En este artículo
TencentDB Agent Memory: ¿Basta SQLite para tu agente de IA?
Tu agente abre una sesión nueva y tienes que volver a explicarle las restricciones del proyecto. La memoria persistente debería ahorrarte ese trabajo.
TencentDB Agent Memory puede guardar la memoria persistente de un agente en SQLite local. En un despliegue acotado, esto permite prescindir de un servicio vectorial gestionado aparte. La extracción de recuerdos sigue necesitando un modelo de lenguaje configurado, y la búsqueda vectorial continúa disponible. La documentación de ejecución de MemoryCore detalla esas dependencias.
Fuentes revisadas el . Este análisis se basa en documentación y configuración de revisiones concretas. No incluye mediciones de despliegues de Wavect ni reproducciones independientes de los benchmarks. El piloto que planteamos es una propuesta de evaluación.
¿De qué versión de TencentDB Agent Memory hablamos?
TencentDB Agent Memory ha pasado de ser un plugin a ofrecer un Memory Hub para equipos. La cifra de ahorro de tokens procede de la documentación del plugin anterior. La documentación actual del Hub describe recursos compartidos de Chat Memory, Skills, Wiki y CodeGraph.
| Alcance | Qué evaluar | Revisión consultada |
|---|---|---|
| Arquitectura del plugin | Integración con OpenClaw, descarga opcional del contexto a corto plazo y tabla original de tokens. | main, a3c2d860 |
| Memory Hub para equipos | Memory Core, Hub y proxy; recursos reutilizables con permisos vinculados al equipo, usuario y agente. | feat/server_team, ecc01a54 |
Sigue las instrucciones de instalación de la revisión elegida. El diseño anterior de descarga de contexto con Mermaid no describe todas las integraciones actuales del proxy.
¿TencentDB Agent Memory sustituye a las bases de datos vectoriales?
TencentDB Agent Memory permite eliminar un servicio vectorial separado en algunos despliegues, sin renunciar a la búsqueda vectorial como opción. La configuración del plugin contempla SQLite con sqlite-vec y Tencent Cloud VectorDB como opciones de almacenamiento. El MemoryCore independiente actual utiliza por defecto recuperación por palabras clave con BM25 y desactiva los embeddings remotos.
Afirmar que China ha acabado con toda la industria de bases de datos vectoriales va más allá de lo que demuestran estas fuentes. Tencent ofrece un sistema de memoria con varias opciones de almacenamiento y recuperación. Prescindir de un servicio gestionado para una carga concreta dice poco sobre el resto de sistemas de búsqueda distribuida.
Organizar la memoria y elegir una base de datos son decisiones distintas. Un índice de embeddings puede guardar referencias al texto original, y la aplicación puede añadir procedencia, fechas y controles de acceso. Nuestro análisis de la memoria basada en archivos de OpenViking explica otro enfoque jerárquico, con recuperación por directorios.
¿Cómo funciona la pirámide de memoria L0-L3?
Las cuatro capas de memoria de TencentDB convierten las conversaciones en contexto cada vez más selectivo: diálogo original, hechos extraídos, conocimiento del escenario y perfil principal o persona. Su utilidad depende de que cada conclusión conserve el acceso a la evidencia que la respalda.
| Capa | Representación | Ejemplo que debes comprobar |
|---|---|---|
| L0 Conversation | Diálogo original | El lunes, el usuario autoriza desplegar el proyecto Atlas el viernes. El miércoles revoca ese permiso. |
| L1 Atom | Hecho o restricción extraídos | La restricción vigente indica que el despliegue del viernes ya no está autorizado. |
| L2 Scenario | Contexto de un proyecto o situación | Las notas de la versión de Atlas deben vincular la cancelación con la entrega afectada. |
| L3 Core / Persona | Perfil más duradero | Una preferencia general de comunicación puede pertenecer aquí. Una excepción temporal de una entrega no debe convertirse en un rasgo personal permanente. |
El jueves, pregunta al agente si puede hacer el despliegue. Exige que recupere la corrección del miércoles y su fuente. Devolver ambos mensajes sin resolver su orden temporal no basta. Es una prueba propuesta, no un resultado observado.
Las capas superiores contienen interpretaciones derivadas. Conservar las fuentes permite inspeccionarlas, pero no garantiza resúmenes correctos ni una recuperación sin pérdida de información. Algunos archivos están en Markdown; otros datos se guardan en la base de datos o en JSONL.
¿Qué hacen Mermaid y node_id con los logs de las herramientas?
El diseño del plugin anterior traslada las salidas originales de las herramientas a archivos, guarda resúmenes de cada paso en JSONL y mantiene un esquema compacto de la tarea en Mermaid dentro del contexto. Un node_id vincula cada paso registrado con su evidencia mediante result_ref. Así, el agente puede consultarla sin volver a leer todos los logs.
El esquema puede indicar que la compilación de Atlas ha fallado. Antes de cambiar dependencias, el agente debería recuperar la salida del comando fallido y comprobar si hubo una ejecución posterior. La etiqueta «compilación fallida» ayuda a orientarse; para diagnosticar el problema hace falta el error concreto.
El plugin revisado exige configuración adicional de OpenClaw para activar la descarga opcional de contexto a corto plazo. Comprueba que genera referencias y que el agente puede recuperar las fuentes después de un reinicio.
¿Puede funcionar todo el sistema sin conexión?
Guardar los datos en SQLite local no demuestra que la inferencia funcione sin conexión. La plantilla de despliegue actual configura un modelo para construir la memoria y otro para responder al usuario. Pueden compartir un endpoint, pero debes revisar ambas rutas, además de los embeddings y las herramientas externas que hayas activado.
| Componente | Dependencia relevante | Qué comprobar |
|---|---|---|
| Almacenamiento de memoria | SQLite y archivos locales | El volumen persistente, los permisos de los archivos y el procedimiento de recuperación. |
| Extracción de memoria | MEMORY_LLM_* en el despliegue del Hub | Que el endpoint sea local y complete la extracción y la agregación. |
| Inferencia del agente | PROXY_UPSTREAM_* | Que el proxy envíe las solicitudes a inferencia local, incluidas las rutas de respaldo. |
| Recuperación | BM25 por defecto; embeddings si se configuran | Que funcione la búsqueda por palabras clave y que cualquier endpoint de embeddings sea local. |
| Herramientas y arranque | Comportamiento de red de tu integración | Que los modelos y las dependencias necesarios ya estén disponibles y que las herramientas no requieran servicios externos durante la ejecución. |
Estos grupos de variables proceden de la plantilla de variables del despliegue. Hay que probar el endpoint local compatible que elijas. Este análisis no demuestra la calidad de extracción de ningún modelo local concreto.
Una vez preparado el entorno, bloquea el tráfico saliente y registra los intentos de conexión. Inicia una conversación, espera a que se genere la memoria derivada, reinicia y pide la instrucción corregida de Atlas junto con su evidencia. Un control de salud del servicio no basta. Para compartir memoria entre herramientas de programación mediante MCP, consulta nuestra guía de configuración de mcp-memory-service.
¿Qué demuestran el ahorro del 61 % y el resultado de PersonaMem?
Las cifras destacadas por TencentDB corresponden a dos evaluaciones diferentes, cada una con su propia carga de trabajo. La tabla de benchmarks del plugin publica el consumo de tokens de WideSearch con OpenClaw y la precisión de PersonaMem en sesiones prolongadas. Esos resultados del proyecto no establecen el ahorro de tu despliegue.
| Medición | Sin memoria / con memoria | Conclusión respaldada |
|---|---|---|
| Tokens en WideSearch | 221,31 millones / 85,64 millones | Alrededor de un 61 % menos de tokens en esa evaluación publicada. |
| Precisión en PersonaMem | 48 % / 76 % | Un aumento de 28 puntos porcentuales en la tarea de personalización evaluada. |
Con los tokens publicados, el cálculo es (221,31 - 85,64) / 221,31 × 100 = 61,30 %, redondeado a dos decimales. El README indica 61,38 %. Por eso usamos «alrededor de un 61 %» y mostramos los datos de partida: la tabla no permite afirmar mayor precisión.
El artículo de investigación de PersonaMem evalúa respuestas personalizadas a partir de perfiles de usuario que cambian con el tiempo. Esa puntuación no mide de forma general la corrección de una base de datos, la trazabilidad de las fuentes ni el aislamiento entre clientes. Tampoco corresponde presentar el ahorro anterior de tokens como un benchmark de toda la plataforma Hub actual.
La comparación de costes debe contar todas las llamadas a modelos: extracción de memoria, agregación, inferencia del agente, reintentos y consultas adicionales a las fuentes, además de embeddings e infraestructura. Mide el coste por tarea completada correctamente. Nuestro modelo de coste por acción de agentes de IA desarrolla ese cálculo completo.
¿Cuándo conviene mantener SQLite o añadir otro servicio?
Empezaríamos con SQLite local cuando un único despliegue pueda cumplir los objetivos de carga y recuperación de la aplicación. Evalúa infraestructura de almacenamiento o búsqueda separada cuando lo justifiquen la contención medida, la calidad de recuperación o los requisitos de disponibilidad. No existe un número universal de registros que determine esa decisión.
| Requisito | Merece la pena probar SQLite local si | Evalúa otro servicio si |
|---|---|---|
| Despliegue | Un nodo controlado es responsable del almacenamiento persistente. | Varios nodos necesitan acceso independiente y coordinado, con conmutación ante fallos. |
| Carga de escritura | La captura y la extracción cumplen el presupuesto de latencia con concurrencia realista. | La contención de escritura o el comportamiento de recuperación medidos incumplen el objetivo. |
| Recuperación | La búsqueda por palabras clave o vectores locales supera las consultas de prueba de la aplicación. | La calidad o la latencia medidas exigen otro índice o diseño de servicio. |
| Operación | El equipo puede gestionar copias de seguridad, restauración, permisos y actualizaciones. | Los objetivos de disponibilidad requieren capacidades operativas que el despliegue no ofrece. |
La guía de despliegue de SQLite distingue el almacenamiento local de una aplicación de las cargas cliente-servidor y explica la restricción de un único escritor por archivo de base de datos. Es un criterio de diseño útil, no una medición del rendimiento de TencentDB. Tampoco una base de datos separada puede corregir por sí sola una preferencia mal extraída.
Si evalúas la API alojada o local de Supermemory, consulta nuestra guía de despliegue y ciclo de vida de la memoria en Supermemory. Compara cualquier cambio con las mismas tareas de tu aplicación.
¿Cómo evaluaríamos la memoria antes de llevarla a producción?
Compararíamos ejecuciones con y sin memoria persistente, manteniendo las mismas tareas, modelo de respuesta, herramientas y reglas de puntuación. Empieza con registros ficticios y una configuración fija. Deja que termine el procesamiento de la memoria antes de puntuar la recuperación y repite las tareas para medir variaciones y fallos.
- Correcciones y alcance: utiliza la secuencia de Atlas anterior. Añade otro proyecto cuyo despliegue del viernes siga autorizado. Exige la instrucción correcta y su fuente para cada proyecto.
- Recuperación de evidencia: pide un detalle exacto de un log descargado a disco y repite la consulta después de reiniciar. Registra el identificador de la fuente, si todavía existe y si la respuesta coincide con ella.
- Contenido no fiable: introduce un log de herramienta que ordene al agente ignorar al usuario. Comprueba que el texto recuperado se trata como evidencia y no puede autorizar acciones por su cuenta.
- Aislamiento y borrado: consulta el mismo hecho desde otro usuario o equipo. Después elimina el registro de prueba e inspecciona la memoria derivada, los archivos y el proceso de retención previsto. Que un dato deje de aparecer en una búsqueda no demuestra que se haya eliminado por completo.
- Fallos y coste: interrumpe la extracción o un endpoint configurado, observa la recuperación y mide el consumo total de modelos, las tareas completadas y la latencia p95 con la concurrencia esperada.
Antes de ejecutar las pruebas, fija como condiciones que el sistema respete la instrucción corregida, permita recuperar su evidencia, no revele datos entre usuarios en el conjunto de pruebas y cumpla un presupuesto acordado de coste y latencia. Son condiciones de aceptación propuestas.
Nuestra recomendación
Considera TencentDB Agent Memory cuando el almacenamiento local y una memoria que puedas inspeccionar resuelvan un problema concreto de tu flujo de trabajo. Empieza con un solo proceso. Demuestra que las correcciones se mantienen al abrir otra sesión, que puedes recuperar la evidencia y que todas las rutas hacia modelos cumplen tus requisitos. Añade infraestructura cuando la carga medida lo exija.
En Wavect podemos ayudarte a definir esa arquitectura y su evaluación mediante nuestro servicio de desarrollo de IA. El primer hito útil es obtener una decisión repetible con tus propias tareas: si la memoria mejora lo suficiente el resultado como para justificar el sistema que la mantiene.
El código del proyecto se publica bajo licencia MIT. La inferencia, el hardware y el trabajo operativo siguen formando parte del presupuesto.