Memoryfields: memoria para agentes de IA en Markdown

¿Por qué los sistemas de memoria de agentes fallan en 2026?

Cada vez que un usuario abre una nueva conversación con un agente de IA, el modelo empieza desde cero. El contexto se borra, las preferencias se olvidan, los matices del proyecto se pierden. Y aunque los frameworks de memoria para agentes se han convertido en una de las categorías más activas del ecosistema — según una cobertura de Tech Times de julio de 2026, los proyectos líderes ya suman más de 47.000 estrellas en GitHub solo en el caso de Mem0 — la mayoría adolece de los mismos problemas prácticos.

Cal Paterson, desarrollador y autor del blog calpaterson.com, acaba de publicar una propuesta provocadora: tratar la memoria del agente no como un pipeline complejo, sino como un formato de archivo abierto. La llama Memoryfields y la describe como «un archivo zip con páginas Markdown y, opcionalmente, un índice vectorial SQLite». La idea es simple en la superficie y radical en sus implicaciones: si los agentes ya saben leer prosa y escribir Markdown, ¿por qué interponer un grafo de conocimiento, un motor de extracción y un LLM adicional entre el modelo y sus propios recuerdos?

Memoryfields: memoria como dato, no como proceso

La tesis central del artículo se apoya en una cita de Fred Brooks que Paterson usa como manifiesto: «Show me your flowcharts and conceal your tables, and I shall continue to be mystified. Show me your tables, and I won’t usually need your flowcharts; they’ll be obvious.»

🤖 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

En términos prácticos, un memoryfield es un archivo .zip con esta estructura:

my-memories.memoryfield.zip
├── carbon-fibre-woks.md
├── finnish-bureaucracy-tips.md
├── [... muchas más páginas .md ...]
├── wec-2026-season-notes.md
└── nomic-embed-text-v1.5.sqlite3

Cada página es Markdown con frontmatter YAML opcional (título, fecha de creación/actualización, UUID, resumen) y un índice SQLite opcional para búsqueda semántica. El formato canónico de archivo es un zip, pero la especificación admite任意 transporte: Syncthing, Amazon S3, GitHub, HTTP, o cualquier sistema de archivos. La portabilidad es el punto.

Paterson diagnostica tres familias de sistemas actuales que, en su lectura, no funcionan bien: los que te atan a un harness específico (y extraen memorias casi siempre sobre ti, no sobre el mundo); los que necesitan pgvector, Neo4j y un LLM propio sólo para decidir qué recordar; y los «altamente modernistas», que destilan hechos en grafos de conocimiento hasta dejarlos sin contexto y, por tanto, inútiles para el agente.

Las 4 decisiones de diseño detrás de Memoryfields

1. Prosa, no chunks ni «hechos destilados». Los pipelines RAG son complicados porque intentan hacer legible para el agente un archivo de documentos heredados. Las memorias del agente no tienen ese problema: el modelo las escribe directamente en su formato favorito (Markdown), así que no hay que fragmentar, re-enriquecer ni re-resumir. El límite blando por página es ~8 KB o unas 2.000 tokens (cerca de 1.300 palabras, el largo típico de un artículo de revista), una restricción que, según Paterson, tiene sentido imponer aunque no existiera el embedding.

2. Salto semántico, no recorrido de grafo. Inspirado en los Karpathy wikis (repositorios de Markdown hipervinculado al estilo Obsidian/Roam), el autor reconoce el precedente pero señala su punto débil: recorrer un grafo de conocimiento requiere N+1 llamadas de herramientas secuenciales para información a profundidad N, cada una de 2-3 segundos. Un memoryfield hace una búsqueda semántica y luego lee todas las páginas relevantes en paralelo, totalizando como mucho 2 llamadas. El resultado: menos latencia, menos tokens irrelevantes en la ventana de contexto y menos «fijaciones» raras del modelo en información lateral.

3. Más modelo, menos mecanismo. Los sistemas con mucha maquinaria (APIs, bases de datos especializadas, schemas rígidos) cargan un laberinto de interfaz en el contexto del agente. Memoryfields es «low mechanism»: es un formato de archivo. El agente puede usar Perl para buscar y reemplazar en todo el corpus, incrustar CSVs dentro de memorias y consultarlos con SQLite, o inventar el patrón de acceso que quiera. Esta flexibilidad escala con el frontier del modelo: a medida que los LLMs mejoran, descubren formas más inteligentes de usar los mismos archivos.

4. Formato abierto, intercambiable, invariante al transporte. Paterson publica una especificación tipo RFC, sin atar la memoria a un harness, un modelo o un proveedor de embeddings. El zip puede firmarse con sha256sum para revisión manual antes de cargar memorias de terceros, mitigando el clásico problema de «ignora las instrucciones anteriores y…».

El contexto importa: Karpathy wikis, OKF de Google y el resto del ecosistema

La propuesta no llega en el vacío. En los últimos meses, la idea de representar conocimiento para agentes como archivos Markdown se ha consolidado como un patrón.

Google Cloud presentó en 2026 el Open Knowledge Format (OKF), una especificación abierta que formaliza exactamente el patrón «LLM Wiki» popularizado por Andrej Karpathy: un directorio de archivos Markdown, cada uno describiendo un concepto, con frontmatter YAML y enlaces cruzados que forman un grafo de conocimiento navegable. Según la cobertura de heise online, OKF ya está integrado en Knowledge Catalog de Google y se distribuye con implementaciones de referencia (un agente de enriquecimiento para BigQuery, un visor HTML estático que renderiza el repositorio como grafo interactivo). Google lo describe explícitamente como «un formato, no una plataforma» — el mismo espíritu que Memoryfields.

En el lado más «pipeline pesado» del espectro, Huawei lanzó el 1 de julio de 2026 su framework JiuwenMemory dentro de la comunidad openJiuwen, con una arquitectura de cuatro capas (L0 a L3) y un ciclo asíncrono llamado AutoDreaming que consolida memorias en segundo plano. Según Tech Times, el proyecto reporta un 15% de mejora sobre la memoria nativa de OpenClaw en el benchmark LoCoMo, aunque la cifra es del propio proveedor y no se ha verificado independientemente.

El Agent Memory Leaderboard (AML), presentado en agosto de 2026, coronó a MemoraX AI en el primer puesto de la categoría comercial con una puntuación global de 58.02, por delante de Mem0, Vectorize y Supermemory, además de APIs de Tencent y NetEase, según un comunicado reproducido por Yahoo Finance.

Y en el terreno de los marcos abiertos con grafo de conocimiento, InfoWorld destaca que Zep / Graphiti prioriza el razonamiento temporal (los hechos llevan timestamp y ventana de validez), mientras que Mem0 apuesta por una API universal vectorial con más de 47.000 estrellas en GitHub, Letta se orienta a agentes stateful de larga duración y Supermemory ofrece un binario único sin base de datos externa, ideal para experimentar rápido. Hindsight, por su parte, expone tres interfaces programáticas (retain, recall, reflect) y se integra con extensiones como Continue en VS Code.

En ese mapa, Memoryfields ocupa una esquina poco poblada: cero infraestructura obligatoria, formato legible por humanos, portable entre transportes y modelos, y deliberadamente «aburrido» en su superficie.

¿Qué significa esto para tu startup?

La pregunta práctica para un founder no es «qué framework de memoria tiene mejor benchmark», sino qué pasa con el conocimiento que tu agente ya acumuló si cambias de proveedor, de modelo o de harness. La respuesta, hoy, suele ser: lo pierdes, o queda atrapado en una base de datos propietaria.

Acciones concretas que podés implementar esta semana:

Audita tus memorias actuales. Si tu agente usa Mem0, Zep o cualquier framework similar, exporta un dump de ejemplo y mirá qué se está guardando. La crítica de Paterson — «la mayoría extrae información sobre ti, no sobre el mundo» — se valida revisando unos cuantos registros.
Prueba Memoryfields en un proyecto no crítico. Paterson publica una memoria de demostración llamada soapstones.memoryfield.zip con contenidos de alto valor (cómo buscar en Reddit como agente, cómo usar Jina Reader, cómo consumir la API de MediaWiki). Instalarla lleva tres comandos: ollama pull nomic-embed-text, uv tool install git+https://github.com/calpaterson/memoryfield-tool, y npx skills add calpaterson/memoryfield-skill -g -y.
Distingue «memoria» de «RAG sobre documentación». Si tu agente necesita recordar preferencias, decisiones y errores pasados, una pila tipo Memoryfields o Karpathy wiki suele ser más útil (y barata) que un pipeline RAG clásico. Si lo que necesita es buscar en una base de conocimiento enorme y desordenada, ahí sí conviene Mem0, Graphiti o un sistema con extracción y re-ranking.
Sigue de cerca el estándar OKF de Google. Aunque OKF y Memoryfields no son el mismo formato, comparten filosofía: tratar el conocimiento del agente como archivos, no como filas en una base de datos ajena. Si diseñas tu arquitectura hoy, alinearla con esa dirección te deja margen para migrar sin reescribirlo todo.

La lección de fondo, más allá de la propuesta concreta, es incómoda para el ecosistema: llevamos años construyendo pipelines cada vez más pesados para resolver un problema que, visto de cerca, se parece mucho a «el agente debería poder leer y escribir archivos».