Publicado por
Si ha estado ejecutando un agente de IA con OpenClaw, probablemente se haya topado con el mismo muro que yo: su agente olvida cosas. Tienes una gran conversación el martes, configuras flujos de trabajo, compartes contexto y el jueves es como hablar con un extraño. Las incrustaciones de memoria y la indexación de vectores ayudan, pero son una especie de caja negra. En realidad, no puedes ver lo que retuvo tu agente o cómo conecta ideas.
En este video, Ron del equipo de Boxmining explica cómo resolvió este problema usando Obsidian y GitHub y, sinceramente, es uno de los enfoques más prácticos que he visto para darle a su agente de IA una memoria real y persistente.
El problema de la memoria con los agentes de IA
Esto es lo que pasa con las incrustaciones de memoria: funcionan, pero son opacas. Su agente convierte las conversaciones en vectores (esencialmente largas cadenas de números) y recupera fragmentos relevantes cuando es necesario. Es funcional, pero nunca se sabe realmente qué se almacenó, qué se perdió o cómo su agente conecta diferentes piezas de información.
El enfoque de Ron es diferente. En lugar de depender únicamente de incrustaciones, hace que su agente OpenClaw escriba resúmenes diarios como archivos de rebajas de texto sin formato. Todo lo que se discute en un período de 24 horas se captura en un formato estructurado y legible por humanos. De hecho, puede abrir el archivo y verificar que su agente entendió y recordó lo que habló. Es como un diario compartido entre usted y su IA.
Por qué la obsidiana lo cambia todo
Obsidiana es una aplicación para tomar notas basada en rebajas que se ha vuelto increíblemente popular para desarrollar lo que la gente llama un «segundo cerebro». Lo que lo hace especial para los agentes de IA no es solo el almacenamiento de notas: es el gráfico de conocimiento. Cada nota puede vincularse a otras notas y, con el tiempo, estas conexiones forman una red de ideas relacionadas que su agente puede atravesar.
Según un guía reciente de NxCodela arquitectura local de Obsidian lo hace ideal para sistemas de conocimiento impulsados por IA porque todo permanece en su máquina, sin dependencia de la nube ni preocupaciones de privacidad. Cuando lo combinas con un agente de IA que escribe en la bóveda diariamente, básicamente estás construyendo una base de conocimientos en crecimiento que se vuelve más inteligente con el tiempo.
Ron recomienda dos complementos clave de la comunidad Obsidian para potenciar esta configuración:
Conexiones inteligentes de Brian Petro: con más de 836.000 descargas, este complemento agrega búsqueda de vectores semánticos e incrustaciones de modelos locales directamente dentro de Obsidian. Le permite a su agente (y a usted) encontrar notas relacionadas según el significado, no solo por palabras clave. No se requieren claves API y es completamente privado. Piense en ello como darle a su agente la capacidad de «conectar los puntos» en todas sus notas automáticamente.
QMD como MD — este complemento garantiza que su agente escriba notas en un formato estructurado y coherente que Obsidian pueda indexar y vincular correctamente. Es algo pequeño, pero la coherencia del formato es enorme cuando se crea una base de conocimientos que necesita escalar.
La capa de respaldo de GitHub
La bóveda de Obsidian por sí sola es excelente, pero Ron agrega GitHub como capa de respaldo y sincronización. Cada nota tiene control de versión, por lo que tiene un historial completo de lo que su agente aprendió y cuándo. Si algo sale mal, puedes retroceder. Si desea ver cómo evolucionó la comprensión de su agente a lo largo de las semanas, puede comparar los archivos.
Esta combinación (Obsidian para el gráfico de conocimiento, GitHub para el control de versiones) crea un sistema de memoria persistente que sobrevive a los restablecimientos de ventanas de contexto, reinicios de sesiones e incluso migraciones de agentes. Varios usuarios experimentados de la comunidad han informado que a la cuarta o quinta semana de usar esta configuración, ven una mejora notable en la calidad de salida de su agente. El agente comienza a producir respuestas que coinciden con su estilo personal y establece conexiones entre temas que hubieran sido imposibles solo con incrustaciones.
Arquitectura de Discord sobre aplicaciones de chat
Una idea del video que realmente se destacó: Ron explica por qué Discord es superior a WhatsApp o Telegram para las interacciones de los agentes de IA. La arquitectura basada en canales le permite mantener los temas separados. Puede tener un canal dedicado para la investigación de criptomonedas, otro para las entradas del diario comercial, otro para las resúmenes de noticias diarios, cada uno con su propio contexto enfocado.
Con un solo hilo de chat en WhatsApp, todos los temas se mezclan, lo que enturbia la ventana de contexto y degrada la calidad de salida. La estructura de Discord organiza naturalmente la información de la manera que su agente la necesita.
Flujos de trabajo prácticos: resúmenes de noticias e investigaciones
Ron comparte dos flujos de trabajo que creó sobre este sistema. La primera es una sesión informativa diaria por la mañana: una tarea cron que se ejecuta a las 7 a. m., hora de Hong Kong, utilizando la API Brave Search para extraer datos de sitios específicos de criptomonedas, X (Twitter), FinViz para datos de mercado y TechCrunch para noticias sobre inteligencia artificial. El agente recopila los 10 elementos más relevantes en un resumen estructurado en la bóveda de Obsidian, diseñado para leerse en menos de dos minutos.
Si algún elemento merece una investigación más profunda, ahí es donde entra en juego el segundo flujo de trabajo: una investigación profunda utilizando subagentes paralelos. OpenClaw puede generar múltiples subagentes simultáneamente, cada uno de los cuales investiga un ángulo diferente de una historia. Los resultados se compilan y almacenan en Obsidian, lo que amplía aún más el gráfico de conocimiento.
El tercer caso de uso en el que está trabajando Ron es el de asistente de investigación comercial. No es un operador automatizado (lo tiene claro), sino un agente que puede analizar su diario de operaciones, identificar patrones en las operaciones ganadoras y perdedoras y descubrir variables recurrentes que podría pasar por alto. La idea clave aquí es que debe proporcionarle datos reales de operaciones reales, no pedirle que genere una estrategia rentable a partir de la nada.
La comida para llevar
El enfoque de Obsidian plus GitHub no es sólo un truco de memoria: es una forma fundamentalmente diferente de pensar sobre la persistencia de los agentes de IA. En lugar de esperar que sus incorporaciones capturen el contexto correcto, está creando una base de conocimientos estructurada, con capacidad de búsqueda y controlada por versiones que crece con cada conversación.
Si es un principiante con OpenClaw (o cualquier marco de agente de IA), esta es probablemente la mejora de mayor impacto que puede realizar. Comience a guardar resúmenes de conversaciones diarias en Obsidian, haga una copia de seguridad de ellos en GitHub, instale Smart Connections y espere algunas semanas. La diferencia se agrava con el tiempo.
Ron está documentando todo su viaje en el Canal de YouTube de BoxminingAIasí que suscríbete si quieres seguirlo mientras perfecciona este sistema semana tras semana.