SimpleMem/docs/i18n/README.es.md at main · aiming-lab/SimpleMem

Memoria Vitalicia Eficiente para Agentes LLM — Texto y Multimodal

Almacena, comprime y recupera memorias a largo plazo con compresión semántica sin pérdidas. Ahora con soporte multimodal para texto, imagen, audio y vídeo.

Compatible con cualquier plataforma de IA que soporte MCP (memoria de texto) o integración con Python (multimodal completo)

_{Claude Desktop}

_Cursor

_{LM Studio}

_{Cherry Studio}

_{Paquete PyPI}

_{+ Cualquier Cliente MCP}

🇬🇧 English • 🇨🇳 中文 • 🇯🇵 日本語 • 🇰🇷 한국어 • 🇪🇸 Español • 🇫🇷 Français • 🇩🇪 Deutsch • 🇧🇷 Português
🇷🇺 Русский • 🇸🇦 العربية • 🇮🇹 Italiano • 🇻🇳 Tiếng Việt • 🇹🇷 Türkçe

🚀 Inicio Rápido • 🌟 Descripción General • 📦 Instalación • 🔌 Servidor MCP • 📊 Reproducir • 📝 Citación

🔥 Novedades

[05/21/2026] 📦 ¡Paquete simplemem unificado — una sola importación, enrutamiento automático! SimpleMem, Omni-SimpleMem y EvolveMem ahora conviven en un único paquete. from simplemem import SimpleMem selecciona automáticamente el backend de texto o multimodal según el primer método que invoques, y simplemem.optimize(...) accede al bucle de auto-evolución de EvolveMem. Instala en un solo paso con pip install -e ..
[05/14/2026] 🧬 EvolveMem (v3.0) — ¡Memoria Auto-Evolutiva mediante AutoResearch! La propia infraestructura de recuperación ahora se auto-evoluciona mediante diagnóstico en bucle cerrado impulsado por LLM. En LoCoMo, EvolveMem supera a la línea base más fuerte en +25,7% relativo; en MemBench, en +18,9% relativo. El sistema descubre dimensiones de recuperación completamente nuevas no presentes en el diseño original. Ver EvolveMem →
[04/02/2026] 🧠 Omni-SimpleMem (v2.0) — ¡La Memoria Multimodal ya está aquí! SimpleMem ahora soporta memoria de texto, imagen, audio y vídeo. Alcanzando nuevo SOTA en LoCoMo (F1=0,613, +47%) y Mem-Gallery (F1=0,810, +51%) sobre el mejor resultado anterior. Ver Omni-SimpleMem →
[02/09/2026] 🚀 ¡Memoria Cross-Session — Superando a Claude-Mem en un 64%! Ver Documentación Cross-Session →
[01/20/2026] 📦 ¡SimpleMem ya está disponible en PyPI! Instala con pip install simplemem. Ver Guía de Uso del Paquete →
[01/14/2026] 🎉 ¡El Servidor MCP de SimpleMem está EN VIVO! Alojado en la nube en mcp.simplemem.cloud. Ver Documentación MCP →
[01/05/2026] El artículo de SimpleMem fue publicado en arXiv.

🚀 Inicio Rápido

🧠 Comprensión del Flujo de Trabajo Básico

A grandes rasgos, SimpleMem funciona como un sistema de memoria a largo plazo para agentes basados en LLM. El flujo de trabajo consta de tres pasos sencillos:

Almacenar información – Los diálogos o hechos se procesan y convierten en memorias estructuradas y atómicas.
Indexar la memoria – Las memorias almacenadas se organizan mediante embeddings semánticos y metadatos estructurados.
Recuperar memoria relevante – Ante una consulta, SimpleMem recupera la información almacenada más relevante basándose en el significado en lugar de en palabras clave.

Este diseño permite a los agentes LLM mantener el contexto, recordar información pasada de forma eficiente y evitar el procesamiento repetido de historial redundante.

🎓 Uso Básico

SimpleMem se distribuye como un único paquete simplemem. El modo predeterminado mode="auto" detecta automáticamente qué backend usar en función de lo que invoques — sin necesidad de configuración manual:

from simplemem import SimpleMem

mem = SimpleMem()  # mode="auto" — backend elegido por la primera llamada

El primer método que invoques determina el backend:

Primera llamada	Backend seleccionado	Por qué
`add_dialogue()`	Texto (SimpleMem)	API basada en diálogo → modo texto
`add_text()` / `add_image()` / `add_audio()` / `add_video()`	Omni (Omni-SimpleMem)	API multimodal → modo omni

📝 Auto → Texto (entrada de texto puro)

from simplemem import SimpleMem

mem = SimpleMem()  # auto mode

# add_dialogue() → backend de texto seleccionado automáticamente
mem.add_dialogue(
    "Alice",
    "Bob, let's meet at Starbucks tomorrow at 2pm",
    "2025-11-15T14:30:00",
)
mem.add_dialogue(
    "Bob",
    "Sure, I'll bring the market analysis report",
    "2025-11-15T14:31:00",
)
mem.finalize()

answer = mem.ask("When and where will Alice and Bob meet?")
# → "16 November 2025 at 2:00 PM at Starbucks"

🧠 Auto → Omni (entrada multimodal)

from simplemem import SimpleMem

mem = SimpleMem()  # auto mode

# add_image() → backend omni seleccionado automáticamente
mem.add_text(
    "User loves hiking in the Rocky Mountains.",
    tags=["session_id:D1"],
)
mem.add_image("photo.jpg", tags=["session_id:D1"])
mem.add_audio("voice_note.wav", tags=["session_id:D1"])

result = mem.query("What does the user enjoy?", top_k=5)
for item in result.items:
    print(item["summary"])

mem.close()

💡 Consejo: El modo auto elige el backend más ligero que se adapte a tus datos. Aún puedes usar mode="text" o mode="omni" de forma explícita si lo prefieres.

🧬 Avanzado: Optimizar la Configuración de Recuperación

Ajusta los hiperparámetros de recuperación sin conexión sobre tu propio conjunto de desarrollo y despliega luego la Config resultante para inferencia. Este es un envoltorio delgado sobre el bucle de auto-evolución de EvolveMem:

import simplemem
from simplemem import SimpleMem, load_config

# mem es una instancia de SimpleMem finalizada con memorias ya construidas
dev_questions = [
    ("When is the meeting?", "2pm tomorrow at Starbucks"),
    ("What should Bob prepare?", "market analysis report"),
]
config = simplemem.optimize(mem, dev_questions, max_rounds=3)
config.save("my_config.json")

# Más adelante, despliega con la configuración optimizada
config = load_config("my_config.json")
mem = SimpleMem(config=config)

EvolveMem ejecuta un ciclo Evaluar → Diagnosticar → Proponer → Guardar impulsado por LLM sobre tus preguntas de desarrollo, ajustando indicadores globales de recuperación (top_k, modo de fusión, verificación de respuestas, rondas de reflexión, ...). Para la versión independiente completa con adaptadores de benchmark y sobreescrituras por categoría, consulta EvolveMem/.

🚄 Avanzado: Procesamiento Paralelo

Para el procesamiento de diálogos a gran escala, activa el modo paralelo:

from simplemem import create

mem = create(
    mode="text",
    clear_db=True,
    enable_parallel_processing=True,  # ⚡ Construcción de memoria en paralelo
    max_parallel_workers=8,
    enable_parallel_retrieval=True,   # 🔍 Ejecución de consultas en paralelo
    max_retrieval_workers=4
)

💡 Consejo Pro: ¡El procesamiento paralelo reduce significativamente la latencia en operaciones por lotes!

🌟 Descripción General

SimpleMem es una pila de memoria unificada para agentes LLM, construida sobre un principio: almacenar memoria semánticamente sin pérdidas con alta densidad de información, de modo que un agente recuerde más gastando muchos menos tokens. El paquete reúne tres trabajos que comparten este principio pero atacan distintas partes del problema.

📝 SimpleMem: el núcleo de eficiencia (texto)

La mayoría de los sistemas de memoria imponen un mal compromiso. O bien acumulan pasivamente el historial de interacción en bruto (redundante, voraz en tokens) o ejecutan costosos bucles de razonamiento para filtrar el ruido (lentos, costosos). SimpleMem, en cambio, comprime las interacciones mediante un pipeline de tres etapas:

Etapa	Qué hace
1. Compresión Estructurada Semántica	Destila interacciones no estructuradas en unidades de memoria compactas (hechos autocontenidos con correferencias resueltas y marcas de tiempo absolutas), cada una indexada a través de múltiples vistas complementarias para una recuperación flexible.
2. Síntesis Semántica en Línea	Fusiona el contexto relacionado dentro de una sesión en representaciones abstractas unificadas, eliminando la redundancia durante la construcción de la memoria y no en el momento de la consulta.
3. Planificación de Recuperación Consciente de la Intención	Infiere la intención de búsqueda tras una consulta para decidir qué recuperar y ensamblar un contexto preciso y compacto.

En el benchmark LoCoMo esto proporciona una ganancia media de F1 del 26,4% sobre sistemas anteriores mientras reduce el consumo de tokens en tiempo de inferencia aproximadamente 30 veces. Detalles del mecanismo (capas del índice híbrido, ejemplos de compresión, planificación de recuperación): Memoria de texto de SimpleMem →.

🧠 Omni-SimpleMem: memoria multimodal (texto, imagen, audio, vídeo)

Omni-SimpleMem extiende la filosofía de compresión primero a cuatro modalidades, construida sobre tres principios: Ingestión Selectiva (filtrado impulsado por entropía por modalidad), Recuperación Progresiva (FAISS + BM25 híbrido con expansión piramidal del presupuesto de tokens) y Aumento por Grafo de Conocimiento (razonamiento multimodal de múltiples saltos). En lugar de diseñarse manualmente, su arquitectura fue descubierta por un pipeline de investigación autónoma que ejecutó alrededor de 50 experimentos en dos benchmarks, diagnosticando modos de fallo, proponiendo cambios arquitectónicos e incluso reparando errores en el pipeline de datos sin intervención humana en el bucle interno. De manera reveladora, las correcciones de errores y los cambios arquitectónicos contribuyeron más que todo el ajuste de hiperparámetros combinado, llevando el sistema de una línea base naive al estado del arte en LoCoMo y Mem-Gallery. Documentación completa: Omni-SimpleMem →.

🧬 EvolveMem: recuperación auto-evolutiva

EvolveMem cierra un punto ciego compartido por casi todos los sistemas de memoria: el contenido almacenado evoluciona, pero la maquinaria de recuperación (funciones de puntuación, estrategias de fusión, políticas de generación de respuestas) permanece congelada tras el despliegue. EvolveMem ejecuta un proceso de AutoResearch en bucle cerrado (Evaluar → Diagnosticar → Proponer → Guardar → Repetir) en el que un LLM diagnostica fallos por pregunta y propone cambios de configuración, guardados por reversión automática ante regresiones e incentivos de exploración durante el estancamiento. Descubre nuevas dimensiones de recuperación (descomposición de consultas, intercambio de entidades, verificación de respuestas) no presentes en el diseño original, mejora LoCoMo en un 25,7% relativo sobre la línea base más fuerte, y sus configuraciones evolucionadas se transfieren positivamente entre benchmarks. Documentación completa: EvolveMem →.

Cómo encajan entre sí

from simplemem import SimpleMem te proporciona el núcleo de texto con enrutamiento automático al backend multimodal, y simplemem.optimize(...) accede a EvolveMem para ajustar la recuperación a tus propios datos. Un paquete, un modelo mental: comprime sin pérdidas, recupera por intención y deja que el sistema siga mejorándose a sí mismo.

📦 Instalación

📝 Notas para Usuarios Primerizos

Asegúrate de estar usando Python 3.10+ en tu entorno activo, no solo instalado globalmente.
Se debe configurar una clave API compatible con OpenAI antes de ejecutar cualquier construcción de memoria o recuperación, de lo contrario la inicialización puede fallar.
Al usar proveedores que no sean OpenAI (p. ej., Qwen o Azure OpenAI), verifica tanto el nombre del modelo como OPENAI_BASE_URL en config.py.
Para grandes conjuntos de datos de diálogo, habilitar el procesamiento paralelo puede reducir significativamente el tiempo de construcción de la memoria.

📋 Requisitos

🐍 Python 3.10+
🔑 API compatible con OpenAI (OpenAI, Qwen, Azure OpenAI, etc.)

🛠️ Configuración

# 📥 Clonar el repositorio
git clone https://github.com/aiming-lab/SimpleMem.git
cd SimpleMem

# 📦 Instalar dependencias (versiones fijadas)
pip install -r requirements.txt

# — O — instalar como paquete editable
pip install -e .                  # predeterminado: texto + multimodal + evolver
pip install -e ".[server]"        # + servidor MCP / HTTP (mcp, fastapi, ...)
pip install -e ".[all]"           # todo, incluidas herramientas de desarrollo

# ⚙️ Configurar ajustes de API
cp config.py.example config.py
# Editar config.py con tu clave API y preferencias

⚙️ Ejemplo de Configuración

# config.py
OPENAI_API_KEY = "your-api-key"
OPENAI_BASE_URL = None  # o endpoint personalizado para Qwen/Azure

LLM_MODEL = "gpt-4.1-mini"
EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-0.6B"  # Recuperación de última generación

🐳 Ejecutar con Docker

El Servidor MCP puede ejecutarse en Docker para un entorno consistente y aislado. Los datos (LanceDB y la base de datos de usuarios) se persisten en un volumen del host.

Requisitos Previos

Docker y Docker Compose

Ejecución rápida

# Desde la raíz del repositorio
docker compose up -d

Interfaz Web: http://localhost:8000/
API REST: http://localhost:8000/api/
MCP (SSE): http://localhost:8000/mcp/sse?token=<TOKEN>

Los datos se almacenan en ./data en el host (se crea automáticamente).

Configuración personalizada

Copia la plantilla de entorno y edítala:

cp .env.example .env
# Editar .env: establece JWT_SECRET_KEY, ENCRYPTION_KEY, LLM_PROVIDER, URLs de modelos, etc.

Ejecuta con el archivo de entorno:
```
docker compose --env-file .env up -d
```

Usar Ollama en el host

Cuando LLM_PROVIDER=ollama y Ollama se ejecuta en tu máquina (no en Docker), establece en .env:

LLM_PROVIDER=ollama
OLLAMA_BASE_URL=http://host.docker.internal:11434/v1

En Linux, host.docker.internal se habilita automáticamente a través del archivo Compose.

Comandos útiles

docker compose logs -f simplemem   # Seguir los registros
docker compose down                 # Detener y eliminar contenedores

📖 Para alojar el servidor MCP por cuenta propia (Docker o bare metal), consulta la Documentación MCP.

🔌 Servidor MCP (memoria de texto)

SimpleMem está disponible como servicio de memoria alojado en la nube mediante el Model Context Protocol (MCP), permitiendo una integración fluida con asistentes de IA como Claude Desktop, Cursor y otros clientes compatibles con MCP.

🌐 Servicio en la Nube: mcp.simplemem.cloud — o aloja el servidor MCP localmente usando Docker.

Características Principales

Característica	Descripción
HTTP con Streaming	Protocolo MCP 2025-03-26 con JSON-RPC 2.0
Aislamiento Multi-inquilino	Tablas de datos por usuario con autenticación por token
Recuperación Híbrida	Búsqueda semántica + coincidencia de palabras clave + filtrado por metadatos
Optimizado para Producción	Tiempos de respuesta más rápidos con integración de OpenRouter

Configuración Rápida

{
  "mcpServers": {
    "simplemem": {
      "url": "https://mcp.simplemem.cloud/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_TOKEN"
      }
    }
  }
}

📖 Para instrucciones de configuración detalladas y guía de auto-alojamiento, consulta la Documentación MCP

📊 Reproducir Resultados del Artículo

Reproduce los números de LoCoMo / MemBench / Mem-Gallery de los artículos. Cada pilar tiene su propio ejecutor de benchmark en su propio directorio. Instala primero los extras de benchmark: pip install -e ".[benchmark]".

📝 SimpleMem (texto) — LoCoMo

Ejecuta desde la raíz del repositorio:

python test_locomo10.py                       # benchmark completo de LoCoMo
python test_locomo10.py --num-samples 5       # subconjunto rápido
python test_locomo10.py --result-file my_results.json

🧬 EvolveMem — auto-evolución + LoCoMo / MemBench

Ejecuta desde el directorio EvolveMem/ (consulta EvolveMem/README.md):

cd EvolveMem
python run_evolution.py --data data/locomo10.json --max-rounds 7
python run_benchmark.py locomo --sample 0 --initial weak --max-rounds 3
python run_benchmark.py membench --agent FirstAgent --max-rounds 3

🧠 Omni-SimpleMem — LoCoMo / Mem-Gallery

Ejecuta desde el directorio OmniSimpleMem/ (consulta OmniSimpleMem/README.md):

cd OmniSimpleMem
python benchmarks/locomo/run_locomo.py --data-path /path/to/locomo10.json --model gpt-4o

🗺️ Hoja de Ruta

Capacidad actual por canal de integración:

Capacidad	Python (`pip install`)	Servidor MCP (Claude Desktop, Cursor, ...)
Memoria de texto	✅	✅
Multimodal (imagen / audio / vídeo)	✅	⬜ planificado
Recuperación auto-evolutiva `optimize()`	✅	⬜ planificado

Trabajo planificado para cerrar la brecha (el servidor MCP es un servicio de texto multi-inquilino independiente; estas son características reales, no correcciones de documentación):

Multimodal sobre MCP. Añadir herramientas memory_add_image / memory_add_audio / memory_add_video. Requiere una ruta de carga de archivos (base64 o URL, ya que MCP no puede pasar rutas de archivos locales), una adaptación multi-inquilino del backend de almacenamiento de Omni-SimpleMem y acceso a modelos de visión/audio en el servidor.
EvolveMem sobre MCP. Exponer optimize() como herramienta MCP. Más tratable que el multimodal (texto de entrada, configuración JSON de salida, sin transporte de archivos), pero el recuperador MCP actualmente solo respeta semantic_top_k / keyword_top_k de las ~10 dimensiones que EvolveMem evoluciona. Requiere extender el recuperador MCP para soportar los controles restantes (structured top_k, modo/pesos de fusión, intercambio de entidades, descomposición de consultas, verificación de respuestas), un adaptador para ejecutar el bucle de evolución sobre las memorias almacenadas de un inquilino, persistencia de configuración por inquilino y ejecución asíncrona (el bucle es intensivo en LLM y agotaría el tiempo de espera de una solicitud síncrona).
Docker hereda ambos automáticamente una vez que el servidor MCP los soporte (añade dependencias multimodales a la imagen y un volumen de almacenamiento Omni).

Para multimodal completo y recuperación auto-evolutiva hoy, usa la API de Python (consulta Inicio Rápido).

📝 Citación

Si utilizas SimpleMem en tu investigación, cita:

@article{simplemem2026,
  title={SimpleMem: Efficient Lifelong Memory for LLM Agents},
  author={Liu, Jiaqi and Su, Yaofeng and Xia, Peng and Zhou, Yiyang and Han, Siwei and  Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu},
  journal={arXiv preprint arXiv:2601.02553},
  year={2026},
  url={https://arxiv.org/abs/2601.02553}
}

@article{evolvemem2026,
  title={EvolveMem: Self-Evolving Memory Architecture via AutoResearch for LLM Agents},
  author={Liu, Jiaqi and Ye, Xinyu and Xia, Peng and Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu},
  journal={arXiv preprint arXiv:2605.13941},
  year={2026},
  url={https://arxiv.org/abs/2605.13941}
}

@article{omnisimplemem2026,
  title   = {Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory},
  author  = {Liu, Jiaqi and Ling, Zipeng and Qiu, Shi and Liu, Yanqing and Han, Siwei and Xia, Peng and Tu, Haoqin and Zheng, Zeyu and Xie, Cihang and Fleming, Charles and Ding, Mingyu and Yao, Huaxiu},
  journal = {arXiv preprint arXiv:2604.01007},
  year    = {2026},
}

📄 Licencia

Este proyecto está licenciado bajo la Licencia MIT - consulta el archivo LICENSE para más detalles.

🙏 Agradecimientos

Queremos agradecer a los siguientes proyectos y equipos:

🔍 Modelo de Embeddings: Qwen3-Embedding - Rendimiento de recuperación de última generación
🗄️ Base de Datos Vectorial: LanceDB - Almacenamiento columnar de alto rendimiento
📊 Benchmark: LoCoMo - Marco de evaluación de memoria de contexto largo

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Memoria Vitalicia Eficiente para Agentes LLM — Texto y Multimodal

🔥 Novedades

📑 Tabla de Contenidos

🚀 Inicio Rápido

🧠 Comprensión del Flujo de Trabajo Básico

🎓 Uso Básico

🧬 Avanzado: Optimizar la Configuración de Recuperación

🚄 Avanzado: Procesamiento Paralelo

🌟 Descripción General

📝 SimpleMem: el núcleo de eficiencia (texto)

🧠 Omni-SimpleMem: memoria multimodal (texto, imagen, audio, vídeo)

🧬 EvolveMem: recuperación auto-evolutiva

Cómo encajan entre sí

📦 Instalación

📝 Notas para Usuarios Primerizos

📋 Requisitos

🛠️ Configuración

⚙️ Ejemplo de Configuración

🐳 Ejecutar con Docker

Requisitos Previos

Ejecución rápida

Configuración personalizada

Usar Ollama en el host

Comandos útiles

🔌 Servidor MCP (memoria de texto)

Características Principales

Configuración Rápida

📊 Reproducir Resultados del Artículo

📝 SimpleMem (texto) — LoCoMo

🧬 EvolveMem — auto-evolución + LoCoMo / MemBench

🧠 Omni-SimpleMem — LoCoMo / Mem-Gallery

🗺️ Hoja de Ruta

📝 Citación

📄 Licencia

🙏 Agradecimientos

FilesExpand file tree

README.es.md

Latest commit

History

README.es.md

File metadata and controls

Memoria Vitalicia Eficiente para Agentes LLM — Texto y Multimodal

🔥 Novedades

📑 Tabla de Contenidos

🚀 Inicio Rápido

🧠 Comprensión del Flujo de Trabajo Básico

🎓 Uso Básico

🧬 Avanzado: Optimizar la Configuración de Recuperación

🚄 Avanzado: Procesamiento Paralelo

🌟 Descripción General

📝 SimpleMem: el núcleo de eficiencia (texto)

🧠 Omni-SimpleMem: memoria multimodal (texto, imagen, audio, vídeo)

🧬 EvolveMem: recuperación auto-evolutiva

Cómo encajan entre sí

📦 Instalación

📝 Notas para Usuarios Primerizos

📋 Requisitos

🛠️ Configuración

⚙️ Ejemplo de Configuración

🐳 Ejecutar con Docker

Requisitos Previos

Ejecución rápida

Configuración personalizada

Usar Ollama en el host

Comandos útiles

🔌 Servidor MCP (memoria de texto)

Características Principales

Configuración Rápida

📊 Reproducir Resultados del Artículo

📝 SimpleMem (texto) — LoCoMo

🧬 EvolveMem — auto-evolución + LoCoMo / MemBench

🧠 Omni-SimpleMem — LoCoMo / Mem-Gallery

🗺️ Hoja de Ruta

📝 Citación

📄 Licencia

🙏 Agradecimientos