Un grafo de 70.000 nodos para comparar formas de recuperar notas
El autor contrasta los enlaces de Obsidian con las relaciones que aparecen mediante embeddings.
Ver en X ↗Repositorios y experimentos para construir un cerebro que conecta fuentes, recuerda lo aprendido y lo recupera cuando hace falta.
El autor contrasta los enlaces de Obsidian con las relaciones que aparecen mediante embeddings.
Ver en X ↗Sistema con bloques de texto plano en la ventana de contexto que el agente edita solo, sumado a un archivo vectorial e historial completo.
Ver en X ↗ Ver repositorio ↗Extrae datos y preferencias de chats por usuario o sesión usando almacén vectorial, BM25 y grafo de entidades en la plataforma.
Ver en X ↗ Ver repositorio ↗Herramienta que observa eventos del agente, comprime interacciones en notas SQLite con búsqueda semántica y las inyecta al iniciar sesiones.
Ver en X ↗ Ver repositorio ↗Sistema de memoria semántica que documenta todo y permite a los agentes ponerse al día en proyectos en menos de un minuto.
Ver en X ↗Framework de grafos con estado que permite agentes resilientes mediante puntos de control y supervisión humana en el bucle.
Ver en X ↗ Ver repositorio ↗Lanzamiento de herramienta enfocada en ofrecer memoria primero-local específicamente diseñada para agentes de programación.
Ver en X ↗Shravan Venkataraman desarrolla AgentMem, un daemon en Go que indexa sesiones de agentes en tiempo real. Permite acceso vía hooks y reglas al reiniciar o compactar la memoria.
Ver en X ↗NVIDIA lanza Auto Ontology, software open source (Apache 2.0) que crea capas semánticas y ontologías desde metadatos. Resuelve ambigüedades de definición entre sistemas heterogéneos.
Ver en X ↗ Ver repositorio ↗Joel Waugh propone almacenar procedimientos de agentes en grafos. Esto permite al SOC comparar acciones ejecutadas contra protocolos esperados mediante su agente Atlas.
Ver en X ↗John K advierte sobre el riesgo de codificar soluciones inestables como lecciones. Insiste en aplicar evaluaciones estrictas antes de que la información entre en memoria a largo plazo.
Ver en X ↗Farseen cita a Drew Breunig y estudios de Berkeley: los agentes empeoran al acumular parches conflictivos. El borrado periódico del contexto mejora el rendimiento significativamente.
Ver en X ↗Investigadores de Dream Security presentan CLEO en CIKM ’26. Optimizan el arnés (herramientas, guardrails, políticas) para LLMs auto-hospedados, alcanzando 83.8% de precisión.
Ver en X ↗El autor propone ocho arquitecturas de recuperación para sustituir el patrón único estándar, escalando desde la ingesta multimodal básica hasta agentes autónomos con memoria y planificación que deciden dinámicamente cuándo buscar información externa.
Ver en X ↗Se describe un flujo práctico para desbloquear conocimiento audiovisual: transcribir el video a texto, extraer marcas de tiempo, fragmentar el contenido y generar embeddings para su posterior recuperación contextual.
Ver en X ↗Un investigador advierte que compartir espacio de embeddings entre código e imágenes sin filtrado previo permite que imágenes maliciosas se recuperen junto a fragmentos de código, sugiriendo evaluaciones cruzadas antes de la implementación.
Ver en X ↗Investigadores de la Universidad de Bologna y CINECA publican una fórmula que correlaciona el consumo energético con la longitud del contexto, demostrando que agentes con 68k tokens consumen trece veces más energía que los de 5k.
Ver en X ↗Michael Hochstat explica cómo la acumulación de tokens de bajo valor provoca 'context rot' y bucles de compresión perdidos, donde las reglas de seguridad y precisión se pierden tras múltiples resúmenes automáticos.
Ver en X ↗Anthony Russano sugiere equipar a los agentes con suites de pruebas de conformidad y simuladores deterministas antes de generar código, citando el desarrollo rápido del backend Git de OpenAI como ejemplo validado.
Ver en X ↗Nova Tech destaca que la memoria local-first es el requisito exacto que necesitaban los agentes de programación.
Ver en X ↗Alice The Ai Expert valora Engraphis por ofrecer memoria local-first, limitada al repositorio, inspeccionable y compatible con MCP.
Ver en X ↗Ella Tech & Tool coincide en que el enfoque local-first y la memoria acotada e inspeccionable son esenciales para agentes de código.
Ver en X ↗Daniel B. compara modelos en cajas GB10: GLM gana en llamadas a herramientas, Qwen es más rápido con menos memoria.
Ver en X ↗woisau cita a Origin Trail sobre su DKG como memoria compartida y verificable para agentes, mapeando 15.000 eventos en una hora.
Ver en X ↗ml-sanity bot presenta CoworkOS, un sistema que separa estrategia de ejecución con memoria persistente para colaboración humano-IA.
Ver en X ↗Josh Stevenson reporta que su memoria semántica alcanza el 87% en LongMemEval, aunque exige un mínimo del 95% para integrar delegación automática y grafos en la capa de ejecución.
Ver en X ↗Shawn Jackson Dyck señala que cinco agentes distintos rinden de forma dispar bajo condiciones idénticas, cuestionando la gestión de memoria de sesión en conversaciones prolongadas.
Ver en X ↗Matthew describe cómo su daemon local Sheepdog replica la arquitectura de DeepSeek Super-agent: router ligero, sesiones aisladas y recuperación de salud mediante watchdog.
Ver en X ↗ Ver repositorio ↗Arkojeet Bera presenta Koru, un espacio de trabajo AI open-source donde las notas y el RAG residen en la máquina del usuario, priorizando la soberanía de datos.
Ver en X ↗Code Particle atribuye el bajo rendimiento de pipelines RAG a la pérdida de estructura tabular durante la ingestión de PDFs meses atrás, sin detección posterior.
Ver en X ↗Entire propone un Git forge donde los agentes usan 'Trails' en lugar de pull requests. Cada push incluye evaluaciones automáticas que puntúan el trabajo, convirtiendo las sesiones de revisión en memoria persistente dentro del repositorio.
Ver en X ↗Kerry Morrison sugiere mantener para cada habilidad de IA un ejemplo aceptado y otro rechazado con su razón. Una nueva instrucción debe superar ambos casos antes de convertirse en el estándar de trabajo.
Ver en X ↗El Agentic RAG implementa un flujo autocorrectivo: enrutamiento dinámico a la mejor fuente, crítica de relevancia que reescribe consultas débiles, fusión por puntuación semántica y guardrails contra alucinaciones antes de generar.
Ver en X ↗NVIDIA lanza Auto Ontology, software open-source que crea una capa semántica y ontología de datos. Permite a los agentes entender definiciones de negocio distintas entre sistemas (ej. Revenue en contabilidad vs ventas) mediante metadatos.
Ver en X ↗ Ver repositorio ↗El estudio 'Top-k Retrieval Leaves Memory Value Undetermined' demuestra que los registros estándar no permiten calcular el valor individual de cada memoria. LEDGER estima valores Shapley cerrados y fusiona memorias con historial idéntico.
Ver en X ↗Maryam Miradi lista herramientas para evaluar trayectorias completas: DeepEval e Inspect AI para flujos, Ragas y TruLens para RAG, Langfuse y Phoenix para trazabilidad, y Promptfoo o Giskard para pruebas adversarias y regresiones.
Ver en X ↗Mahesh Chulet propone ocho proyectos técnicos concretos para blindar stacks de IA: fuzzer de ataques multi-turno, proxy MCP sandboxeado, bus de saneamiento inter-agente, gateway de anonimización PII, detector de envenenamiento RAG, capa de jaula gramatical (CFG), broker OAuth delegado y puerta de seguridad CI/CD con PyRIT.
Ver en X ↗El usuario ₿rad describe su experiencia práctica construyendo un sistema de agentes, destacando que priorizó el aprendizaje de la red propia antes de implementar el sistema de memoria externo.
Ver en X ↗Xiao Tan analiza Knemora, una herramienta local que evita bases de datos vectoriales usando búsqueda BM25 y 'compila' documentos en páginas wiki Markdown interconectadas mediante LLMs pequeños (Qwen3-8B), manteniendo los originales inmutables.
Ver en X ↗Elf filtra 305 repositorios de agentes para identificar cinco herramientas clave: OpenClaw (asistente en mensajería), Hermes Agent (memoria entre sesiones y auto-escritura de habilidades), Firecrawl (extracción web limpia), Ollama (ejecución local) y browser-use (control real del navegador).
Ver en X ↗