente que compartan o aíslen la memoria entre agentes
- ¿Cómo se instala MemOS?
- Clona el repositorio de MemOS: git clone https://github.com/MemTensor/MemOS.git Copia el archivo env de ejemplo y, luego, añade tus claves de API en .env: cp docker/.env.example .env Ve a la carpeta docker e inicia la API de MemOS con Neo4j y Qdrant (la API estará disponible en localhost:8000): docker compose up
- ¿Dónde consigo MemOS?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/MemTensor/MemOS
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Una capa de memoria a largo plazo, local y nativa de Markdown para agentes de IA, que guarda recuerdos en archivos editables con índices de SQLite y LanceDB.
13,5 mil1,1 milPythonApache-2.0Actualizado hace 6 horas
Tutorial y proyecto modular de Agentic RAG con LangGraph, con indexación jerárquica, memoria conversacional y aclaración de consultas.
4,3 mil587Jupyter NotebookMITActualizado hace 3 días
Una capa de memoria a largo plazo de código abierto para agentes de IA que almacena y recupera información entre sesiones mediante un SDK de Python, una API REST y un servidor MCP.
3,1 mil222PythonApache-2.0Actualizado hace 9 horas
Sistema de memoria para agentes que almacena, recupera y analiza recuerdos para que los agentes de IA aprendan con el tiempo, en lugar de limitarse a repetir el historial del chat.
51,9 mil6,2 milPythonMITActualizado hace 2 horas
Infraestructura de memoria nativa para agentes que convierte las conversaciones y ejecuciones de agentes LLM en memoria persistente y estructurada para aplicaciones Python y TypeScript.
17,1 mil3,9 milPythonOtherActualizado hace 18 días