Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarLanceDB Blog→ original

Cognee guarda la memoria de los agentes en LanceDB: cada prueba tiene su propia carpeta en lugar de un servidor

Un agente con memoria suele necesitar un grafo de relaciones, una base vectorial para buscar por significado y código propio que mantenga todo sincronizado. Cognee ha reunido estas piezas en un único pipeline y almacena los vectores en LanceDB, una base de datos cuyos datos viven en archivos normales. Así, cada prueba, usuario y espacio de trabajo obtiene su propia carpeta en disco en lugar de un servidor dedicado. Las pruebas en paralelo no interfieren entre sí, y un proyecto puede pasar del portátil a la nube sin reescribirlo.

Procesado por IA desde LanceDB Blog; editado por Hamidun News
Cognee guarda la memoria de los agentes en LanceDB: cada prueba tiene su propia carpeta en lugar de un servidor
Fuente: LanceDB Blog. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalLanceDB Blog ↗
Editor jefe
Pipeline ECLextraer datos, construir el grafo y los embeddings, y cargarlos
Dato clave #2Memify elimina los nodos obsoletos y recalcula los pesos de los hechos sin reconstruir la memoria
Datos y embeddings conviven juntosno hace falta código de sincronización

Para que un agente recuerde lo que ocurrió antes, necesita memoria. Normalmente se construye a partir de varias piezas: una base vectorial busca fragmentos de texto por significado, un grafo almacena las relaciones entre personas, tareas y documentos, hay un almacén para los archivos originales y, entre todo ello, un código de integración que vela por que nada se desincronice. La startup Cognee desarrolla un motor de memoria que reúne estas piezas en un único pipeline.

Almacena los vectores en LanceDB, una base de datos donde todo se guarda en archivos normales y no hace falta levantar un servidor. Por eso, cada prueba, usuario y espacio de trabajo tiene su propia carpeta separada, en lugar de su propia instancia de base de datos. Así lo explicaron en el blog de LanceDB.

Una advertencia importante: se trata de un caso publicado por el propio proveedor y no incluye mediciones concretas. Sobre la mejora de precisión en preguntas que requieren recorrer varios eslabones de razonamiento se habla de forma cualitativa, sin cifras. El valor del material está en sus decisiones de arquitectura, no en los benchmarks.

Cómo funciona la memoria: tres pasos y un grafo

Cognee acepta archivos, APIs y bases de datos y los procesa mediante el pipeline Extract–Cognify–Load (ECL), es decir, «extraer, procesar, cargar». En el primer paso se obtienen los datos de las fuentes. En el segundo, el contenido se divide en fragmentos, se identifican entidades y relaciones y se añade contexto temporal. En el tercero, el resultado se escribe en dos lugares: la estructura del grafo va al almacén de grafos y los embeddings, al almacén vectorial.

Así, el agente puede responder preguntas que requieren recorrer varios eslabones. Por ejemplo: «¿Quién debe revisar la publicación y cuándo no se puede desplegar?». La búsqueda vectorial localiza fragmentos similares y el grafo indica cómo se relacionan entre sí los hechos. Los autores afirman que las respuestas tienen un origen más claro: se ve de qué fuente y por qué cadena de relaciones el modelo obtuvo cada hecho.

Una parte aparte es el pipeline Memify. Una vez en producción, elimina nodos obsoletos del grafo, refuerza las relaciones y recalcula el peso de los hechos importantes. La promesa es sencilla: la calidad de la búsqueda mejora sin reconstruir la memoria por completo. En el ejemplo del artículo, a partir de dos chats breves («seguimos PEP8, añadimos type hints» y «los releases no se hacen los viernes, Susan revisa los PR») se construye un grafo y, después, un tipo de búsqueda específico extrae de él las reglas para el código.

Por qué LanceDB: una carpeta en lugar de un servidor

El argumento principal de ingeniería es el modelo de aislamiento. Cognee quiere que cada desarrollador, usuario y ejecución de pruebas tenga un espacio completamente independiente. Una base vectorial clásica exige servidores, puertos y orquestación para lograrlo. LanceDB guarda los datos en archivos, así que un espacio de trabajo es simplemente un directorio en disco. Crear un almacén limpio para una prueba y eliminarlo al terminar apenas tiene coste.

Ventajas prácticas que citan los autores:

  • las pruebas en paralelo en CI no comparten estado, así que aparecen menos errores intermitentes;
  • las demos y los entornos de prueba se crean y se descartan sin levantar servicios;
  • un nuevo desarrollador puede empezar en local sin infraestructura adicional;
  • los datos originales y los embeddings están juntos, y no hace falta código para sincronizarlos.

Para el desarrollo multiusuario, esto supone un ahorro notable. Cada instancia separada de una base vectorial cuesta dinero y atención, mientras que un directorio en disco no cuesta nada. Además, LanceDB ofrece índices cuya exhaustividad de búsqueda, latencia y espacio ocupado pueden ajustarse. El consejo del material es razonable: empezar con la configuración por defecto, comprobar el comportamiento y solo después ajustar el índice y la cuantización según el coste y la latencia objetivo.

Del portátil a producción

En local, el equipo trabaja con la interfaz de Cognee: conecta datos, construye la memoria y revisa las respuestas y el grafo de razonamiento. Cuando se necesitan escala y control, el mismo proyecto pasa al servicio en la nube de Cognee (cogwit), que añade autoescalado y gestión de acceso. Según se afirma, las estructuras de datos y la API son las mismas, por lo que no es necesario reescribir el sistema.

Qué significa esto en la práctica

La idea es útil tanto si adoptas Cognee como si no. Si tu agente pierde contexto entre sesiones y las pruebas de memoria fallan por un estado compartido, merece la pena pasar a un aislamiento basado en carpetas y guardar los datos junto a sus vectores. Si necesitas respuestas que sigan una cadena de hechos, un grafo sobre la búsqueda vectorial parece una complejidad justificada.

Las limitaciones también están claras. Las afirmaciones sobre mejoras de precisión y ahorro de tiempo no están respaldadas por cifras en el texto, y el aislamiento basado en archivos resulta cómodo para desarrollo y pruebas, pero en producción bajo carga alta habrá que perfilar el rendimiento del almacenamiento por separado. Antes de adoptarlo, conviene hacer un experimento pequeño con datos propios y comparar las respuestas con y sin el grafo.

Historia

Preguntas frecuentes sobre la noticia

Cómo funciona la memoria: tres pasos y un grafo?

Cognee acepta archivos, APIs y bases de datos y los procesa mediante el pipeline Extract–Cognify–Load (ECL), es decir, «extraer, procesar, cargar». En el primer paso se obtienen los datos de las fuentes. En el segundo, el contenido se divide en fragmentos, se identifican entidades y relaciones y se añade contexto temporal. En el tercero, el resultado se escribe en dos lugares: la estructura del grafo va al almacén de grafos y los embeddings, al almacén vectorial.

¿Qué se sabe sobre Por qué LanceDB: una carpeta en lugar de un servidor?

El argumento principal de ingeniería es el modelo de aislamiento. Cognee quiere que cada desarrollador, usuario y ejecución de pruebas tenga un espacio completamente independiente. Una base vectorial clásica exige servidores, puertos y orquestación para lograrlo. LanceDB guarda los datos en archivos, así que un espacio de trabajo es simplemente un directorio en disco. Crear un almacén limpio para una prueba y eliminarlo al terminar apenas tiene coste.

¿Qué se sabe sobre Del portátil a producción?

En local, el equipo trabaja con la interfaz de Cognee: conecta datos, construye la memoria y revisa las respuestas y el grafo de razonamiento. Cuando se necesitan escala y control, el mismo proyecto pasa al servicio en la nube de Cognee (cogwit), que añade autoescalado y gestión de acceso. Según se afirma, las estructuras de datos y la API son las mismas, por lo que no es necesario reescribir el sistema.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…