[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"pack-detail-agent-memory-layer-es":3,"seo:pack:agent-memory-layer:es":78},{"code":4,"message":5,"data":6},200,"操作成功",{"pack":7},{"slug":8,"icon":9,"tone":10,"status":11,"status_label":12,"title":13,"description":14,"items":15,"install_cmd":77},"agent-memory-layer","🧠","#F59E0B","stable","Estable","Capa de Memoria para Agentes","Mem0, Zep, Cognee y los patrones para que los agentes recuerden entre sesiones — sin meter todo en el prompt.",[16,28,38,45,52,60,70],{"id":17,"uuid":18,"slug":19,"title":20,"description":21,"author_name":22,"view_count":23,"vote_count":24,"lang_type":25,"type":26,"type_label":27},703,"96da1f40-1823-4d87-a84f-7d8269edeb24","mem0-memory-layer-ai-applications-96da1f40","Mem0 — Memory Layer for AI Applications","Add persistent, personalized memory to AI agents and assistants. Mem0 stores user preferences, past interactions, and learned context across sessions.","Mem0",916,0,"en","skill","Skill",{"id":29,"uuid":30,"slug":31,"title":32,"description":33,"author_name":34,"view_count":35,"vote_count":24,"lang_type":25,"type":36,"type_label":37},852,"a3fe5165-33ca-11f1-9bc6-00163e2b0d79","codebase-memory-mcp-code-intelligence-ai-agents-a3fe5165","Codebase Memory MCP — Code Intelligence for AI Agents","High-performance code intelligence MCP server. Indexes repos in milliseconds via tree-sitter AST, supports 66 languages, sub-ms graph queries. MIT, 1,300+ stars.","MCP Hub",340,"mcp","MCP",{"id":39,"uuid":40,"slug":41,"title":42,"description":43,"author_name":34,"view_count":44,"vote_count":24,"lang_type":25,"type":36,"type_label":37},715,"554c4dc2-663c-489a-b57f-814948e9f714","memory-mcp-persistent-ai-agent-knowledge-graph-554c4dc2","Memory MCP — Persistent AI Agent Knowledge Graph","MCP server that gives AI agents persistent memory using a local knowledge graph. Stores entities, relationships, and observations across sessions for Claude Code.",295,{"id":46,"uuid":47,"slug":48,"title":49,"description":50,"author_name":34,"view_count":51,"vote_count":24,"lang_type":25,"type":26,"type_label":27},743,"ffde39a9-bd16-4c41-8168-aacfb05b7622","zep-long-term-memory-ai-agents-assistants-ffde39a9","Zep — Long-Term Memory for AI Agents and Assistants","Production memory layer for AI assistants. Zep stores conversation history, extracts facts, builds knowledge graphs, and provides temporal-aware retrieval for LLMs.",309,{"id":53,"uuid":54,"slug":55,"title":56,"description":57,"author_name":58,"view_count":59,"vote_count":24,"lang_type":25,"type":26,"type_label":27},334,"b6ad223f-51da-4179-863c-5f9b3c7d08ef","cognee-memory-engine-ai-agents-b6ad223f","Cognee — Memory Engine for AI Agents","Cognee adds persistent structured memory to any AI agent in 6 lines of code. 14.8K+ stars. Knowledge graphs, vector stores, LLM integration. Apache 2.0.","Skill Factory",224,{"id":61,"uuid":62,"slug":63,"title":64,"description":65,"author_name":66,"view_count":67,"vote_count":24,"lang_type":25,"type":68,"type_label":69},829,"b52189f9-e04a-4425-89db-e16fa7e81eec","ai-agent-memory-patterns-build-agents-remember-b52189f9","AI Agent Memory Patterns — Build Agents That Remember","Design patterns for adding persistent memory to AI agents. Covers conversation memory, entity extraction, knowledge graphs, tiered memory, and memory management strategies.","Agent Toolkit",328,"prompt","Prompt",{"id":71,"uuid":72,"slug":73,"title":74,"description":75,"author_name":22,"view_count":76,"vote_count":24,"lang_type":25,"type":26,"type_label":27},402,"b61fca8c-edd9-4ffa-bdc3-f21ce6715af9","mem0-memory-layer-ai-agents-b61fca8c","Mem0 — Memory Layer for AI Agents","Add persistent, personalized memory to any AI agent. Learns user preferences, adapts context, reduces tokens. 51K+ stars, used by 100K+ devs.",416,"tokrepo install pack\u002Fagent-memory-layer",{"pageType":79,"pageKey":8,"locale":80,"title":81,"metaDescription":82,"h1":13,"tldr":83,"bodyMarkdown":84,"faq":85,"schema":101,"internalLinks":111,"citations":124,"wordCount":137,"generatedAt":138},"pack","es","Memoria de Agentes: Mem0, Zep, Cognee + patrones 2026","Mem0, Zep, Cognee — la capa de memoria que los agentes usan para recordar entre sesiones. Más cuatro patrones de implementación. Instala con TokRepo.","Tres librerías de memoria de producción (Mem0, Zep, Cognee) más cuatro patrones que evitan meter todo en el prompt. Instalación en un comando con TokRepo.","## Qué incluye este pack\n\nEste pack reúne los **siete recursos de capa de memoria** que aparecen en cada agente que necesita recordar cosas entre sesiones sin volver a pegarlas en el prompt cada vez. Tres son las librerías canónicas. Cuatro son plantillas de patrones que las envuelven — patrones que Anthropic y OpenAI sacan en sus guías de agentes long-running.\n\n| # | Recurso | Tipo | Qué te da |\n|---|---|---|---|\n| 1 | Mem0 | librería | Auto-extracción y update de hechos del usuario, API drop-in |\n| 2 | Zep | servicio | Grafo de conocimiento temporal, memoria a largo plazo |\n| 3 | Cognee | librería | Pipeline híbrido grafo + vector |\n| 4 | Patrón resumen episódico | plantilla | Comprime sesiones largas en memorias resumen |\n| 5 | Bloc de notas working-memory | plantilla | Estado inter-paso sin inflar el prompt |\n| 6 | Extractor de hechos de usuario | plantilla | Saca hechos estables del chat al store |\n| 7 | Recall cross-sesión | plantilla | \"¿Qué decidimos la semana pasada?\" |\n\n## Por qué importa\n\nLa configuración default de Claude \u002F GPT-4 \u002F Gemini tiene cero memoria. Cada conversación arranca de cero. La mayoría de apps fingen memoria metiendo turnos previos en el system prompt — funciona un rato, luego tu context window explota, tu factura se triplica y el modelo pierde el hilo. Las capas de memoria resuelven esto guardando hechos fuera del prompt e inyectando solo los relevantes por turno.\n\nLas tres librerías hacen apuestas distintas:\n\n- **Mem0** es la más fácil. Una llamada `mem0.add(messages, user_id=...)` y la librería extrae lo que vale la pena recordar. Mejor para apps tipo chatbot con identidad clara.\n- **Zep** es la opción de producción. Corre como servicio, te da grafo de conocimiento temporal (memorias con timestamps y relaciones), soporta multi-tenant. Mejor cuando necesitas audit trails o memoria compartida en una organización.\n- **Cognee** es la apuesta graph-native. Modela memoria como grafo de conocimiento desde día uno — útil si tu dominio es research, código, o cualquier cosa con relaciones de entidad fuertes.\n\nLos cuatro patrones no son librerías — son plantillas de prompt y adaptadores pequeños que funcionan con cualquiera de las tres. Son la diferencia entre \"instalé Mem0\" y \"la memoria de verdad funciona en mi app\".\n\n## Instala en un comando\n\n```bash\n# Instala el pack completo\ntokrepo install pack\u002Fagent-memory-layer\n\n# O instala una librería a la vez\ntokrepo install mem0\ntokrepo install zep\ntokrepo install cognee\n```\n\nTokRepo CLI normaliza la colocación de archivos: subagentes Claude Code en `.claude\u002Fagents\u002F`, reglas Cursor en `.cursor\u002Frules\u002F`, AGENTS.md para Codex CLI. La instalación de librería es pip\u002Fnpm — TokRepo solo las cablea en la config de tu herramienta IA para que el agente sepa que la capa de memoria existe.\n\n## Errores comunes\n\n- **No guardes todo.** El coste de memoria escala con lo que escribes, no con lo que recuperas. Usa un extractor de hechos (patrón #6) para filtrar — solo hechos durables sobre el usuario\u002Fproyecto van a memoria a largo plazo.\n- **No te saltes el sesgo de recencia.** El recall vectorial puro trae memorias semánticamente similares pero rancias. El grafo temporal de Zep y la actualización in-place de Mem0 lo arreglan; si lo haces tú, pondera por recencia o seguirás recuperando contexto de hace 6 meses.\n- **No compartas user IDs entre tenants.** Las tres librerías soportan namespaces por usuario. Úsalos. La fuga de memoria entre usuarios es un incidente mucho peor que no tener memoria.\n- **Presupuesta tokens del recall.** Incluso con capa de memoria, puedes reventar el context window con `top_k=50`. Empieza en `top_k=5` y sube solo si falta recall.\n- **Reconcilia conflictos.** Si el usuario dice \"soy vegetariano\" en marzo y \"soy vegano\" en mayo, necesitas estrategia de update. Mem0 lo hace solo; Zep te da la superficie de conflicto; Cognee te lo deja a ti.\n\n## Conceptos erróneos comunes\n\n**\"RAG y memoria son lo mismo.\"** No. RAG recupera de un corpus estático (docs, codebase). Memoria escribe nuevas entradas según lo que dijo el usuario\u002Fagente y las recupera después. RAG es solo lectura; memoria es lectura-escritura. Los patrones del pack rag-pipelines son distintos a este a propósito.\n\n**\"Puedo usar el historial de conversación sin más.\"** Para una sesión de 5 turnos, claro. Para una app donde el mismo usuario vuelve la próxima semana, no — tendrías que meter todos los turnos previos en el prompt para siempre. La memoria extrae los hechos y descarta el chat.\n\n**\"Mem0 vs Zep es decisión difícil.\"** La mayoría empieza con Mem0 porque son 5 minutos de setup, luego gradúa a Zep cuando necesita multi-tenant o audit. Los dos son lo bastante parecidos como para que migrar sea un fin de semana, no un trimestre.",[86,89,92,95,98],{"q":87,"a":88},"¿Mem0 es gratis?","La librería OSS Mem0 es MIT y gratis para auto-host. También tienen un cloud gestionado con pricing por uso si no quieres correr el embedding\u002Fvector store tú. Zep tiene el mismo modelo OSS + cloud. Cognee es totalmente OSS sin opción gestionada a mediados 2026 — lo corres tú.",{"q":90,"a":91},"¿Funcionará en Cursor \u002F Codex CLI \u002F Windsurf?","Las librerías son a nivel lenguaje (Python \u002F Node), así que funcionan con cualquier framework agente, no solo Claude Code. El TokRepo CLI instala los archivos de config correctos por herramienta. Usuarios de Codex CLI deberían emparejar la capa de memoria con instrucciones AGENTS.md; usuarios de Cursor lo embeben en el set de reglas.",{"q":93,"a":94},"¿Cómo se compara Mem0 con Zep?","Mem0 es library-first — importas y llamas .add()\u002F.search() inline. Zep es service-first — corres un server (Docker), él posee el grafo, tu app llama la API. Mem0 gana en tiempo-a-primera-memoria; Zep gana en multi-tenant, audit y modelado de relaciones explícito. Mem0 para prototipos, Zep cuando tengas soporte ops.",{"q":96,"a":97},"¿Cuál es la diferencia con el pack RAG Pipelines?","RAG recupera de un corpus fijo (tus docs, tu codebase). Memoria escribe nuevos hechos mientras el agente corre y los recupera después. RAG es solo lectura; memoria es lectura-escritura y acumula. La mayoría de agentes en producción necesitan ambos: RAG para conocimiento estático, memoria para lo específico del usuario.",{"q":99,"a":100},"¿Cuándo NO debería añadir capa de memoria?","Cuando las sesiones son stateless y cortas — tareas one-shot como 'resume este PDF' no se benefician y la capa añade latencia. También salta para lookup puramente factual (usa RAG). Las capas de memoria valen su coste cuando el mismo usuario vuelve, el agente es multi-paso, o ambos.",{"@context":102,"@type":103,"name":104,"description":105,"numberOfItems":106,"publisher":107},"https:\u002F\u002Fschema.org","CollectionPage","Memory Layer for Agents","Mem0, Zep, Cognee, and the patterns to make agents remember across sessions.",7,{"@type":108,"name":109,"url":110},"Organization","TokRepo","https:\u002F\u002Ftokrepo.com",[112,116,120],{"url":113,"anchor":114,"reason":115},"\u002Fes\u002Fpacks\u002Frag-pipelines","Pipelines RAG","memoria y recuperación son hermanas",{"url":117,"anchor":118,"reason":119},"\u002Fes\u002Fpacks\u002Fmulti-agent-frameworks","Frameworks Multi-Agente","memoria compartida entre agentes",{"url":121,"anchor":122,"reason":123},"\u002Fes\u002Ftools\u002Fclaude-code","Claude Code","host principal para estos adaptadores de memoria",[125,129,133],{"claim":126,"source_name":127,"source_url":128},"Mem0 is an open-source memory layer for LLMs that auto-extracts and updates user-specific facts","mem0ai\u002Fmem0 on GitHub","https:\u002F\u002Fgithub.com\u002Fmem0ai\u002Fmem0",{"claim":130,"source_name":131,"source_url":132},"Zep is a long-term memory service with temporal knowledge graphs","getzep\u002Fzep on GitHub","https:\u002F\u002Fgithub.com\u002Fgetzep\u002Fzep",{"claim":134,"source_name":135,"source_url":136},"Cognee builds memory pipelines for AI applications using graph + vector hybrid stores","topoteretes\u002Fcognee on GitHub","https:\u002F\u002Fgithub.com\u002Ftopoteretes\u002Fcognee",798,"2026-05-02T15:00:00Z"]