Memory OS: una pila de memoria abierta de seis capas para Hermes Agent

El 1 de junio de 2026, MarkTechPost informó sobre Memory OS, una pila de memoria abierta que dota al agente de IA Hermes Agent de memoria local y persistente mediante seis capas, un mecanismo de recuperación controlada (gated) de información y un módulo wiki. El proyecto se distribuye como código abierto y se integra sobre el Hermes Agent existente, en lugar de reemplazar por completo su arquitectura.

Por qué los agentes necesitan una pila de memoria propia

Por defecto, la mayoría de los agentes de IA solo «recuerdan» lo que cabe en la ventana de contexto de la conversación actual. Cuando la sesión termina o el contexto se desborda, se pierde lo que el agente había aprendido sobre el usuario, el proyecto o las decisiones previas. Para un agente que debe trabajar con el mismo usuario o proyecto durante semanas y meses, es una limitación seria: o se vuelve a explicar el contexto cada vez, o se guarda en sistemas externos que el propio agente no controla.

Memory OS aborda el problema dando a Hermes Agent una memoria local y persistente propia. Los datos no se guardan en la nube de un proveedor externo, sino junto al agente, y sobreviven a un reinicio. La idea arquitectónica clave es dividir la memoria no en una sola capa plana, sino en seis niveles independientes, cada uno de los cuales, según la descripción del proyecto, se encarga de un tipo de información y de un ciclo de vida propios, desde el contexto de trabajo a corto plazo hasta el conocimiento a largo plazo.

Cómo funcionan la recuperación controlada y la wiki

El segundo elemento importante es la recuperación controlada (gated retrieval). A diferencia de la búsqueda vectorial simple, que se limita a devolver los fragmentos de texto más parecidos, la recuperación controlada implica un filtro o condición de admisión adicional: el agente no accede a toda la memoria almacenada sin distinción, sino solo a la parte que ha superado cierta barrera de relevancia o confianza. Este enfoque reduce el riesgo de que el agente incorpore a su respuesta información obsoleta, contradictoria o irrelevante de un archivo acumulado durante mucho tiempo.

El tercer componente es la wiki. Además de las capas de memoria, Memory OS mantiene una vista en forma de wiki del conocimiento acumulado: una base estructurada y legible para personas, que se puede consultar y editar por separado del formato interno de almacenamiento del agente. Esto distingue claramente al proyecto de las soluciones habituales de «memoria = base de datos vectorial sin interfaz»: Memory OS tiene una capa pensada para que una persona también pueda leer y comprobar qué ha recordado exactamente el agente.

Lo que se sabe del proyecto:

• Nombre: Memory OS
• Estado: proyecto abierto (open source)
• Base: construido sobre Hermes Agent
• Arquitectura: seis capas de memoria
• Mecanismos adicionales: gated retrieval y módulo wiki

A modo de comparación, la mayoría de las soluciones de «memoria para agentes» que hay en el mercado se limitan a una sola capa: una base de datos vectorial donde se guardan los embeddings de fragmentos de conversación, con una recuperación basada en una simple búsqueda de vecinos más cercanos. La arquitectura multicapa de Memory OS, según su descripción, es radicalmente distinta. Los distintos tipos de información, desde el contexto de trabajo inmediato hasta los hechos duraderos y verificados, se almacenan y procesan por separado. En teoría, esto debería reducir un problema típico de los sistemas de memoria planos, en los que hechos antiguos y nuevos, importantes y secundarios, se mezclan en un único almacén sin jerarquía.

Qué cambia para los desarrolladores de agentes

Para los equipos que ya usan o piensan usar Hermes Agent, Memory OS es una forma lista para añadir memoria a largo plazo sin diseñar desde cero un sistema propio de almacenamiento de contexto. Al ser un proyecto abierto, se puede bifurcar (fork), integrar en la infraestructura propia y adaptar a un producto concreto, sin depender de la API cerrada de un proveedor externo de memoria.

En un sentido más amplio, la aparición de proyectos como este refleja una tendencia general en el desarrollo de agentes de IA en 2026: la industria se aleja poco a poco de la idea del agente como envoltorio de un modelo de lenguaje con una ventana de contexto grande y se acerca a la idea del agente como sistema con memoria, conocimiento e historial propios, que se comporta de forma más estable en escenarios de uso largos y de varias sesiones.