Escribí más de 200 líneas de reglas en CLAUDE.md solo para que el Agente recuerde quién soy.
El tono de escritura, las tabúes de diseño, los estilos de imagen: todo depende de que yo las escriba línea por línea. Aunque estas reglas existen cada vez que inicio una nueva sesión, esto no es memoria del Agente; es un manual que escribí yo.
El manual es estático: si escribo "no uses guiones", el Agente no los usará. Pero no sabe por qué, no sabe cuántas veces lo he corregido y no conoce el criterio detrás de la regla: que "siento que los guiones hacen que el chino pierda su ritmo".
Mi Agente está ejecutando reglas, pero no las ha aprendido.
La mayoría de las soluciones de memoria existentes son solo "buscar chats antiguos"
Este problema no ha pasado desapercibido. ChatGPT tiene memoria, Claude tiene conocimiento del proyecto y existen varios plugins de memoria de terceros en el mercado.
Pero si miras de cerca, todos hacen más o menos lo mismo: almacenan tus conversaciones pasadas o información etiquetada manualmente, construyen un índice vectorial y recuperan segmentos relevantes para insertarlos de nuevo en el contexto durante el próximo chat.
Funciona, pero tiene varios problemas inevitables.
Primero, lo que se almacena es conversación en bruto, que tiene una relación señal-ruido muy baja. Cuando se recupera un fragmento de una charla casual de hace tres meses, el modelo tiene que juzgar qué es útil y, a menudo, se equivoca.
Segundo, la memoria es plana. Toda la información se almacena por igual; no hay jerarquía de "esto es más importante que aquello" o "esta conclusión ha sido actualizada". Cuanto más tiempo la uses, más ruido habrá.
Tercero, no aprende de los errores. Si has corregido a la IA diez veces sobre el mismo problema, su "memoria" tiene diez registros de corrección, pero no ha resumido una estrategia de "no hagas esto de nuevo".
Estas soluciones resuelven el problema del "almacenamiento", pero no el del "aprendizaje".
Lo que Hermes me dijo después de instalar el plugin local de MemOS
Después de instalar el Plugin Local de MemOS, le pregunté a Hermes: "¿Dónde se guarda tu memoria ahora?"
Dio una respuesta muy clara:
Dos líneas: La memoria integrada se almacena en un archivo JSON local y contiene cosas que yo le he dicho activamente: nombre, rol, preferencias, reglas de escritura. MemOS es un sistema de memoria a largo plazo separado e independiente que extrae automáticamente trazas (trayectorias de eventos), políticas (reglas de comportamiento) y modelos_del_mundo (conocimiento del entorno) de las conversaciones, y luego cristaliza procesos maduros en habilidades invocables.
El resumen del propio Hermes es mejor que mi explicación: "La memoria integrada es una nota adhesiva explícita que guardo activamente; MemOS es una memoria implícita que se aprende y acumula automáticamente en segundo plano."
Esta es la mayor diferencia entre MemOS y las soluciones mencionadas anteriormente. No solo te ayuda a almacenar conversaciones; extrae automáticamente estrategias del proceso de hacer las cosas.
MemOS llama a este sistema Reflect2Evolve. Las conversaciones primero se asientan en trazas, las trazas valiosas se resumen en políticas (estrategias de comportamiento) y las políticas maduras se cristalizan en habilidades reutilizables. No se trata de "recordar lo que dijiste", sino de "extraer cómo hacerlo la próxima vez a partir del proceso de cómo lo hiciste".
Prueba 1: Enseñarle a escribir tweets
En la primera ronda, le dije a Hermes mis hábitos para escribir tweets en X: sin guiones, empezar directamente con un punto de vista sin preámbulos, tener un toque humano, sin sabor a IA. Luego le pedí que escribiera un tweet sobre Ingeniería de Contexto.
Después de que terminó, lo corregí una vez: "Esta apertura es demasiado plana; usa un gancho más fuerte. Mi hábito es lanzar un punto de vista o conflicto en la primera oración, sin preámbulos."
Inmediatamente lo cambió. La primera oración se convirtió en: "Opinión controvertida: La Ingeniería de Prompts está sobrevalorada." Luego respondió: "La primera oración es el punto de vista, sin preámbulos."
Hasta aquí, no es muy diferente de la mayoría de los asistentes de IA. La verdadera prueba es el siguiente paso.
Salgo de Hermes. Inicio una nueva sesión. Esta vez solo dije una frase:
"Ayúdame a escribir un tweet en X con el tema 'CLAUDE.md en Claude Code es esencialmente hacer Ingeniería de Contexto'."
No repetí ninguna preferencia. No le recordé quién soy.
Entonces vi esto:
Antes de escribir, hizo cuatro cosas:
- Cargó automáticamente una habilidad llamada escritura-de-contenido-x.
- Usó memos_search para buscar "estilo de escritura X ingeniería de contexto", tardando 4.7 segundos.
- Buscó en memos_environment y encontró la ruta a mi bóveda de Obsidian.
- Entró en mi bóveda para leer artículos de X que había publicado antes para captar el ritmo.
Luego dijo: "Bien, escribamos. Después de leer tus artículos recientes de X y captar el ritmo, empezaré a escribir directamente."
Esto es lo que escribió:
CLAUDE.md no es configuración. Es Ingeniería de Contexto. Cada línea que escribes ahí, estás diseñando la ventana de contexto del modelo. Estructura del proyecto, preferencias de codificación, tabúes de línea roja: todo es memoria de trabajo inyectada manualmente. Los prompts manejan "qué hacer esta vez". CLAUDE.md maneja "quién eres". Los desarrolladores backend deberían entender esto al instante. Los microservicios obtienen configuración de un registro al iniciarse para saber con qué servicios interactúan. CLAUDE.md es el registro del Agente. Léelo una vez por sesión, luego ponte a trabajar.
Cero guiones, la primera oración lanza un punto de vista directamente, la analogía del backend fluye de forma natural y no hay una apertura al estilo "En este artículo, entenderemos...".
No solo recordó simplemente que dije sin guiones; extrajo un conjunto de estrategias de escritura de mi proceso de ejecución y artículos publicados, y luego las aplicó automáticamente en una sesión completamente nueva.
Esta vez, realmente sentí que era diferente de las soluciones de memoria que había usado antes.
Prueba 2: Crear dos páginas de producto para ver si los estilos migran entre proyectos
Probemos una tarea más sustancial.
En la primera ronda, le pedí a Hermes que creara una página de presentación de producto para ReddTrends (www.reddtrends.com) con requisitos específicos: fondo blanco crema con colores cálidos, texto directo sin palabras como "empoderar" o "todo en uno", diseño limpio, sensación de desarrollador independiente. Después de que terminó, corregí el texto del botón CTA.
Luego salí, inicié una nueva sesión y le pedí que creara una página de presentación para otro producto, MoleUninstaller, dando solo el nombre del producto y la descripción de la función, sin ninguna instrucción de estilo.
Resultado: La página de MoleUninstaller fue en una dirección completamente diferente: fondo oscuro, título principal en inglés, color de acento naranja—completamente diferente del estilo cálido de desarrollador independiente de ReddTrends.
Las preferencias de estilo no migraron entre proyectos.
Esto muestra que la memoria de MemOS no es un simple "el usuario dijo blanco crema la última vez, así que úsalo para siempre"; distingue contextos de tareas. Por el contrario, si esperas que recuerde "uso colores cálidos para todas mis páginas de producto", todavía no puede hacerlo; aprender preferencias con este nivel de granularidad podría requerir más rondas de acumulación.
Abrir el Visor para ver lo que aprendió
Después de ejecutar las dos pruebas, los cambios de datos en el Visor fueron obvios:
De cero al inicio a 47 recuerdos, 8 tareas, 24 experiencias (12 habilitadas), 2 habilidades y 1 cognición ambiental. Todo generado automáticamente.
Las entradas más interesantes en la página de experiencia:
"Convertir artículo de Cuenta Oficial de WeChat a formato Xiaohongshu", soporte 25, habilitado. Esta experiencia se activó 25 veces, lo que muestra que MemOS resumió una estrategia de la tarea repetitiva de convertir cuentas.
"Verificar mediante navegación del navegador después de modificar archivos" y "Verificar que no haya errores de consola después de modificar la página"—estos son hábitos de ingeniería extraídos automáticamente mientras se construían páginas de producto.
La página de habilidades también cambió:
check_obsidian_vault_path_env se actualizó de V1 a V2, con soporte aumentando de 1 a 2. MemOS actualizó automáticamente la versión de la habilidad cuando encontró una tarea similar por segunda vez. Esto es lo que significa "Evolve" en Reflect2Evolve: las habilidades no son estáticas; maduran cuanto más se usan.
Tres modelos juegan cada uno su papel: Xenova local para incrustaciones (gratuito), DeepSeek V4 Flash para resúmenes (económico) y DeepSeek V4 Pro para la evolución de habilidades (se llama solo cuando se necesita un razonamiento sólido), utilizando modelos costosos solo donde cuentan.
Todos los datos se almacenan en una base de datos SQLite local, y el Visor solo escucha localmente, con dependencia cero en la nube. Aquellos que han trabajado con RAG pueden mirar el pipeline de recuperación: FTS5 texto completo + híbrido vectorial, pasando por clasificación de fusión RRF, deduplicación MMR y una decadencia temporal de vida media de 14 días, luego filtrado por un LLM. Esto es un orden de magnitud más complejo que "incrustación + similitud de coseno", pero la calidad de la recuperación es el punto de inflexión para determinar si la memoria es útil.
Un núcleo, compartido por múltiples Agentes
Otro diseño que vale la pena mencionar: OpenClaw y Hermes comparten el mismo núcleo Reflect2Evolve, solo con diferentes adaptadores. Las experiencias y habilidades que acumulas en Hermes son compatibles con OpenClaw a nivel algorítmico; tus activos de memoria no se reiniciarán solo porque cambies de herramienta.
Sentimientos reales después del uso
Lo que más me sorprendió no fue solo que recordara mis preferencias, sino que en la segunda sesión, antes de escribir el tweet, ejecutó una serie de acciones: cargar una habilidad, buscar en la memoria, encontrar mi bóveda, leer mis artículos anteriores y luego decirme "He leído tus artículos recientes para captar el ritmo".
Mi reacción en ese momento fue: Espera, no te pedí que leyeras mis artículos antiguos.
Pero juzgó por sí mismo que esto era lo correcto. Esta sensación es completamente diferente de "ayúdame a buscar de lo que hablamos la última vez".
El lado de la página de producto no fue tan sorprendente; el estilo cálido de ReddTrends no migró a MoleUninstaller. Pensándolo bien, tiene sentido; la preferencia de estilo solo apareció una vez, y las experiencias de MemOS necesitan un cierto número de "soportes" para solidificarse en una estrategia. Una vez no es suficiente.
Así que el estado actual es: las tareas repetitivas de alta frecuencia muestran efectos muy obvios, mientras que las preferencias ocasionales aún no son estables. Pero creo que la dirección es correcta. He estado escribiendo CLAUDE.md durante medio año, y cuanto más escribo, más siento que este no es un trabajo para humanos.
Sitio web del Plugin Local de MemOS: https://memos-claw.openmem.net/
GitHub: https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Instalación con un clic del Agente:
1https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Soy Yanhua, enfocado en Agentes de IA y desarrollo independiente para mercados internacionales. Si te interesan los Agentes de IA, no dudes en seguirme --> @yanhua1010
