memU es un framework de memoria construido para agentes proactivos 24/7. Está diseñado para uso prolongado y reduce enormemente el costo de tokens LLM de mantener agentes siempre en línea, haciendo que los agentes siempre activos y en evolución sean prácticos en sistemas de producción. memU captura y comprende continuamente la intención del usuario. Incluso sin un comando, el agente puede detectar lo que estás a punto de hacer y actuar por sí mismo.
- Download-and-use and simple to get started.
- Builds long-term memory to understand user intent and act proactively.
- Cuts LLM token cost with smaller context.
Try now: memU bot
memU trata la memoria como un sistema de archivos—estructurada, jerárquica e instantáneamente accesible.
| Sistema de Archivos | Memoria memU |
|---|---|
| 📁 Carpetas | 🏷️ Categorías (temas auto-organizados) |
| 📄 Archivos | 🧠 Elementos de Memoria (hechos, preferencias, habilidades extraídas) |
| 🔗 Enlaces simbólicos | 🔄 Referencias cruzadas (memorias relacionadas enlazadas) |
| 📂 Puntos de montaje | 📥 Recursos (conversaciones, documentos, imágenes) |
Por qué esto importa:
- Navega memorias como si exploraras directorios—profundiza desde categorías amplias a hechos específicos
- Monta nuevo conocimiento instantáneamente—conversaciones y documentos se convierten en memoria consultable
- Enlaza todo cruzadamente—las memorias se referencian entre sí, construyendo un grafo de conocimiento conectado
- Persistente y portable—exporta, respalda y transfiere memoria como archivos
memory/
├── preferences/
│ ├── communication_style.md
│ └── topic_interests.md
├── relationships/
│ ├── contacts/
│ └── interaction_history/
├── knowledge/
│ ├── domain_expertise/
│ └── learned_skills/
└── context/
├── recent_conversations/
└── pending_tasks/
Así como un sistema de archivos convierte bytes crudos en datos organizados, memU transforma interacciones crudas en inteligencia estructurada, buscable y proactiva.
| Capacidad | Descripción |
|---|---|
| 🤖 Agente Proactivo 24/7 | Agente de memoria siempre activo que trabaja continuamente en segundo plano—nunca duerme, nunca olvida |
| 🎯 Captura de Intención del Usuario | Comprende y recuerda automáticamente objetivos, preferencias y contexto del usuario a través de sesiones |
| 💰 Eficiente en Costos | Reduce costos de tokens a largo plazo mediante caché de insights y evitando llamadas LLM redundantes |
cd examples/proactive
python proactive.py
┌──────────────────────────────────────────────────────────────────────────────────────────────────┐
│ USER QUERY │
└──────────────────────────────────────────────────────────────────────────────────────────────────┘
│ │
▼ ▼
┌────────────────────────────────────────┐ ┌────────────────────────────────────────────────┐
│ 🤖 MAIN AGENT │ │ 🧠 MEMU BOT │
│ │ │ │
│ Handle user queries & execute tasks │ ◄───► │ Monitor, memorize & proactive intelligence │
├────────────────────────────────────────┤ ├────────────────────────────────────────────────┤
│ │ │ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 1. RECEIVE USER INPUT │ │ │ │ 1. MONITOR INPUT/OUTPUT │ │
│ │ Parse query, understand │ │ ───► │ │ Observe agent interactions │ │
│ │ context and intent │ │ │ │ Track conversation flow │ │
│ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │
│ │ │ │ │ │
│ ▼ │ │ ▼ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 2. PLAN & EXECUTE │ │ │ │ 2. MEMORIZE & EXTRACT │ │
│ │ Break down tasks │ │ ◄─── │ │ Store insights, facts, preferences │ │
│ │ Call tools, retrieve data │ │ inject │ │ Extract skills & knowledge │ │
│ │ Generate responses │ │ memory │ │ Update user profile │ │
│ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │
│ │ │ │ │ │
│ ▼ │ │ ▼ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 3. RESPOND TO USER │ │ │ │ 3. PREDICT USER INTENT │ │
│ │ Deliver answer/result │ │ ───► │ │ Anticipate next steps │ │
│ │ Continue conversation │ │ │ │ Identify upcoming needs │ │
│ └──────────────────────────────────┘ │ │ └──────────────────────────────────────────┘ │
│ │ │ │ │ │
│ ▼ │ │ ▼ │
│ ┌──────────────────────────────────┐ │ │ ┌──────────────────────────────────────────┐ │
│ │ 4. LOOP │ │ │ │ 4. RUN PROACTIVE TASKS │ │
│ │ Wait for next user input │ │ ◄─── │ │ Pre-fetch relevant context │ │
│ │ or proactive suggestions │ │ suggest│ │ Prepare recommendations │ │
│ └──────────────────────────────────┘ │ │ │ Update todolist autonomously │ │
│ │ │ └──────────────────────────────────────────┘ │
└────────────────────────────────────────┘ └────────────────────────────────────────────────┘
│ │
└───────────────────────────┬───────────────────────────────┘
▼
┌──────────────────────────────┐
│ CONTINUOUS SYNC LOOP │
│ Agent ◄──► MemU Bot ◄──► DB │
└──────────────────────────────┘
El agente monitorea intereses y muestra proactivamente contenido relevante
# El usuario ha estado investigando temas de IA
MemU rastrea: historial de lectura, artículos guardados, consultas de búsqueda
# Cuando llega nuevo contenido:
Agente: "Encontré 3 nuevos papers sobre optimización RAG que se alinean con
tu investigación reciente sobre sistemas de recuperación. Un autor
(Dr. Chen) que has citado antes publicó ayer."
# Comportamientos proactivos:
- Aprende preferencias de temas de patrones de navegación
- Rastrea preferencias de credibilidad de autor/fuente
- Filtra ruido basado en historial de interacción
- Programa recomendaciones para atención óptimaEl agente aprende patrones de comunicación y maneja correspondencia rutinaria
# MemU observa patrones de email con el tiempo:
- Plantillas de respuesta para escenarios comunes
- Contactos prioritarios y palabras clave urgentes
- Preferencias de programación y disponibilidad
- Variaciones de estilo de escritura y tono
# Asistencia proactiva de email:
Agente: "Tienes 12 nuevos emails. He redactado respuestas para 3 solicitudes
rutinarias y marcado 2 elementos urgentes de tus contactos prioritarios.
¿Debería también reprogramar la reunión de mañana basándome en el
conflicto que mencionó John?"
# Acciones autónomas:
✓ Redactar respuestas conscientes del contexto
✓ Categorizar y priorizar bandeja de entrada
✓ Detectar conflictos de programación
✓ Resumir hilos largos con decisiones claveEl agente rastrea contexto del mercado y comportamiento de inversión del usuario
# MemU aprende preferencias de trading:
- Tolerancia al riesgo de decisiones históricas
- Sectores y clases de activos preferidos
- Patrones de respuesta a eventos del mercado
- Disparadores de rebalanceo de portafolio
# Alertas proactivas:
Agente: "NVDA cayó 5% en trading after-hours. Basándome en tu comportamiento
pasado, típicamente compras caídas tech superiores al 3%. Tu asignación
actual permite $2,000 de exposición adicional manteniendo tu objetivo
70/30 acciones-bonos."
# Monitoreo continuo:
- Rastrear alertas de precio vinculadas a umbrales definidos por usuario
- Correlacionar eventos de noticias con impacto en portafolio
- Aprender de recomendaciones ejecutadas vs. ignoradas
- Anticipar oportunidades de cosecha de pérdidas fiscales...
El sistema de tres capas de MemU permite tanto consultas reactivas como carga proactiva de contexto:
| Capa | Uso Reactivo | Uso Proactivo |
|---|---|---|
| Recurso | Acceso directo a datos originales | Monitoreo en segundo plano de nuevos patrones |
| Elemento | Recuperación de hechos específicos | Extracción en tiempo real de interacciones en curso |
| Categoría | Vista general a nivel de resumen | Ensamblaje automático de contexto para anticipación |
Beneficios Proactivos:
- Auto-categorización: Nuevas memorias se auto-organizan en temas
- Detección de Patrones: El sistema identifica temas recurrentes
- Predicción de Contexto: Anticipa qué información se necesitará después
Experimenta la memoria proactiva instantáneamente:
👉 memu.so - Servicio hospedado con aprendizaje continuo 7×24
Para despliegue empresarial con flujos de trabajo proactivos personalizados, contacta info@nevamind.ai
| URL Base | https://api.memu.so |
|---|---|
| Auth | Authorization: Bearer YOUR_API_KEY |
| Método | Endpoint | Descripción |
|---|---|---|
POST |
/api/v3/memory/memorize |
Registrar tarea de aprendizaje continuo |
GET |
/api/v3/memory/memorize/status/{task_id} |
Verificar estado de procesamiento en tiempo real |
POST |
/api/v3/memory/categories |
Listar categorías auto-generadas |
POST |
/api/v3/memory/retrieve |
Consultar memoria (soporta carga proactiva de contexto) |
📚 Documentación Completa de API
pip install -e .Requisitos: Python 3.13+ y una clave API de OpenAI
Probar Aprendizaje Continuo (en memoria):
export OPENAI_API_KEY=your_api_key
cd tests
python test_inmemory.pyProbar con Almacenamiento Persistente (PostgreSQL):
# Iniciar PostgreSQL con pgvector
docker run -d \
--name memu-postgres \
-e POSTGRES_USER=postgres \
-e POSTGRES_PASSWORD=postgres \
-e POSTGRES_DB=memu \
-p 5432:5432 \
pgvector/pgvector:pg16
# Ejecutar prueba de aprendizaje continuo
export OPENAI_API_KEY=your_api_key
cd tests
python test_postgres.pyAmbos ejemplos demuestran flujos de trabajo de memoria proactiva:
- Ingesta Continua: Procesar múltiples archivos secuencialmente
- Auto-Extracción: Creación inmediata de memoria
- Recuperación Proactiva: Presentación de memoria consciente del contexto
Ver tests/test_inmemory.py y tests/test_postgres.py para detalles de implementación.
MemU soporta proveedores personalizados de LLM y embeddings más allá de OpenAI. Configúralos via llm_profiles:
from memu import MemUService
service = MemUService(
llm_profiles={
# Perfil predeterminado para operaciones LLM
"default": {
"base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1",
"api_key": "your_api_key",
"chat_model": "qwen3-max",
"client_backend": "sdk" # "sdk" o "http"
},
# Perfil separado para embeddings
"embedding": {
"base_url": "https://api.voyageai.com/v1",
"api_key": "your_voyage_api_key",
"embed_model": "voyage-3.5-lite"
}
},
# ... otra configuración
)MemU soporta OpenRouter como proveedor de modelos, dándote acceso a múltiples proveedores de LLM a través de una sola API.
from memu import MemoryService
service = MemoryService(
llm_profiles={
"default": {
"provider": "openrouter",
"client_backend": "httpx",
"base_url": "https://openrouter.ai",
"api_key": "your_openrouter_api_key",
"chat_model": "anthropic/claude-3.5-sonnet", # Cualquier modelo de OpenRouter
"embed_model": "openai/text-embedding-3-small", # Modelo de embedding
},
},
database_config={
"metadata_store": {"provider": "inmemory"},
},
)| Variable | Descripción |
|---|---|
OPENROUTER_API_KEY |
Tu clave API de OpenRouter de openrouter.ai/keys |
| Característica | Estado | Notas |
|---|---|---|
| Completaciones de Chat | Soportado | Funciona con cualquier modelo de chat de OpenRouter |
| Embeddings | Soportado | Usa modelos de embedding de OpenAI via OpenRouter |
| Visión | Soportado | Usa modelos con capacidad de visión (ej., openai/gpt-4o) |
export OPENROUTER_API_KEY=your_api_key
# Prueba de flujo completo (memorize + retrieve)
python tests/test_openrouter.py
# Pruebas específicas de embedding
python tests/test_openrouter_embedding.py
# Pruebas específicas de visión
python tests/test_openrouter_vision.pyVer examples/example_4_openrouter_memory.py para un ejemplo completo funcional.
Procesa entradas en tiempo real y actualiza la memoria inmediatamente:
result = await service.memorize(
resource_url="path/to/file.json", # Ruta de archivo o URL
modality="conversation", # conversation | document | image | video | audio
user={"user_id": "123"} # Opcional: limitar a un usuario
)
# Retorna inmediatamente con la memoria extraída:
{
"resource": {...}, # Metadatos del recurso almacenado
"items": [...], # Elementos de memoria extraídos (disponibles instantáneamente)
"categories": [...] # Estructura de categorías auto-actualizada
}Características Proactivas:
- Procesamiento sin demora—memorias disponibles inmediatamente
- Categorización automática sin etiquetado manual
- Referencia cruzada con memorias existentes para detección de patrones
MemU soporta tanto carga proactiva de contexto como consultas reactivas:
Ensamblaje proactivo de contexto rápido usando embeddings:
- ✅ Contexto instantáneo: Presentación de memoria en sub-segundos
- ✅ Monitoreo en segundo plano: Puede ejecutarse continuamente sin costos de LLM
- ✅ Puntuación de similitud: Identifica automáticamente las memorias más relevantes
Razonamiento anticipatorio profundo para contextos complejos:
- ✅ Predicción de intención: LLM infiere lo que el usuario necesita antes de preguntar
- ✅ Evolución de consulta: Refina automáticamente la búsqueda mientras el contexto se desarrolla
- ✅ Terminación temprana: Se detiene cuando se recopila suficiente contexto
| Aspecto | RAG (Contexto Rápido) | LLM (Razonamiento Profundo) |
|---|---|---|
| Velocidad | ⚡ Milisegundos | 🐢 Segundos |
| Costo | 💰 Solo embedding | 💰💰 Inferencia LLM |
| Uso proactivo | Monitoreo continuo | Carga de contexto activada |
| Mejor para | Sugerencias en tiempo real | Anticipación compleja |
# Recuperación proactiva con historial de contexto
result = await service.retrieve(
queries=[
{"role": "user", "content": {"text": "¿Cuáles son sus preferencias?"}},
{"role": "user", "content": {"text": "Cuéntame sobre los hábitos de trabajo"}}
],
where={"user_id": "123"}, # Opcional: filtro de alcance
method="rag" # o "llm" para razonamiento más profundo
)
# Retorna resultados conscientes del contexto:
{
"categories": [...], # Áreas temáticas relevantes (auto-priorizadas)
"items": [...], # Hechos de memoria específicos
"resources": [...], # Fuentes originales para trazabilidad
"next_step_query": "..." # Contexto de seguimiento predicho
}Filtrado Proactivo: Usa where para delimitar el monitoreo continuo:
where={"user_id": "123"}- Contexto específico del usuariowhere={"agent_id__in": ["1", "2"]}- Coordinación multi-agente- Omitir
wherepara conciencia de contexto global
📚 Para documentación completa de API, ver SERVICE_API.md - incluye patrones de flujo de trabajo proactivo, configuración de pipeline y manejo de actualizaciones en tiempo real.
Aprende continuamente de cada interacción sin comandos explícitos de memoria:
export OPENAI_API_KEY=your_api_key
python examples/example_1_conversation_memory.pyComportamiento Proactivo:
- Extrae automáticamente preferencias de menciones casuales
- Construye modelos de relación a partir de patrones de interacción
- Presenta contexto relevante en conversaciones futuras
- Adapta el estilo de comunicación basándose en preferencias aprendidas
Mejor para: Asistentes personales de IA, soporte al cliente que recuerda, chatbots sociales
Aprende de logs de ejecución y sugiere proactivamente optimizaciones:
export OPENAI_API_KEY=your_api_key
python examples/example_2_skill_extraction.pyComportamiento Proactivo:
- Monitorea acciones y resultados del agente continuamente
- Identifica patrones en éxitos y fracasos
- Auto-genera guías de habilidades a partir de experiencia
- Sugiere proactivamente estrategias para tareas futuras similares
Mejor para: Automatización DevOps, auto-mejora de agentes, captura de conocimiento
Unifica memoria a través de diferentes tipos de entrada para contexto comprehensivo:
export OPENAI_API_KEY=your_api_key
python examples/example_3_multimodal_memory.pyComportamiento Proactivo:
- Referencia cruzada de texto, imágenes y documentos automáticamente
- Construye comprensión unificada a través de modalidades
- Presenta contexto visual cuando se discuten temas relacionados
- Anticipa necesidades de información combinando múltiples fuentes
Mejor para: Sistemas de documentación, plataformas de aprendizaje, asistentes de investigación
MemU alcanza 92.09% de precisión promedio en el benchmark Locomo en todas las tareas de razonamiento, demostrando operaciones confiables de memoria proactiva.
Ver datos experimentales detallados: memU-experiment
| Repositorio | Descripción | Características Proactivas |
|---|---|---|
| memU | Motor principal de memoria proactiva | Pipeline de aprendizaje 7×24, auto-categorización |
| memU-server | Backend con sincronización continua | Actualizaciones de memoria en tiempo real, triggers de webhook |
| memU-ui | Dashboard visual de memoria | Monitoreo de evolución de memoria en vivo |
Enlaces Rápidos:
¡Damos la bienvenida a contribuciones de la comunidad! Ya sea arreglando bugs, agregando características o mejorando documentación, tu ayuda es apreciada.
Para empezar a contribuir a MemU, necesitarás configurar tu entorno de desarrollo:
- Python 3.13+
- uv (gestor de paquetes Python)
- Git
# 1. Fork y clonar el repositorio
git clone https://github.com/YOUR_USERNAME/memU.git
cd memU
# 2. Instalar dependencias de desarrollo
make installEl comando make install hará:
- Crear un entorno virtual usando
uv - Instalar todas las dependencias del proyecto
- Configurar hooks de pre-commit para verificaciones de calidad de código
Antes de enviar tu contribución, asegúrate de que tu código pase todas las verificaciones de calidad:
make checkEl comando make check ejecuta:
- Verificación de archivo lock: Asegura consistencia de
pyproject.toml - Hooks de pre-commit: Lint de código con Ruff, formateo con Black
- Verificación de tipos: Ejecuta
mypypara análisis de tipos estáticos - Análisis de dependencias: Usa
deptrypara encontrar dependencias obsoletas
Para guías detalladas de contribución, estándares de código y prácticas de desarrollo, ver CONTRIBUTING.md.
Tips rápidos:
- Crear una nueva rama para cada característica o corrección de bug
- Escribir mensajes de commit claros
- Agregar tests para nueva funcionalidad
- Actualizar documentación según sea necesario
- Ejecutar
make checkantes de hacer push
- GitHub Issues: Reportar bugs y solicitar características
- Discord: Unirse a la comunidad
- X (Twitter): Seguir @memU_ai
- Contacto: info@nevamind.ai
⭐ ¡Danos una estrella en GitHub para recibir notificaciones de nuevos lanzamientos!