Talamus

Talamus

Tu agente de codificación olvida por qué se tomó una decisión en cuanto termina la sesión.

Talamus conserva las decisiones, la evidencia y las correcciones que vale la pena recordar como Markdown ordinario, y luego les brinda a Claude Code, Codex, Cursor, Gemini CLI y a cualquier agente MCP un recuerdo citado en la siguiente sesión.

Sin cuenta alojada. Sin telemetría. Sin embeddings obligatorios. La búsqueda simple permanece en tu máquina; las acciones basadas en LLM usan solo el motor que elijas.

Prueba primero todo el ciclo de recuperación local — sin instalación persistente, cuenta, LLM o hook, y sin archivos escritos fuera de ./talamus-demo:

uvx --from talamus talamus demo --root ./talamus-demo
uvx --from talamus talamus search "embedding" --root ./talamus-demo
uvx --from talamus talamus read "Embedding" --root ./talamus-demo

Para una evaluación técnica, lee la arquitectura y los benchmarks medidos.

Talamus fue creado y es mantenido por Giovanni “Angio” Crapuzzi bajo Ampres, un proyecto independiente de IA y código abierto. El caso de estudio de ingeniería documenta la arquitectura, las mediciones y las compensaciones detrás del proyecto.

Conecta un agente

Arco copiable y pegado, con la versión reproducible en scripts/demo/run_magic.py:

1. Configura el cerebro del proyecto. talamus setup inicializa el cerebro, elige un motor, instala MCP para Claude Code, Cursor, Codex, OpenCode y OpenClaw cuando los detecta, pregunta una vez antes de instalar el hook de captura de sesión y puede probar el motor con una pequeña llamada en vivo.

   talamus setup
   

2. Tu sesión de agente termina. El hook con consentimiento lee la transcripción y el diff de git, aplica el filtro de lo que vale la pena recordar, escribe solo memoria útil en este cerebro y audita el evento en .talamus/logs/capture.log.

3. Una sesión nueva pregunta qué pasó y obtiene una respuesta de notas reales, con fuentes.

   talamus recall "why did we choose FTS5?"
   talamus ask "why did we choose FTS5?"
   

4. Reproduce la demo con guion sin gastar llamadas de LLM, o ejecútala con tu motor real.

   python scripts/demo/run_magic.py --fake
   python scripts/demo/run_magic.py --keep --engine claude-cli
   

Qué es diferente

TIEMPO: las notas tienen historial de versiones, los hechos tienen ventanas de tiempo válidas y talamus ask --as-of 2026-01 responde desde el cerebro tal como era.

SIGNIFICADO: la ontología se induce a partir de la evidencia, se versiona, se promueve con reglas medidas y se usa para agrupar y enrutar el cerebro.

VERIFICABILIDAD: cada nota lleva procedencia; talamus verify propone correcciones para revisar, y las respuestas citan las notas que usaron.

Comparación medida

El benchmark de una pantalla se muestra en la guía de benchmarks y se confirma como one-screen.md. Cada número a continuación se rastrea hasta un artefacto de resultado confirmado.

corpus	métrica	Talamus	BM25	MiniLM vector DB
SciFact, terreno solo en inglés	recall@10	0.797	0.776	0.783
SciFact, terreno solo en inglés	nDCG	0.664	0.652	0.645
Book, multilingüe + vago	hit@10	0.971	0.829	0.743
Book, multilingüe + vago	recall@10	0.929	0.771	0.700

También medido en artefactos confirmados: −97.7% tokens por respuesta frente a cargar el cerebro en el contexto, rechazo 1.000 en preguntas fuera de alcance y latencia de búsqueda p95 72.6 ms con 10k notas / p50 624 ms con 100k.

La parte honesta: la calidad de recuperación sigue al LLM que traigas. Con un motor de expansión fuerte, talamus-smart lidera a un modelo denso multilingüe fuerte (multilingual-e5) en cada métrica, incluido el ranking (nDCG 0.847 vs 0.837); con uno débil o gratuito, e5 lidera el ranking mientras Talamus mantiene el mejor hit/recall — y en un motor local lento, el search simple supera a --smart por completo. Cada número se rastrea hasta un artefacto confirmado; las pérdidas quedan sobre la mesa.

Motores

Trae el LLM que ya tienes: claude-cli, codex-cli, antigravity-cli (agy), opencode, ollama o anthropic-api.

Inicio rápido

pipx install "talamus[mcp]"
talamus setup
talamus ingest ./notes && talamus ask "what should I remember?"

Ejecuta talamus para el panel de estado, talamus quickstart para comandos esenciales o talamus ui para el banco de trabajo local de React.

Las conexiones MCP de agentes son de solo lectura por defecto. Para permitir que un agente actualice deliberadamente este cerebro de proyecto, regenera su configuración con talamus mcp install --enable-writes; las escrituras al cerebro central requieren la bandera adicional --enable-central-writes.

Instala la habilidad de agente Talamus con consentimiento desde skills.sh:

npx skills add ampres-ai/talamus --skill talamus-memory

OpenClaw puede instalar la misma habilidad independiente directamente desde ClawHub:

openclaw skills install @ampres-ai/talamus-memory

Instalar la habilidad independiente no instala Talamus automáticamente. Si la CLI falta, la habilidad explica las opciones de instalación aisladas y pregunta antes de ejecutar una.

Gemini CLI puede instalar Talamus directamente desde su galería de extensiones o desde este repositorio. La extensión inicia la versión fijada de PyPI a través de uvx, por lo que no modifica el árbol de código fuente clonado:

gemini extensions install https://github.com/ampres-ai/talamus --auto-update

goose puede instalar el repositorio como un Open Plugin. Esto agrega la habilidad de memoria con consentimiento e inicia el servidor MCP local fijado para cada nueva sesión de CLI:

goose plugin install https://github.com/ampres-ai/talamus.git

El plugin requiere uv en PATH; uvx descarga Talamus y sus dependencias MCP en una caché aislada en el primer uso.

MCP contenerizado (el cerebro permanece en la carpeta local montada):

docker run --rm -i -v "$PWD:/data" ghcr.io/ampres-ai/talamus:1.1.3

Enlaces

Documentación: inicio rápido, memoria de agente local-first, guía de instalación de agentes, comandos, llamada de herramientas de agente, configuración, benchmarks, arquitectura, principios de diseño, evaluación, multi-cerebro, ontología.

Proyecto: seguridad, contribución, hoja de ruta, registro de cambios.

El código fuente, el seguimiento de problemas y el historial de versiones viven en ampres-ai/talamus.

Desarrollo

pip install -e ".[dev,mcp]"
python dev.py

python dev.py ejecuta ruff, verificación de formato, mypy y unittest. Los cambios de comportamiento del producto deben actualizar la documentación de usuario en el mismo cambio.

Licencia

Apache-2.0.