Publicado por
Si ha estado usando OpenClaw durante más de un día, probablemente se haya topado con el mismo muro que nosotros: pasa horas contándole a su agente de IA todo sobre usted, sus preferencias, su flujo de trabajo, y luego, a la mañana siguiente, se despierta y no tiene idea de quién es usted. En este video, Ron y yo explicamos exactamente cómo solucionar este problema de memoria para que puedas dejar de perder el tiempo reexplicándote en cada sesión.
El problema: su agente de inteligencia artificial tiene amnesia
Esto es lo que la mayoría de la gente no sabe acerca de los agentes de IA: no funcionan continuamente con una memoria perfecta. La mejor manera de pensarlo es que cada mañana, tu IA se despierta fresca. La sesión se reinicia y esencialmente olvida todo lo del día anterior. Luego tiene que leer sus notas y archivos para reconstruir quién es y en qué ha estado trabajando.
Ésta es una limitación fundamental de cómo funcionan los modelos de lenguaje grandes. Operan dentro de una ventana contextual: una cantidad fija de texto que pueden procesar a la vez. Cuanto más grande es esa ventana de contexto, más costosa se vuelve cada interacción. Por lo tanto, no puede simplemente volcar todo su historial de conversaciones en el mensaje cada vez. En enero, muchos tutoriales decían a las personas que simplemente bombardearan la IA con la historia de su vida para que los entendiera mejor. Ron intentó exactamente eso, pasó dos horas vertiendo todo y ¿al día siguiente? Desaparecido. Todo ello.
Solución n.º 1: búsqueda semántica con incrustaciones
Lo primero y más importante que debe habilitar en su agente OpenClaw es la búsqueda de memoria semántica. Este es el punto de inflexión que convierte tu olvidadiza IA en algo que realmente puede recordar conversaciones pasadas cuando es necesario.
Así es como funciona: OpenClaw toma todo el historial de conversaciones y lo convierte en incrustaciones, esencialmente representaciones numéricas del significado detrás de sus palabras. Estas incrustaciones se almacenan en una base de datos vectorial (OpenClaw usa SQLite con la extensión sqlite-vec). Cuando su agente necesita recordar algo, realiza una búsqueda semántica en todas esas incrustaciones almacenadas para encontrar las conversaciones pasadas más relevantes.
La idea clave es que su agente no carga todo en la memoria todo el tiempo. Solo busca cuando es necesario: cuando le preguntas algo que requiere contexto pasado. Esto mantiene los costos manejables y al mismo tiempo le brinda acceso a meses de historial de conversaciones. OpenClaw en realidad utiliza un enfoque híbrido: alrededor del 70% de búsqueda vectorial (semántica) combinada con un 30% de búsqueda de palabras clave BM25. La búsqueda vectorial maneja coincidencias conceptuales en las que las palabras difieren, mientras que BM25 detecta términos exactos como códigos de error o nombres de funciones.
De forma predeterminada, OpenClaw admitía los modelos de integración de OpenAI, pero las actualizaciones más recientes han agregado a Mistral como proveedor de integración. Esto es importante porque las incrustaciones de Mistral son más baratas de ejecutar con el tiempo. La investigación muestra que el modelo de incrustación de Mistral en realidad logró la mayor precisión con un 77,8% en los puntos de referencia de recuperación, y al mismo tiempo fue más rentable que las ofertas de OpenAI. Si utiliza su agente diariamente y acumula meses de datos de conversaciones, esos ahorros de costos se acumulan rápidamente.
Solución n.º 2: QMD (documentos de memoria cuantificados)
El segundo enfoque que hemos estado probando es algo llamado QMD (Documentos de memoria cuantificados). Esta es otra forma de manejar la memoria que puede ser más económica que la búsqueda puramente basada en incrustación.
Piense en QMD como una forma más comprimida y eficiente de almacenar y recuperar recuerdos. En lugar de incorporar cada línea de conversación, QMD crea resúmenes de documentos condensados que capturan la información esencial. Todavía se encuentra en la fase experimental para muchos usuarios, pero se muestra prometedor como una alternativa rentable, especialmente para los agentes que acumulan cantidades masivas de datos de conversaciones con el tiempo.
Solución n.º 3: Habilidades: enseñarle a su agente habilidades permanentes
El tercer enfoque es uno de mis favoritos: las habilidades. Si hay algo que su agente necesita hacer repetidamente (todos los días), debe tener una habilidad dedicada a ello. Me gusta pensar que es como si Neo estuviera aprendiendo kung fu en The Matrix. Simplemente conecta la habilidad y, boom, su agente sabe cómo hacerlo.
Una habilidad en OpenClaw es esencialmente un archivo de instrucciones de texto plano que se encuentra en el directorio de habilidades de su agente. Puede decirle a su agente que escriba una habilidad, la perfeccione con el tiempo e incluso se conecte a su servidor a través de SSH (usando algo como Termius) para inspeccionar y editar manualmente los archivos de habilidades. Dado que están escritos en un inglés sencillo, puede comprender exactamente lo que está haciendo su agente y modificarlo según sea necesario.
Las habilidades se diferencian de la memoria en un aspecto importante: la memoria consiste en recordar conversaciones y contextos pasados, mientras que las habilidades se refieren a capacidades permanentes. Su agente siempre cargará sus habilidades relevantes al comienzo de una sesión, por lo que nunca «olvidará» cómo hacer algo que le haya enseñado.
El enfoque de Ron: integración de obsidiana para resúmenes diarios
En realidad, Ron y yo tenemos enfoques completamente diferentes de la memoria, lo que creo que resalta lo personal que es todo este asunto. Tiendo a preocuparme menos por la memoria y más por tener un plan de proyecto sólido; siempre que el agente sepa lo que estamos construyendo, estoy bien. Ron, por otro lado, es meticuloso acerca de cómo recuerda las cosas su agente.
Su enfoque va más allá de las simples incorporaciones y búsqueda semántica. Ha configurado su agente OpenClaw para guardar un resumen completo de cada sesión de chat como un archivo de texto sin formato y enviarlo a Obsidian, la popular aplicación para tomar notas. Esto crea un archivo legible por humanos de todo lo que el agente ha discutido, que sirve como copia de seguridad y como capa de memoria adicional. Es un enfoque inteligente que combina la memoria de IA con la toma de notas tradicional, y es algo que aún no hemos cubierto en profundidad en este canal.
Primeros pasos: no omita la configuración de la memoria
El TL;DR aquí es simple: asegúrese de tener algún tipo de memoria habilitada en su agente OpenClaw, o se olvidará de todo. Ya sea que opte por la búsqueda semántica (el enfoque más común), experimente con QMD, desarrolle habilidades o combine los tres, lo importante es que no deje a su agente ejecutándose con una infraestructura de memoria cero.
Si recién está comenzando, le recomiendo habilitar primero la búsqueda semántica. Es el más sencillo de configurar y le brinda la mayor mejora inmediata. A partir de ahí, puede adquirir habilidades para tareas repetitivas y explorar QMD a medida que aumenta su uso.
Estamos planeando guías más detalladas sobre cada uno de estos enfoques, así que deje un comentario en el video si hay una configuración de memoria específica que le gustaría que analicemos. Este canal trata de resolver problemas reales con soluciones reales, y la memoria es definitivamente uno de los mayores puntos débiles con los que todos hemos estado lidiando.