OptMem: la memoria portátil que Victor Taelin le da a cualquier agente de IA, sin depender de ningún proveedor

Por Zendoric · 27 de julio de 2026.

OptMem es un proyecto de código abierto publicado en GitHub por el desarrollador Victor Taelin, conocido en la comunidad de Hacker News por otros proyectos de computación paralela como HVM o Bend. Su promesa es sencilla de enunciar: dar memoria permanente a cualquier agente de IA (Claude Code, Codex, Cursor o cualquiera que lea un archivo AGENTS.md o CLAUDE.md) con una instalación mínima. Un script imprime un bloque de instrucciones de 426 tokens que se pega al principio de ese archivo de configuración, y el agente queda equipado con un sistema de memoria que, según describe el propio repositorio, «sobrevive a cada sesión, cada compactación de contexto, cada cambio de modelo y de proveedor».

Técnicamente, OptMem es una sola herramienta en Python 3 sin dependencias externas. Guarda cada recuerdo como una línea de texto en un registro append-only (que nunca se edita ni se borra) y construye encima un árbol binario de resúmenes cada vez más comprimidos, de forma que el comando de arranque (`memo wake`) siempre lee un presupuesto fijo de contexto —el propio repositorio cifra 208 líneas en unos 16.000 tokens, y el valor es configurable— sin importar si el agente lleva mil o un millón de recuerdos acumulados. Según las cifras que aporta el propio proyecto, con un millón de memorias (608 MB en disco) ese arranque tarda 0,03 segundos, porque los registros tienen ancho fijo y la posición en el archivo hace de índice: cada búsqueda es un único acceso directo al disco. El resto del sistema se completa con comandos para anotar (`note`), buscar por palabra exacta (`recall`), fusionar resúmenes pendientes (`nap`) o navegar el árbol nodo a nodo (`zoom`).

Conviene situar el problema que ataca. Un agente de código actual no recuerda nada entre sesiones salvo lo que quede escrito a mano en un archivo de proyecto: cuando la ventana de contexto se llena, las herramientas la comprimen o resumen y con ello se pierde matiz; cuando la sesión termina, se pierde casi todo. La respuesta habitual del sector ha sido añadir memoria nativa al producto —la memoria de ChatGPT, los proyectos de Claude— o construir capas externas basadas en bases de datos vectoriales y embeddings, como Mem0 o Letta (antes MemGPT), que buscan recuerdos por similitud semántica. OptMem toma el camino contrario: nada de vectores ni de bases de datos, solo texto plano, expresiones regulares y un árbol de resúmenes que el propio agente ayuda a mantener cuando el sistema se lo pide. Es una apuesta deliberada por la simplicidad auditable —los datos son un fichero de texto que cualquiera puede leer, sincronizar por git o mover de proveedor— frente a la sofisticación probabilística de la búsqueda semántica.

Hay que ser honestos con el alcance real de la noticia: se trata del trabajo de un único desarrollador, con 219 estrellas y 11 forks en GitHub, y que en Hacker News apenas generó tracción (1 punto, cero comentarios). Las cifras de rendimiento —el arranque en 0,03 segundos a un millón de recuerdos— son las que reporta el propio autor, no un banco de pruebas independiente, y conviene tratarlas con la misma cautela que aplicamos a cualquier benchmark propio de un proveedor grande.

Nuestra lectura va más allá de esta herramienta concreta. OptMem es un síntoma de un vacío que ningún laboratorio grande ha cerrado todavía de forma satisfactoria: los agentes de IA siguen siendo, por defecto, entidades sin continuidad, que reinventan su comprensión del proyecto y del usuario cada pocas horas. Que sea un desarrollador independiente, con un script de Python, quien proponga una solución así dice algo sobre cómo se está construyendo la infraestructura agéntica: en capas modulares y ligeras, muchas veces open source, antes de que los grandes proveedores absorban o estandaricen la pieza. Ya vimos el mismo patrón con los gestores de credenciales que median entre un agente y sus contraseñas: primero lo resuelve la comunidad con herramientas mínimas, después el mercado decide si eso se convierte en estándar o en producto de plataforma.

A largo plazo, el detalle más relevante de OptMem no es la velocidad de arranque, sino la independencia de proveedor que reclama su propio lema: una memoria que sobrevive al cambio de modelo evita que el conocimiento acumulado por un agente quede secuestrado por el vendor que lo alojó. Si los agentes van a asumir trabajo de conocimiento sostenido en el tiempo —y no tareas sueltas de una sesión— necesitan acumular experiencia igual que la acumula un empleado, sin perderla cada vez que cambia de herramienta. Es una pieza pequeña, no validada a escala, pero apunta en la dirección correcta de nuestra tesis de fondo: cuanta más continuidad y menos fricción tengan los agentes, antes dejan de ser un sustituto desechable de tareas puntuales y empiezan a comportarse como colaboradores con memoria propia, el tipo de herramienta que libera tiempo humano en lugar de limitarse a acelerar tareas repetitivas.