memo

memo

Tu agente de codificación comienza cada sesión con amnesia. memo lo soluciona — 100% en tu propia máquina.

Memoria persistente y buscable para Claude Code, Codex, Cursor, Cline, Devin y OpenCode. Sin nube, sin claves de API, sin Ollama, sin base de datos vectorial que ejecutar. Y gasta menos tokens, no más.

Instalación

curl -fsSL https://raw.githubusercontent.com/jagoff/memo/v4.11.3/install.sh | bash

_{¿Prefieres un gestor de paquetes? uv tool install mlx-memo · pipx install mlx-memo · brew tap jagoff/memo && brew install mlx-memo}

Luego:

memo doctor                                   # self-check
memo save 'we use Postgres, not Mongo'        # save a decision
memo search 'what database did we pick?'      # search by meaning

Eso es todo. Tus agentes lo detectan automáticamente a través de MCP — el instalador conecta cada cliente que encuentra.

curl -fsSL https://raw.githubusercontent.com/jagoff/memo/v4.11.3/install.sh | bash
memo sync bootstrap git@github.com:yourname/memo-sync.git

curl -fsSL https://raw.githubusercontent.com/jagoff/memo/v4.11.3/install.sh | bash
memo doctor --strict-runtime

¿En Linux o solo quieres echar un vistazo primero?

docker run --rm ghcr.io/jagoff/memo:latest memo doctor

Por qué esto te ahorra dinero

La mayoría de los servidores de memoria añaden contexto. memo está diseñado para eliminarlo.

La superficie MCP predeterminada es de 41 herramientas, no 164 — un 75% menos de herramientas y aproximadamente un 69% menos de contexto de esquema: 41 herramientas / ~9.4k tokens de esquema frente a 164 herramientas / ~30.4k tokens en la superficie completa — un costo que se paga en cada sesión, en cada cliente.

El recuerdo ambiental inyecta un recuerdo relevante antes de que el modelo responda. El hook de Claude Code incluido limita esa inyección a ~160 tokens. memo roi lee los registros reales de fundamentación y de re-preguntas, y luego estima los ahorros acumulados con valores predeterminados divulgados (350 tokens por recuerdo fundamentado y 900 por re-pregunta evitada).

memo roi       # value from grounded recalls and avoided re-asks
memo tokens    # usage-savings ledger

Tres cosas que nadie más hace

🕰️ Máquina del tiempo — consulta tu conocimiento tal como era

memo as-of ask "what was the deploy strategy?" --date 2026-02-01
memo diff --from 2026-01-01 --to 2026-03-01

Reconstrucción histórica completa mediante la reproducción inversa de history.db. Útil cuando necesitas saber por qué tu yo del pasado tomó una decisión, no solo qué decidió tu yo del pasado.

⚡ Radar de contradicciones — memoria que nota cuando cambias de opinión

memo contradict scan      # find conflicting facts corpus-wide
memo contradict triage    # resolve: fuse / newer-wins / dismiss

Cambia una decisión y memo marca la versión ahora obsoleta, para que el agente deje de reintroducir lo que ya descartaste.

🔮 Dream — se optimiza solo mientras duermes

memo dream run

Un pipeline nocturno de 7 fases: inventario → extraer señales → resolver conflictos → podar lo obsoleto → sintetizar conocimientos entre clústeres → optimizar → precalentar los 100 mejores embeddings de consulta para que el recuerdo de mañana se mantenga por debajo de 200 ms. Cada ejecución escribe un recibo que puedes auditar. Cero intervención.

Cómo funciona

Recuperación híbrida. Una rama vectorial (MLX en Apple Silicon, sentence-transformers en CPU) y una rama BM25 (FTS5, con plegado de diacríticos para español) se ejecutan en paralelo, se fusionan mediante Reciprocal Rank Fusion y luego pasan por un re-ranker opcional con cross-encoder MLX.

Markdown es la fuente de verdad. Cada recuerdo es un archivo .md plano que puedes leer, buscar con grep y versionar. SQLite es un índice derivado que se reconstruye desde los archivos en cualquier momento — edita a mano en Obsidian y tu edición gana en el próximo memo reindex. Nada queda encerrado en una base de datos que no puedas abrir.

Los prompts y los recuerdos permanecen en tu máquina. El embedder, el re-ranker y el LLM se ejecutan todos en proceso. Sin telemetría. La memoria solo viaja si tú apuntas memo sync a un remoto git que poseas. El inicio normal es completamente offline; las comprobaciones de actualización remota y la auto-actualización requieren una aceptación explícita. → Política de privacidad y red

También incluido: memo resume entre agentes (reabre cualquier sesión desde cualquier agente), sincronización git entre Macs, un grafo de conocimiento con aristas de símbolos de codegraph opcionales, almacenamiento cifrado de secretos, ingesta de OCR/audio, paquetes de evidencia, aprendizaje de resultados, federación firmada y una interfaz de chat local sobre tu memoria (memo chat serve). → Referencia completa de funciones

Cómo se compara

Verificado en julio de 2026 contra la documentación de cada proyecto. Las correcciones son bienvenidas — abre un issue y corregiré la tabla.

_{✅ de primera clase · ⚠️ parcial, limitado por configuración o complemento · ❌ ausente}

Los comparadores más cercanos son basic-memory (local-first + Obsidian + MCP — misma tesis) y cipher (memoria para agentes de codificación).

Requisitos

Python ≥ 3.13 (el instalador lo gestiona mediante uv si no lo tienes). La primera instalación descarga ~8 GB de modelos, de 5 a 15 minutos. Opcional: un vault de Obsidian — sin uno, memo usa ~/Documents/memo/.

Documentación

Los 144 comandos CLI de nivel superior

Contribuciones

git clone https://github.com/jagoff/memo && cd memo
uv pip install -e '.[dev]'

Los issues y PRs son bienvenidos — consulta CONTRIBUTING.md. Si memo te resulta útil, una ⭐ realmente ayuda a que otras personas lo encuentren.

Licencia MIT. Construido sobre Apple MLX, sqlite-vec y codegraph.