¿Qué es ai-memory?
ai-memory da a los agentes de programación una memoria que sobrevive a la sesión, al agente y a la máquina. Los hooks del ciclo de vida registran prompts, llamadas a herramientas y límites de sesión, eliminan secretos en una capa de privacidad y los envían a un servidor local; al acabar la sesión, el servidor los convierte en páginas Markdown de una wiki versionada con git. La siguiente sesión, en cualquier agente compatible, empieza con un resumen breve y un traspaso que indica dónde se quedó el trabajo, y puede buscar en la wiki por MCP.
El servidor es un único binario en Rust con búsqueda de texto completo en SQLite, ranking por entidades y enlaces y vectores opcionales. El camino por defecto no hace llamadas a ningún LLM; se puede añadir un modelo de Anthropic, OpenAI, Gemini o local para escribir mejores resúmenes, y un proceso en segundo plano opcional fusiona notas frías. Admite más de 20 agentes, entre ellos Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Kiro y GitHub Copilot CLI, y un equipo puede compartir un servidor con cuentas por usuario y registro de auditoría.
Lo escribe Fabio Akita con licencia MIT. El repositorio se creó en mayo de 2026; la v3.5.1 salió el 19 de noviembre de 2026.
¿Merece la pena ai-memory?
La mayoría de complementos de memoria ayudan a un agente a recordar; ai-memory está hecho para el momento en que cierras un agente y abres otro. Un traspaso es un registro tipado con dueño que la siguiente sesión reclama una sola vez, y el lanzador ai-memory run va más allá: si arrancas Codex cuando Claude Code agota su límite, Codex recibe el flujo de trabajo compartido y una copia local temporal del historial visible de Claude, que se borra al salir. El mismo servidor puede atender a varias máquinas y a todo un equipo, con el conocimiento compartido por proyecto y los traspasos guardados por persona.
Las decisiones de diseño son conservadoras de forma útil. La fuente de verdad es Markdown plano en git, que puedes buscar con grep, editar o abrir en Obsidian; el índice SQLite se puede reconstruir a partir de él. La captura, la búsqueda y los traspasos no necesitan clave de API. En el banco de pruebas LongMemEval-S del propio proyecto, la búsqueda sin LLM obtuvo un hit@5 de 0,953 en la 3.5.0 y los embeddings locales 0,940, con el commit y el hardware de cada ejecución publicados, aunque no encontramos a nadie de fuera que los haya reproducido. El envejecimiento, la compactación y la deduplicación funcionan sin modelo y nunca borran del todo; las partes que reescriben contenido vienen desactivadas.
Las notas de seguridad son poco habitualmente completas. Una instalación nativa escucha en loopback y genera un token bearer solo legible por el propietario; el inicio rápido con Docker no, y funciona sin autenticación hasta que la activas. No hay telemetría ni comprobación de actualizaciones, pero el primer arranque descarga unos 87 MB de modelo de embeddings desde Hugging Face salvo que desactives los embeddings locales, y nada se cifra en reposo. Recuerda lo que hacen los hooks: cada prompt y cada resultado de herramienta acaba en el almacén, tras la limpieza, así que un servidor compartido guarda gran parte de tu trabajo.
El peso es el precio. Solo el README ocupa 47 KB, el changelog 400 KB, y hay versiones nuevas cada pocos días; el autor reconoce que Claude Code escribió buena parte. Windows nativo es experimental, las escrituras rondan como máximo las 700 por segundo y solo un servidor puede ser dueño de un directorio de datos. Si usas un solo agente en un portátil, la memoria propia de Claude Code da menos trabajo.
Dónde se gana su sitio
Un desarrollador freelance que agota la cuota de Claude Code a media tarde
Seguir en Codex sin volver a explicar lo que se probó y lo que falló
Lanza ambos con ai-memory run; cuando Claude se detiene, ai-memory run codex recoge el traspaso y una copia temporal del historial visible de Claude. Gratis; el camino por defecto no necesita clave de API.
Un equipo de cuatro personas que comparte un servidor doméstico
Que el agente de cada uno encuentre las decisiones que ya tomaron las sesiones de un compañero
Ejecuta un servidor en la LAN detrás de un proxy inverso con TLS, crea cuentas de usuario y apunta los hooks de cada máquina a él. El conocimiento se comparte por proyecto, los traspasos son personales y cada escritura queda atribuida en el registro de auditoría.
Un desarrollador en una empresa que exige una revisión de protección de datos antes de instalar herramientas
Mostrar exactamente qué sale del portátil
Entrega DATA_HANDLING.md, que enumera la única descarga por defecto y las cinco vías opcionales que envían datos fuera, y pon embedding_provider en none para no hacer ninguna llamada saliente.
Antes de decidirte
- Puesta en marcha
- Descarga con curl el script de instalación (comprueba el SHA-256 antes de instalar) y ejecuta ai-memory setup, que crea el directorio de datos y el token, arranca un servicio de usuario y conecta MCP, hooks y skills para cada agente que encuentra, tras preguntar. También hay Homebrew, AUR, RPM, Scoop, Nix, Docker y una app de barra de menús para macOS.
- Integraciones
- MCP más hooks de ciclo de vida para Claude Code, Codex, Cursor, Gemini CLI, OpenCode, Kiro, GitHub Copilot CLI, Factory Droid y otros; plugins de marketplace para Claude Code y Codex; una API JSON y una vista web de solo lectura; un cliente TypeScript y un importador de documentos para PDF, DOCX y transcripciones.
- Datos y privacidad
- Todo vive en un directorio de datos local: una wiki versionada con git e índices SQLite. Sin telemetría ni comprobación de actualizaciones. Los embeddings locales descargan unos 87 MB de Hugging Face en el primer arranque. Los proveedores opcionales de LLM o embeddings en la nube reciben el texto de las páginas. Sin cifrado en reposo.
- Coste a escala
- Gratis de ejecutar; el modo por defecto no necesita modelo. Activar un LLM en la nube para resúmenes, una API de embeddings o la fusión en segundo plano añade cargos del proveedor por sesión, que el proyecto no estima.
- Límites
- Unas 700 escrituras por segundo; un servidor por directorio de datos; Windows nativo experimental; los inicios de sesión humanos fuera de loopback exigen HTTPS salvo que permitas texto plano de forma explícita.
Lo bueno
- Traspasos de reclamo único y continuidad de sesión entre más de 20 agentes
- La fuente de verdad es Markdown en git, no una base de datos
- Captura, búsqueda y envejecimiento sin ninguna llamada a LLM
- Sin telemetría; loopback y token bearer por defecto
Lo malo
- Código grande y cambiante, con versiones cada pocos días
- El inicio rápido con Docker funciona sin autenticación
- Las cifras de rendimiento salen del banco de pruebas del propio proyecto
- Sin cifrado en reposo; Windows nativo es experimental
Ideal para
Desarrolladores y equipos pequeños que pasan trabajo entre Claude Code, Codex y otras CLI de agentes, o entre máquinas, y quieren la memoria compartida en archivos propios.
Alternativas a ai-memory
ai-memory: preguntas frecuentes
- ¿Merece la pena ai-memory?
- ai-memory es la memoria para agentes que conviene usar si alternas entre Claude Code y Codex, porque lo que hace mejor que nadie es el traspaso, no el recuerdo. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta ai-memory?
- Gratis con licencia MIT; los proveedores opcionales de LLM y embeddings cobran aparte.
- ¿Qué inconvenientes tiene ai-memory?
- Código grande y cambiante, con versiones cada pocos días; el inicio rápido con Docker funciona sin autenticación; las cifras de rendimiento salen del banco de pruebas del propio proyecto; sin cifrado en reposo; Windows nativo es experimental.
- ¿Para quién es ai-memory?
- Desarrolladores y equipos pequeños que pasan trabajo entre Claude Code, Codex y otras CLI de agentes, o entre máquinas, y quieren la memoria compartida en archivos propios.
- ¿Cuánto cuesta ai-memory para un equipo o en producción?
- Gratis de ejecutar; el modo por defecto no necesita modelo. Activar un LLM en la nube para resúmenes, una API de embeddings o la fusión en segundo plano añade cargos del proveedor por sesión, que el proyecto no estima.
- ¿Es ai-memory seguro para los datos de la empresa?
- Todo vive en un directorio de datos local: una wiki versionada con git e índices SQLite. Sin telemetría ni comprobación de actualizaciones. Los embeddings locales descargan unos 87 MB de Hugging Face en el primer arranque. Los proveedores opcionales de LLM o embeddings en la nube reciben el texto de las páginas. Sin cifrado en reposo.
- ¿Cuáles son las mejores alternativas a ai-memory?
- Las alternativas más cercanas que hemos analizado son claude-mem, Hindsight y Mem0.
Respuestas comprobadas el 20 nov 2026.