¿Qué es Mnemosyne?
Mnemosyne es una capa de memoria para agentes de IA que guarda todo en una única base de datos SQLite. Nació como plugin de memoria para Hermes Agent, de Nous Research, y ahora también sirve a Claude Code, Cursor, Codex, Windsurf, OpenWebUI, OpenClaw y Pi mediante MCP o un SDK de Python.
Los recuerdos entran en un nivel de trabajo que se inyecta en los prompts; después, un ciclo sleep() resume los elementos antiguos en un nivel episódico a largo plazo, donde se busca con vectores de sqlite-vec y palabras clave de FTS5. Un almacén de tripletas aparte registra hechos con fechas de validez, de modo que puede responder qué era cierto en un día concreto. La sincronización entre máquinas es opcional y puede cifrarse en el cliente.
El proyecto usa la licencia MIT, tiene unas 3.600 estrellas en GitHub y publicó la versión 4.0.0 el 27 de octubre de 2026. Varios proyectos sin relación comparten el nombre; este es el de mnemosyne-oss, el más activo y el que figura en el catálogo de plugins de Hermes.
¿Merece la pena Mnemosyne?
El argumento de Mnemosyne es operativo, no académico: un pip install y un archivo SQLite dan a un agente memoria a largo plazo sin Postgres, sin base de datos vectorial y sin cuenta. La recuperación puntúa cada recuerdo con un 50% de similitud vectorial, un 30% de rango de palabras clave FTS5 y un 20% de importancia, todo dentro de SQLite, y los embeddings pueden comprimirse de 384 floats a 48 bytes. Según la comparativa del propio proyecto, Mem0 necesita Qdrant o Postgres y Letta necesita Postgres para la misma tarea.
El almacenamiento va por niveles. Los recuerdos nuevos quedan en la memoria de trabajo, que se inyecta en los prompts y caduca por defecto a las 168 horas. Una pasada de sleep() resume los recuerdos antiguos con un LLM (un endpoint remoto compatible con OpenAI, un modelo GGUF local de unos 656 MB que se descarga en el primer uso, o una alternativa por palabras clave) y escribe el resumen en la memoria episódica. La consolidación es aditiva: los originales se marcan, no se borran. La extracción de hechos con LLM se activa llamada a llamada, y el resolutor de conflictos que sustituye recuerdos contradictorios está desactivado por defecto, así que los hechos desfasados persisten salvo que los limpies.
Los benchmarks piden cautela. El único resultado vigente es un 65,2 % en BEAM a 100K tokens, medido sobre v3.0.0 en mayo de 2026 por el propio proyecto con Llama 3.3 70B y un juez DeepSeek V4 Flash; el README reconoce que el 73,4 % publicado por Hindsight le supera. Una cifra del 98,9 % en LongMemEval se retiró en septiembre de 2026 porque no existía registro de la ejecución, pero la tabla comparativa del mismo README sigue mostrando un 87,4 % en LongMemEval. La recuperación pura solo alcanzó un 20% de Recall@10 en todos los tamaños de corpus, con 372 ms de latencia a 100K. No hay resultado publicado en LoCoMo.
Lo de priorizar lo local depende del perfil de instalación. El paquete básico (unos 50 MB de RAM) no incluye modelo de embeddings local y espera un endpoint remoto, OpenRouter por defecto, que entonces recibe el texto de los recuerdos y las consultas; funcionar totalmente en local requiere el extra de embeddings, de unos 800 MB. El servidor MCP también puede abrir puertos SSE o HTTP, y los enlaces fuera de loopback exigen una lista de hosts permitidos. La versión 4.0 corrigió un fallo por el que modelos de embeddings desconocidos generaban en silencio un índice vectorial incompatible.
Para un desarrollador individual o un usuario de Hermes que quiere memoria sin mantener infraestructura, es una opción sólida. Los productos multiusuario que necesitan aislamiento por cliente, copias de seguridad gestionadas o benchmarks auditados encajan mejor con Mem0 o Graphiti.
Dónde se gana su sitio
Un desarrollador freelance que alterna entre Claude Code, Cursor y Codex
Mantener una sola memoria de las decisiones del proyecto en las tres herramientas
Ejecuta mnemosyne mcp y añade la misma entrada de servidor a la configuración MCP de cada herramienta. Las tres leen y escriben un único archivo SQLite; instalar el extra de embeddings (unos 800 MB de RAM) mantiene los vectores en local en lugar de enviar texto a OpenRouter.
Un aficionado que ejecuta un bot de Hermes Agent en un VPS de 1 GB
Dar memoria a largo plazo a un asistente de Telegram sin servidor de base de datos
Instala el paquete básico (unos 50 MB de RAM) con mnemosyne-hermes y apunta los embeddings a una API remota, aceptando que el texto de los recuerdos sale de la máquina. Sincroniza con una copia de escritorio mediante mnemosyne sync y la opción --encrypt para tener copias de seguridad.
Un ingeniero de operaciones que controla quién es responsable de cada servicio
Preguntar qué estaba asignado a quién en una fecha pasada
Escribe las asignaciones en el TripleStore con fechas valid_from y consulta con as_of. Es la única parte de Mnemosyne que gestiona explícitamente los hechos que cambian; los recuerdos normales requieren limpieza manual cuando quedan obsoletos.
Antes de decidirte
- Puesta en marcha
- pip install mnemosyne-memory, o mnemosyne-memory[all] para embeddings locales y consolidación con LLM, y luego una entrada en la configuración MCP. Los usuarios de Hermes añaden mnemosyne-hermes y fijan memory.provider en mnemosyne.
- Integraciones
- MCP por stdio, SSE o HTTP en streaming; SDK de Python; proveedores nativos para Hermes Agent y OpenClaw; una extensión para Pi; un puente de herramientas para OpenWebUI.
- Datos y privacidad
- Los recuerdos se quedan en un archivo SQLite local salvo que actives la sincronización o embeddings o LLM remotos; los embeddings remotos envían el texto de recuerdos y consultas al endpoint, OpenRouter por defecto. Sin telemetría. Los datos sincronizados pueden cifrarse con Fernet o XSalsa20-Poly1305, de modo que el servidor solo ve metadatos.
- Coste a escala
- Sin coste de licencia ni de alojamiento. El perfil local completo recomienda 8 GB de RAM; por lo demás, el coste es el precio por llamada del endpoint de embeddings y resumen que configures.
- Límites
- Un único archivo SQLite sirve para un usuario o una flota de agentes, no para un producto multicliente. Unas 180 issues y pull requests abiertas. Los embeddings por defecto están ajustados al inglés; la recuperación multilingüe necesita otro modelo. Las cifras de BEAM son anteriores a v4 y no se han repetido.
Lo bueno
- Un archivo SQLite, sin servidor de base de datos ni cuenta
- Servidor MCP más integraciones nativas con Hermes, OpenClaw y Pi
- El almacén temporal de tripletas responde qué era cierto en una fecha
- Sincronización opcional con cifrado en el cliente
Lo malo
- Cifra de LongMemEval retirada; el README aún muestra otra
- La gestión de contradicciones está desactivada por defecto
- La instalación básica envía el texto de los recuerdos a OpenRouter para los embeddings
- 20% de Recall@10 en la recuperación de BEAM
Ideal para
Desarrolladores individuales y usuarios de Hermes Agent que quieren memoria persistente en su propia máquina sin mantener una base de datos.
Alternativas a Mnemosyne
Mnemosyne: preguntas frecuentes
- ¿Merece la pena Mnemosyne?
- Mnemosyne es la memoria para agentes más autosuficiente que existe, un archivo SQLite y ningún servicio, pero su historial de benchmarks es escaso y en parte retirado, así que sus afirmaciones de calidad aún requieren tu propia prueba. Le damos un 3.7 sobre 5.
- ¿Cuánto cuesta Mnemosyne?
- Gratuito y de código abierto con licencia MIT. Sin servicio alojado ni plan de pago; el coste es tu propia máquina más cualquier endpoint remoto de embeddings o LLM que elijas.
- ¿Qué inconvenientes tiene Mnemosyne?
- Cifra de LongMemEval retirada; el README aún muestra otra; la gestión de contradicciones está desactivada por defecto; la instalación básica envía el texto de los recuerdos a OpenRouter para los embeddings; 20% de Recall@10 en la recuperación de BEAM.
- ¿Para quién es Mnemosyne?
- Desarrolladores individuales y usuarios de Hermes Agent que quieren memoria persistente en su propia máquina sin mantener una base de datos.
- ¿Cuánto cuesta Mnemosyne para un equipo o en producción?
- Sin coste de licencia ni de alojamiento. El perfil local completo recomienda 8 GB de RAM; por lo demás, el coste es el precio por llamada del endpoint de embeddings y resumen que configures.
- ¿Es Mnemosyne seguro para los datos de la empresa?
- Los recuerdos se quedan en un archivo SQLite local salvo que actives la sincronización o embeddings o LLM remotos; los embeddings remotos envían el texto de recuerdos y consultas al endpoint, OpenRouter por defecto. Sin telemetría. Los datos sincronizados pueden cifrarse con Fernet o XSalsa20-Poly1305, de modo que el servidor solo ve metadatos.
- ¿Cuáles son las mejores alternativas a Mnemosyne?
- Las alternativas más cercanas que hemos analizado son Mem0, Letta, Graphiti y claude-mem.
Respuestas comprobadas el 6 nov 2026.