Aplicación de IA todo en uno para conversar con tus documentos y ejecutar agentes de IA, con configuración local prioritaria, soporte multiusuario y muchos proveedores de LLM.
67,3 mil7,5 milJavaScriptMITActualizado hace 3 días
NirDiamant/Agent_Memory_Techniques
Repositorio educativo con 30 notebooks de Jupyter ejecutables sobre técnicas de memoria para agentes LLM, desde buffers de conversación hasta Mem0, Letta, Zep y Graphiti.
- Estrellas
- 1,111
- Forks
- 142
- Issues abiertos
- 2
- Último commit
- hace 3 días
¿Qué es?
Agent Memory Techniques es un recurso práctico para aprender a dotar de memoria a agentes basados en LLM a lo largo de distintos turnos, sesiones y tareas. Sin memoria, un agente debe reconstruir el contexto en cada interacción, lo que dificulta la personalización y la coherencia en conversaciones prolongadas. El repositorio organiza 30 técnicas en seis familias: gestión del contexto a corto plazo, almacenamiento a largo plazo, arquitecturas cognitivas, patrones de recuperación y multiagente, frameworks y evaluación con patrones para producción.
Cada técnica tiene su propio notebook, que se puede ejecutar localmente o abrir en Colab. Los primeros notebooks cubren buffers de conversación, ventanas deslizantes y memoria basada en resúmenes y presupuestos de tokens; los siguientes abordan almacenes vectoriales, memoria de entidades y grafos de conocimiento, memoria episódica y semántica, y mecanismos de olvido o decaimiento. Los notebooks sobre frameworks presentan Graphiti, Mem0, Letta (MemGPT) y Zep. La sección final trata la evaluación de la memoria, los benchmarks LoCoMo y LongMemEval, y aspectos de producción como el almacenamiento en caché, los TTL, las copias de seguridad y el GDPR.
Los notebooks usan Python y requieren claves de API de OpenAI o Anthropic. El repositorio indica que el código es educativo y no está listo para producción.
Funciones clave
- 0130 notebooks de Jupyter independientes, cada uno dedicado a una técnica de memoria.
- 02Abarca buffers de corto plazo, almacenes vectoriales, grafos de conocimiento y memoria episódica y semántica.
- 03Notebooks prácticos sobre Mem0, Letta (MemGPT), Zep y Graphiti.
- 04Incluye guías paso a paso de los benchmarks LoCoMo y LongMemEval.
- 05Cada notebook se puede abrir en Colab sin necesidad de configurarlo localmente.
Casos de uso
- Aprender cómo funciona la memoria de conversación antes de crear un agente.
- Comparar enfoques de memoria, como los buffers de resumen, los almacenes vectoriales y los grafos de conocimiento.
- Evaluar frameworks como Mem0 o Zep para un proyecto de agente específico.
- Preparar a un equipo para diseñar sistemas de memoria para agentes en producción.
Inicio rápido
- 1
Abre el primer cuaderno, 01 Conversation Buffer Memory, en su carpeta
- 2
O abre el mismo cuaderno directamente en Google Colab con la insignia de Colab
Temas
Preguntas frecuentes
- ¿Qué es Agent_Memory_Techniques?
- Repositorio educativo con 30 notebooks de Jupyter ejecutables sobre técnicas de memoria para agentes LLM, desde buffers de conversación hasta Mem0, Letta, Zep y Graphiti. Agent Memory Techniques es un recurso práctico para aprender a dotar de memoria a agentes basados en LLM a lo largo de distintos turnos, sesiones y tareas. Sin memoria, un agente debe reconstruir el contexto en cada interacción, lo que dificulta la personalización y la coherencia en conversaciones prolongadas. El repositorio organiza 30 técnicas en seis familias: gestión del contexto a corto plazo, almacenamiento a largo plazo, arquitecturas cognitivas, patrones de recuperación y multiagente, frameworks y evaluación con patrones para producción.
- ¿Agent_Memory_Techniques es gratuito? ¿Qué licencia tiene?
- Agent_Memory_Techniques es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿Agent_Memory_Techniques sigue mantenido?
- Mantenimiento activo. El último commit de Agent_Memory_Techniques fue el 17 oct 2026.
- ¿Para qué puedo usar Agent_Memory_Techniques?
- Aprender cómo funciona la memoria de conversación antes de crear un agente. Comparar enfoques de memoria, como los buffers de resumen, los almacenes vectoriales y los grafos de conocimiento. Evaluar frameworks como Mem0 o Zep para un proyecto de agente específico. Preparar a un equipo para diseñar sistemas de memoria para agentes en producción.
- ¿Cómo se instala Agent_Memory_Techniques?
- Abre el primer cuaderno, 01 Conversation Buffer Memory, en su carpeta O abre el mismo cuaderno directamente en Google Colab con la insignia de Colab
- ¿Dónde consigo Agent_Memory_Techniques?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/NirDiamant/Agent_Memory_Techniques
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Base de datos de embeddings de código abierto para aplicaciones de IA, que almacena documentos y vectores para habilitar búsquedas semánticas, híbridas y de texto completo.
29,5 mil2,6 milRustApache-2.0Actualizado hace 9 horas
Framework de pipelines de datos incremental en Python con un núcleo en Rust que mantiene sincronizados índices vectoriales y grafos de conocimiento con fuentes cambiantes para agentes de IA y aplicaciones RAG.
11,7 mil921RustApache-2.0Actualizado ayer
Base de conocimiento autohospedada en Rust que crea un grafo de conocimiento bitemporal a partir de documentos, con búsqueda RAG, razonamiento basado en ontologías y acceso MCP para agentes.
8,4 mil1,2 milRustApache-2.0Actualizado ayer
Proyecto educativo paso a paso para crear Retrieval-Augmented Generation desde cero en JavaScript, con LLM locales y sin API en la nube.
1,6 mil205JavaScriptMITActualizado hace 7 meses
Un harness basado en plugins que ofrece a Claude Code, Codex y otros agentes de programación agentes, skills, hooks, memoria y análisis de seguridad compartidos.
283,6 mil42,1 milJavaScriptMITActualizado ayer