La memoria se ha convertido en uno de los principales desafíos para los agentes de inteligencia artificial. Un agente puede mantener el contexto durante una conversación, pero cuando comienza una nueva sesión suele perder decisiones, conocimientos, procedimientos y detalles que ya fueron explicados anteriormente.
Tencent busca resolver este problema con TencentDB Agent Memory v2.0, un proyecto de código abierto diseñado como un centro de memoria para equipos de agentes de IA. La propuesta permite convertir conversaciones, documentos y código en recursos de memoria reutilizables que pueden compartirse entre diferentes agentes bajo reglas de permisos.
La versión estable 2.0.0 fue publicada el 3 de agosto de 2026 y está disponible bajo licencia MIT.
¿Qué es TencentDB Agent Memory?
TencentDB Agent Memory funciona como una infraestructura de memoria compartida para agentes de inteligencia artificial.
La idea es sencilla: si un desarrollador ya explicó a un agente cómo funciona un proyecto, otro agente no debería tener que empezar desde cero. La información relevante puede almacenarse, estructurarse, versionarse y ponerse a disposición de otros agentes autorizados.
El sistema transforma el conocimiento generado durante el trabajo en cuatro tipos principales de recursos:
- Chat Memory: conserva preferencias, hechos, decisiones e historial de interacción.
- Skill: convierte procedimientos realizados anteriormente en habilidades reutilizables.
- LLM-Wiki: transforma documentación en páginas estructuradas y conectadas.
- CodeGraph: crea un mapa de las relaciones existentes dentro del código.
Estos cuatro elementos se gestionan como Memory Assets, lo que permite aplicarles mecanismos comunes de propiedad, versiones, estados y visibilidad.
Cuatro tipos de memoria para los agentes
Chat Memory: conservar el contexto de las conversaciones
Chat Memory permite almacenar información obtenida durante las conversaciones con un agente.
En lugar de considerar cada sesión como independiente, el sistema puede conservar preferencias, decisiones, hechos y otros datos relevantes para utilizarlos posteriormente.
La memoria además está organizada en diferentes niveles. Las conversaciones se almacenan inicialmente como L0 y posteriormente un proceso asíncrono puede transformarlas en:
- L1 Atom: hechos o unidades de información individuales.
- L2 Scenario: contexto relacionado con situaciones concretas.
- L3 Core/Persona: conocimiento más general y estable sobre el proyecto o el usuario.
Este sistema de capas busca evitar que el agente tenga que recuperar toda la conversación histórica cada vez que comienza una nueva tarea.
Skills: convertir experiencia en procedimientos
El componente Skill permite transformar tareas realizadas anteriormente en procedimientos reutilizables.
Una habilidad puede incluir versiones, archivos relacionados, condiciones de activación, pasos de ejecución y reglas de validación.
Esto puede ser especialmente útil para equipos de desarrollo.
Por ejemplo, si un agente ya aprendió el procedimiento interno para preparar una versión de producción, esa experiencia puede convertirse en una Skill que posteriormente utilicen otros agentes autorizados.
Así, la memoria no solamente almacena información: también puede conservar formas de trabajar.
LLM-Wiki: documentación preparada para los agentes
El sistema también puede convertir documentos en una especie de wiki estructurada para modelos de lenguaje.
El enfoque está relacionado con la idea de una base de conocimiento mantenida por un LLM, planteamiento que ha sido explorado anteriormente por Andrej Karpathy.
La ventaja de esta aproximación es que la documentación deja de ser únicamente un conjunto de archivos que el agente debe buscar y pasa a formar parte de una estructura de conocimiento interconectada.
Para equipos de ingeniería, esto podría facilitar el acceso de los agentes a documentación técnica, procesos internos, decisiones de arquitectura y otros conocimientos del proyecto.
CodeGraph: entender las relaciones del código
CodeGraph está orientado directamente al desarrollo de software.
Su función es indexar elementos como:
- Símbolos.
- Archivos.
- Relaciones entre llamadas.
- Dependencias.
- Rutas de impacto.
Esto permite que un agente pueda obtener una representación más estructurada de un código base.
Una aplicación práctica sería analizar el impacto de modificar una función antes de realizar un refactor. En lugar de limitarse a buscar coincidencias textuales, el agente puede utilizar las relaciones existentes entre diferentes partes del proyecto.
La memoria compartida es el verdadero diferencial
La memoria para agentes individuales no es una idea nueva. Lo interesante de TencentDB Agent Memory está en la capa de gobierno que se coloca encima de esa memoria.
El sistema intenta responder tres preguntas importantes:
- ¿Qué información puede utilizarse?
- ¿Qué versión de esa información es válida?
- ¿Qué agente está autorizado a recibirla?
Esto resulta especialmente importante cuando varios agentes trabajan dentro del mismo equipo.
Un agente puede aprender algo durante una tarea y otro agente puede reutilizar ese conocimiento sin que sea necesario volver a explicarlo. Al mismo tiempo, la información que el propietario haya marcado como privada puede mantenerse fuera del alcance de otros miembros.
Privacidad y permisos
TencentDB Agent Memory utiliza diferentes niveles de visibilidad:
- Private: solamente el propietario puede acceder al recurso.
- Team: permite compartirlo dentro del equipo.
- Restricted: aplica restricciones específicas.
- Agent: permite equipar determinados recursos directamente a agentes concretos.
Un aspecto importante es que la documentación del proyecto indica que los recursos privados pertenecen exclusivamente a su propietario y ni siquiera los administradores del equipo pueden leerlos.
Además, las nuevas Chat Memory y Skills parten de manera predeterminada como recursos privados. Compartirlas requiere realizar una acción explícita.
Esto puede ser relevante para empresas donde los agentes manejan información interna, procedimientos propietarios o datos relacionados con proyectos diferentes.
Recuperación de memoria con presupuesto
Otro desafío de los sistemas de memoria para IA es evitar que el contexto recuperado termine ocupando demasiado espacio en la ventana de contexto.
TencentDB Agent Memory utiliza una estrategia de recuperación por capas.
Los niveles L2 y L3 pueden proporcionar rápidamente el contexto general necesario para iniciar una tarea. Cuando el agente necesita información más específica, el sistema puede recurrir a los niveles L1 y L0 mediante una combinación de:
- BM25.
- Búsqueda vectorial.
- RRF, o Reciprocal Rank Fusion.
Además, los resultados están limitados por cantidad de elementos, presupuesto de caracteres y tiempo de espera.
La idea es evitar que la memoria se convierta en un problema al consumir todo el contexto disponible para el modelo.
Memory Proxy para conectar los agentes
La infraestructura incluye un componente denominado Memory Proxy, diseñado para facilitar la conexión con diferentes agentes y modelos.
El proxy es compatible con los protocolos de Anthropic y OpenAI y expone endpoints como:
/claude-code/<spaceId>/v1/messages
y
/v1/chat/completions
Durante el primer turno, sessionInit utiliza la herramienta nativa AskUserQuestion de Claude Code para seleccionar el equipo, agente y tarea correspondientes.
Después, las siguientes interacciones pueden incorporar automáticamente al prompt del sistema la memoria L2/L3, las Skills correspondientes y el conocimiento disponible para ese agente.
El objetivo es que el agente reciba el contexto necesario sin que el desarrollador tenga que reconstruirlo manualmente en cada sesión.
¿Es realmente desplegable?
Sí. TencentDB Agent Memory está diseñado para ser autohospedado y se distribuye bajo licencia MIT.
El proyecto ofrece imágenes Docker en Docker Hub y compilaciones para arquitecturas:
linux/amd64linux/arm64
Esto facilita su despliegue tanto en servidores tradicionales como en determinados entornos ARM.
También existen SDK oficiales para TypeScript y Python.
Entre las integraciones mencionadas se encuentran OpenClaw, Hermes, Claude Code y CodeBuddy, además del uso directo mediante los SDK.
Puertos y componentes principales
La instalación estándar utiliza diferentes servicios con sus respectivos puertos:
- 8420: Memory Core.
- 8125: panel.
- 8424: servicio de conocimiento.
- 8096: proxy.
La arquitectura permite separar la gestión de memoria, conocimiento, interfaz y conexión con los agentes.
Esto hace que pueda utilizarse como una infraestructura independiente dentro del entorno tecnológico de un equipo.
¿Quién puede beneficiarse de TencentDB Agent Memory?
El proyecto puede resultar especialmente interesante para desarrolladores individuales, pequeñas empresas y equipos de ingeniería que trabajan con múltiples agentes.
Una empresa unipersonal, por ejemplo, podría utilizar diferentes agentes especializados para programación, documentación, soporte o análisis, pero permitirles acceder a una memoria común.
En organizaciones medianas, la plataforma también podría funcionar como una infraestructura compartida administrada por equipos de plataforma o DevEx.
Entre las aplicaciones potenciales destacan:
- Incorporar rápidamente un nuevo agente a un código existente.
- Analizar el impacto de cambios antes de realizar refactorizaciones.
- Mantener checklists de lanzamiento.
- Crear runbooks para incidentes.
- Conservar estándares internos de revisión de código.
- Transformar documentación de producto en conocimiento accesible para agentes.
- Compartir procedimientos entre diferentes agentes.
- Mantener conocimiento interno dentro de la propia infraestructura.
¿Qué industrias podrían utilizarlo?
Aunque el enfoque está muy relacionado con el desarrollo de software, el concepto puede extenderse a diferentes sectores.
Algunas áreas potenciales son:
Software y herramientas para desarrolladores: probablemente sea el caso de uso más natural debido a CodeGraph y las Skills.
SaaS: los agentes pueden compartir documentación, procesos internos y conocimiento sobre productos.
Fintech: el modelo autohospedado puede ser interesante cuando las organizaciones necesitan mantener determinados datos dentro de su propia infraestructura.
Consultoría y agencias: permite conservar procedimientos y conocimiento adquirido durante diferentes proyectos.
Empresas reguladas: la posibilidad de controlar dónde se almacena la memoria puede resultar especialmente relevante.
Para grandes empresas reguladas, sin embargo, sería recomendable realizar primero un piloto. Algunas capacidades relacionadas con CodeGraph para repositorios privados y el enrutamiento automático de memoria todavía están evolucionando.
Novedades de la versión 2.0.0
La versión estable 2.0.0 incorpora varias funciones nuevas.
Entre ellas se encuentran el archivado forzado de Skills, la sincronización programada de repositorios mediante CodeGraph y nuevas capacidades de administración de recursos para administradores del sistema.
También se añadió soporte para cambiar el panel entre inglés y chino.
Otra función destacada es Cost Guard, que permite asignar modelos de menor coste a determinados agentes. Esto puede ayudar a controlar el gasto cuando una organización utiliza diferentes modelos de inteligencia artificial según la complejidad de cada tarea.
TencentDB Agent Memory frente a una memoria individual
La principal diferencia puede entenderse de forma sencilla.
Una memoria individual está pensada para que un agente recuerde al usuario.
TencentDB Agent Memory intenta crear una infraestructura donde varios agentes puedan compartir conocimiento bajo reglas de gobierno.
Ese cambio puede parecer pequeño, pero tiene importantes implicaciones para equipos que comienzan a utilizar agentes de manera intensiva.
En un escenario con un solo agente, recordar una preferencia puede ser suficiente. En un entorno con diez o cien agentes, se vuelve necesario gestionar quién puede acceder a cada conocimiento, qué versión debe utilizarse y cómo evitar que información privada termine en el contexto equivocado.
Ahí es donde aparece el verdadero valor de una memoria compartida y gobernada.
Resultados reportados: una cifra que debe tomarse con cautela
TencentDB Agent Memory reporta una mejora en la precisión de PersonaMem del 48 % al 76 %, equivalente a una mejora relativa del 59 %.
Sin embargo, esta cifra debe interpretarse con cautela.
Se trata de un resultado reportado por el propio proyecto y, hasta ahora, no existe una reproducción independiente publicada que permita confirmar esos resultados.
Por tanto, puede servir como una señal inicial del potencial del sistema, pero no debería considerarse una validación independiente de su rendimiento.
¿Es TencentDB Agent Memory una alternativa interesante para los agentes de IA?
La propuesta de Tencent apunta a un problema que probablemente tendrá cada vez más importancia a medida que las empresas incorporen múltiples agentes de inteligencia artificial.
El desafío ya no consiste únicamente en conseguir que un agente tenga memoria. Cuando diferentes agentes trabajan sobre el mismo proyecto, también es necesario controlar qué pueden recordar, qué pueden compartir y qué información deben mantener aislada.
TencentDB Agent Memory 2.0 intenta resolver precisamente esa segunda parte mediante una combinación de memoria estructurada, Skills, conocimiento documental, gráficos de código, recuperación por capas y controles de acceso.
Su naturaleza open source, licencia MIT, despliegue mediante Docker y soporte para diferentes arquitecturas hacen que resulte accesible para experimentar.
Por ahora, parece especialmente adecuado para desarrolladores, startups y equipos pequeños o medianos que quieran experimentar con una memoria compartida para agentes. Las organizaciones grandes y altamente reguladas probablemente deberían comenzar con pruebas controladas antes de convertirlo en una pieza central de su infraestructura.
Si la tendencia hacia equipos compuestos por múltiples agentes continúa, soluciones como TencentDB Agent Memory podrían convertirse en una pieza importante de la próxima generación de infraestructura de IA: no solamente modelos capaces de razonar, sino sistemas capaces de recordar, compartir conocimiento y respetar los límites establecidos por sus usuarios y organizaciones.