Grafos de conocimiento y memoria

Qué tener en cuenta

Las preguntas que distinguen las opciones, por orden de importancia.

1. 01

   Demuestra primero que necesitas un grafo

   Los grafos ayudan con preguntas que siguen relaciones (quién suministra a quién, qué contratos citan qué cláusula) o que abarcan todo un corpus (cuáles son los temas principales). Crea un conjunto de evaluación con preguntas reales y ejecútalo primero con búsqueda vectorial híbrida. Si pocas preguntas fallan por motivos de relaciones, un grafo añade coste y piezas móviles sin gran beneficio: en el estudio GraphRAG-Bench, LightRAG enviaba unos 100.000 tokens de prompt por pregunta al modelo que respondía, frente a menos de 1.000 con RAG vectorial.

2. 02

   Coste de indexación y cómo funcionan las actualizaciones

   Todas las herramientas de RAG con grafos pasan tus documentos por un modelo de lenguaje para extraer entidades y relaciones, así que indexar cuesta mucho más que generar embeddings. Microsoft GraphRAG además escribe resúmenes de comunidades y se reconstruye casi por completo cuando cambian los documentos; LightRAG prescinde de los resúmenes y añade documentos de forma incremental; Graphiti ingiere episodio a episodio. Calcula los tokens de todo tu corpus con tu modelo de extracción y pregunta qué pasa cuando cambie una décima parte el mes que viene.

3. 03

   El tiempo: datos que cambian

   La memoria de los agentes tiene un problema que el RAG de documentos rara vez tiene: los datos se quedan obsoletos. Un usuario se muda, una política se sustituye. Graphiti registra cuándo pasó a ser cierto cada dato y cuándo dejó de serlo, para que un agente pueda responder qué es cierto ahora y qué lo era entonces. Mem0 y la mayoría de pipelines de RAG con grafos simplemente añaden los datos nuevos junto a los antiguos, y la gestión del tiempo de Cognee es más reciente. Si tu agente funciona durante meses, prueba expresamente cómo maneja las contradicciones.

4. 04

   Backend de almacenamiento y lo que tendrás que operar

   Los pipelines y las capas de memoria funcionan sobre un almacén. Graphiti necesita Neo4j, FalkorDB o Amazon Neptune; los valores por defecto en memoria de LightRAG son solo para pruebas y recomienda Postgres para producción; GraphRAG escribe archivos y un índice LanceDB por defecto; Cognee usa almacenes embebidos por defecto, pero puede pasar a Postgres o Neo4j. Elige una herramienta cuyo backend de producción ya uses o estés dispuesto a mantener.

5. 05

   Calidad del modelo de extracción y salida estructurada

   La calidad del grafo depende del modelo que hace la extracción. Los modelos locales pequeños pasan por alto relaciones y duplican entidades, y el README de Graphiti advierte de que los modelos sin una salida estructurada fiable pueden romper la ingesta. LightRAG sugiere un modelo de unos 30B como mínimo práctico en local. Presupuesta un modelo capaz para la indexación y revisa la deduplicación de entidades en una muestra antes de indexarlo todo.

6. 06

   Lee con cuidado los benchmarks de memoria

   Los productos de memoria para agentes citan LoCoMo, LongMemEval, Deep Memory Retrieval y BEAM. Casi todas las cifras publicadas vienen del proveedor, a menudo de su servicio alojado y no del SDK de código abierto, con modelos y ajustes distintos en cada ejecución. Úsalas para hacer una preselección y luego puntúa a cada candidato reproduciendo tus propias conversaciones, midiendo la precisión con datos que han cambiado y la latencia de recuperación.

7. 07

   Licencia y división open core

   GraphRAG y LightRAG son MIT; Graphiti, Mem0 y Cognee son Apache 2.0; Neo4j Community Edition es GPLv3 y de un solo servidor, con clustering y seguridad basada en roles solo en las ediciones de pago. Varios proyectos reservan funciones clave para su producto alojado: la memoria en grafo de Mem0 solo está en la plataforma, y el extractor de producción y el almacén de grafos en Postgres de Cognee forman parte de un producto con licencia. Comprueba que la función que necesitas está en la edición abierta.

9 herramientas comparadas

Ordenadas por nuestra nota. Abre cualquier reseña para ver las fuentes, los precios y el veredicto completo.

Comparativa de herramientas de Grafos de conocimiento y memoria

Herramienta	Nota	Nuestro veredicto	Ideal para	Precio
Graphitirepo	4.3/5	Para agentes cuyos hechos cambian con el tiempo, Graphiti es la capa de memoria de código abierto a batir, siempre que estés dispuesto a mantener una base de datos de grafos y a pagar la extracción con LLM en cada escritura.	Equipos que crean agentes de larga duración que deben recordar hechos cambiantes sobre usuarios, cuentas o el mundo.	Gratuito y de código abierto bajo Apache 2.0. Tú pones la base de datos de grafos y pagas las llamadas al LLM y de embeddings durante la ingesta.
Neo4jrepo	4.1/5	El almacén de grafos por defecto cuando tu RAG o la memoria de tu agente necesitan de verdad relaciones, pero la edición gratuita se queda en un servidor y la mayoría de los RAG no necesitan ningún grafo.	Equipos cuyas preguntas de RAG o memoria de agentes dependen de las relaciones entre entidades y que necesitan un almacén de grafos probado.	Community Edition gratuita bajo GPLv3. Enterprise bajo presupuesto. AuraDB: nivel Free; Professional a 0,09 $/GB/hora (mínimo de 1 GB); Business Critical a 0,20 $/GB/hora (mínimo de 2 GB).
Graphifyrepo	4.1/5	Merece la pena instalarlo en repositorios grandes donde tu agente no para de hacer grep, siempre que tomes las cifras de los benchmarks como datos del propio proveedor y elijas con cuidado el backend para la documentación.	Equipos con bases de código grandes que quieren que su agente navegue por la estructura en lugar de hacer grep.	Motor de código abierto gratuito (Apache-2.0, con un archivo de licencia MIT también en el repositorio). Graphify Cloud tiene un nivel alojado gratuito y planes Pro y Teams por usuario con precios no publicados; Enterprise autoalojado está en acceso anticipado.
Mem0repo	4.0/5	Mem0 sigue siendo la forma más rápida de dar memoria a un agente, pero el SDK de código abierto es cada vez más la versión de prueba de una plataforma que se reserva la memoria en grafo y las mejores puntuaciones en benchmarks.	Desarrolladores que añaden memoria de usuario entre sesiones a chatbots y agentes.	SDK de código abierto gratuito bajo Apache 2.0. Platform: Free (10.000 adds y 1.000 recuperaciones al mes durante los primeros 30 días con las llamadas al modelo incluidas, y después 50.000 adds y 10.000 recuperaciones con tu propia clave de LLM, con facturación por uso a partir de ahí hasta un tope que fijas tú); planes Custom bajo presupuesto. Los antiguos planes Starter de 19 $ y Pro de 249 $ ya no figuran.
RAGFlowrepo	4.0/5	Un producto terminado que va del documento a la respuesta y que puedes ejecutar en un solo servidor, aunque su historial de seguridad indica que su sitio es detrás de una VPN y no en internet abierto.	Equipos que quieren un sistema autoalojado de preguntas sobre documentos y un asistente de conocimiento sin construir un pipeline.	Gratuito y de código abierto con licencia Apache 2.0. InfiniFlow también vende RAGFlow Cloud: Free (500 créditos al mes, sin API key), Starter a 29 $/mes y Pro a 129 $/mes (cada uno mostrado frente a un precio más alto de 59 $ y 259 $), y Enterprise bajo petición con BYOC y despliegue on-premises.
LightRAGrepo	3.9/5	La forma sensata de probar el RAG con grafos, más barata de mantener que Microsoft GraphRAG, aunque la mayoría de los equipos deberían demostrar que necesitan un grafo antes de añadirlo.	Equipos cuyas evaluaciones muestran que las preguntas de varios saltos fallan con búsqueda híbrida y que quieren un grafo sobre Postgres.	Gratuito y de código abierto bajo licencia MIT. La indexación y las consultas usan tus propios créditos de LLM y de embeddings.
Cogneerepo	3.8/5	Cognee construye un grafo de conocimiento compartido a partir de casi cualquier fuente, pero sus valores por defecto necesitan un responsable antes de llegar a producción.	Equipos que construyen varios agentes que necesitan un grafo de conocimiento compartido formado a partir de muchas fuentes.	Código abierto bajo Apache 2.0. Cognee Cloud: gratis hasta 1M de tokens y un espacio de trabajo, después 1 $ por cada 1M de tokens más 5 $ por espacio de trabajo adicional al mes; Enterprise es un proyecto BYOC con presupuesto.
Lettarepo	3.7/5	Letta sigue teniendo las ideas más meditadas sobre la memoria de los agentes, pero reconstruir el producto sobre la marcha ha dejado a sus primeros usuarios con una migración pendiente y a los nuevos con un objetivo en rápido movimiento.	Desarrolladores que quieren agentes personales o de equipo de larga duración con memoria inspeccionable y versionada, y no les importa adoptar un entorno completo.	Apache 2.0, gratuito en local con tus propias claves de modelos. Letta Cloud: Free (3 agentes, 5 MiB por repositorio de memoria); Pro 20 $/mes (20 agentes, 50 MiB, cuota de modelos); plan API 20 $/mes más 0,10 $ por agente activo al mes y 0,00015 $ por segundo de ejecución de herramientas, tokens aparte; Teams Pro 20 $/puesto/mes; Enterprise a medida.
GraphRAGrepo	3.5/5	Sigue siendo el diseño de referencia para preguntas sobre todo un corpus, pero Microsoft ha dejado de desarrollarlo y la factura de indexación es tan grande como siempre.	Equipos con un conjunto de documentos fijo y valioso en el que las preguntas entre documentos justifican un índice costoso hecho una sola vez.	Gratuito y de código abierto bajo la licencia MIT. La indexación consume tus propios créditos de OpenAI o Azure OpenAI, y el README advierte de que puede salir cara.

Lado a lado

Las especificaciones que importan en este paso. Comprobado el 23 oct 2026; confírmalo en la web del proveedor antes de decidirte.

Conéctalo a tu agente

Servidores MCP que permiten a asistentes como Claude, ChatGPT y Cursor usar estas herramientas directamente.

• Memory (reference server) 3.5
• MCP Memory Keeper 3.4

Dónde encaja esta etapa

• Investigación y grafo de conocimiento: empezaríamos con GraphRAG, Neo4j.
• Asistente con memoria a largo plazo: empezaríamos con Graphiti, Mem0.

Fuentes de esta guía

• Microsoft GraphRAG configuration
• Graphiti on GitHub
• Zep: temporal knowledge graph architecture (arXiv)
• LightRAG README (storage)
• Neo4j: vector search with filters
• Mem0 docs: vector databases
• Cognee on GitHub
• RAGFlow docs: construct knowledge graph
• Atlan: best AI agent memory frameworks 2026
• When to use Graphs in RAG (GraphRAG-Bench, arXiv)