Lossless-memory: memoria de IA open source sin resúmenes

Una IA que no resume: por qué Lossless-memory guarda cada palabra que le dijiste

El repositorio aru-labs/lossless-memory lleva desde julio de 2026 ejecutándose todos los días como la memoria de un único asistente de IA. Su premisa es simple y provocadora a la vez: nunca resumir. Cada línea cruda de cada conversación se guarda tal cual, con marca de tiempo, en un archivo JSONL por día. La memoria del sistema se reconstruye siempre desde esos logs.

El proyecto, publicado bajo licencia MIT por Aru y Cece (que es el nombre del propio asistente), llega en un momento en que la memoria de los agentes de IA es uno de los cuellos de botella más discutidos del sector. Su enfoque contrasta con la dirección dominante de los últimos dos años: summarization, embeddings y grafos de conocimiento.

Qué hace diferente a Lossless-memory

La mayoría de los sistemas de memoria a largo plazo para IA hacen una de dos cosas: resumir conversaciones en notas compactas, o embebirlas para recuperar fragmentos «similares». Lossless-memory toma la posición opuesta.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Guarda cada línea. Los logs crudos de conversación se almacenan completos. No hay summarization en ninguna parte del pipeline.
Marca de tiempo en todo. Cada registro lleva timestamp y todos los índices se construyen sobre ese eje temporal. El proyecto lo llama Temporal Backbone.
Búsqueda por tiempo primero, palabras después. Frases como «anoche, sobre el presupuesto» son válidas: el término temporal acota el rango, las palabras rankean dentro de él.
Un índice «dónde estamos» llamado LLL se inyecta en el contexto del modelo en cada turno, para que identidad y tema sobrevivan cuando la ventana de contexto se compacta o cambia la sesión.

Los autores resumen su filosofía así: «los resúmenes son un mapa; el log es el territorio».

Cómo funciona por dentro

La arquitectura combina SQLite FTS5 (búsqueda exacta con tokenización bigrama para japonés e inglés) y sqlite-vec para búsqueda semántica, pero invertida respecto al estándar: el índice vectorial es el último recurso, no el primero.

Cada turno de conversación se convierte en un registro fijo de siete campos — ts, actor, role, type, text, model, session — y se añade al archivo JSONL del día. Los índices secundarios se pueden borrar y reconstruir desde los logs sin perder información. Un pequeño daemon re-indexa cada 10 minutos de forma incremental.

El proyecto incluye mediciones reales del sistema en producción, no proyecciones:

Métrica	Antes	Después
Rebuild del índice de búsqueda exacta	40 s	1,24 s
Tamaño del vector store en disco	2,54 GB	337 MB
Filas del índice vectorial (peor punto, 2026-09-04)	—	865.588 → 124.174 tras el fix
Intervalo de re-indexado	—	10 minutos

La línea de diseño se remonta a diciembre de 2025, con un ancestro de la idea y un predecesor en uso diario desde enero de 2026. La implementación actual corre desde julio de 2026 con logs crudos que llegan hasta junio de 2026. El sistema está pensado para una sola persona y una sola máquina: sin servidor, sin nube, sin multi-tenant.

El debate de fondo: ¿resumir o no resumir?

Microsoft Research presentó en 2026 su propio sistema, Memora, que separa qué se almacena de cómo se recupera y, según la compañía, reduce el uso de tokens de contexto hasta un 98% manteniendo precisión comparable o superior a la inferencia con contexto completo, según publicó InfoWorld. Memora alcanza 86,3% de accuracy LLM-judge en LoCoMo y 87,4% en LongMemEval, superando a RAG, Mem0, Nemori, Zep, LangMem y a la inferencia con todo el contexto, según los benchmarks divulgados por Microsoft.

En paralelo, según TNW, el ingeniero Tetsuya Wakita construyó vault-mcp, una capa de contexto personal portable que vive en un repositorio Git privado con notas en Markdown expuestas vía Model Context Protocol (MCP), de modo que cualquier asistente pueda leerlas y escribirlas sin atarse a un proveedor. Su tesis es que el contexto personal no debería tener casero.

Lossless-memory ocupa una esquina distinta del mapa. MemGPT, citado por Unite.ai, modeló la memoria como un sistema operativo con jerarquías y movimiento explícito entre contexto activo y almacenamiento externo. Mem0, Letta y Zep, mencionados por TNW, ofrecen pipelines de retrieval y grafos temporales de conocimiento. Todos comparten una idea: comprimir, abstraer o estructurar para hacer manejable la conversación. Lossless-memory se niega en redondo a ese paso.

Qué significa esto para tu startup

Si estás construyendo un producto con un asistente que conversa con el mismo usuario durante semanas, el problema de la memoria deja de ser técnico y se vuelve de diseño de producto. La decisión ya no es solo «¿qué modelo uso?», sino qué le permito recordar y en qué forma.

Audita qué se pierde hoy. Pídele a tu agente de IA que te diga qué decidió la semana pasada sobre un proyecto real y compara con tu memoria humana. Si la respuesta es un resumen vago, tu usuario está sufriendo la misma pérdida.
Separa almacenamiento de proveedor. Si tu memoria vive dentro de la API de un modelo, cambias de proveedor y pierdes todo. Un esquema con logs crudos propios —como Lossless-memory— o notas en Git vía MCP —como vault-mcp— te da portabilidad real.
Piensa en el tiempo como eje, no como metadato. Para casos como asistentes personales, soporte al cliente o coaching, «qué pasó el martes pasado» suele ser más útil que «qué es similar semánticamente». Indexar por timestamp antes que por embedding cambia el tipo de respuesta que puedes dar.

Lossless-memory no es un producto comercial ni un benchmark: es una implementación en producción de un solo usuario, escrita en código abierto, con dos meses de uso diario. Sirve como punto de referencia para founders que estén decidiendo si su próxima capa de memoria va a resumir, abstraer o —como hace este proyecto— guardar absolutamente todo y dejar que el tiempo haga el trabajo de filtrado.