<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Long-Term Memory on SoloSoft</title><link>https://www.solosoft.dev/es/tags/long-term-memory/</link><description>Recent content in Long-Term Memory on SoloSoft</description><generator>Hugo</generator><language>es-es</language><lastBuildDate>Fri, 01 May 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://www.solosoft.dev/es/tags/long-term-memory/index.xml" rel="self" type="application/rss+xml"/><item><title>EverOS: Sistema Operativo de Memoria a Largo Plazo Open-Source para Agentes de IA Autoevolutivos</title><link>https://www.solosoft.dev/es/post/everos-agent-memory-2026/</link><pubDate>Fri, 01 May 2026 00:00:00 +0000</pubDate><guid>https://www.solosoft.dev/es/post/everos-agent-memory-2026/</guid><description>&lt;p&gt;&lt;a href="https://github.com/EverMind-AI/EverOS"&gt;EverOS&lt;/a&gt; es un sistema operativo de memoria a largo plazo open-source para agentes de IA desarrollado por &lt;strong&gt;EverMind&lt;/strong&gt;, el laboratorio de investigacion de IA respaldado por &lt;strong&gt;Shanda Group&lt;/strong&gt;. En una era donde la mayoria de los agentes de IA operan con memoria a corto plazo limitada a la sesion, EverOS introduce una infraestructura de memoria persistente y autoorganizada que permite a los agentes recordar, razonar y evolucionar entre sesiones indefinidamente.&lt;/p&gt;
&lt;p&gt;El proyecto ha obtenido mas de 4,200 estrellas en GitHub y esta respaldado por multiples articulos revisados por pares aceptados en ACL 2026. Su arquitectura de monorepositorio unifica cuatro componentes centrales: &lt;strong&gt;EverCore&lt;/strong&gt; (el SO de memoria autoorganizada), &lt;strong&gt;HyperMem&lt;/strong&gt; (el motor de memoria de hipergrafo), &lt;strong&gt;EverMemBench&lt;/strong&gt; (un marco de evaluacion de memoria de tres capas) y &lt;strong&gt;EvoAgentBench&lt;/strong&gt; (un benchmark de autoevolucion de agentes).&lt;/p&gt;</description></item><item><title>HippoRAG: Memoria a Largo Plazo Neurobiologicamente Inspirada para LLMs (NeurIPS 2024)</title><link>https://www.solosoft.dev/es/post/hipporag-memory-rag-2026/</link><pubDate>Fri, 01 May 2026 00:00:00 +0000</pubDate><guid>https://www.solosoft.dev/es/post/hipporag-memory-rag-2026/</guid><description>&lt;p&gt;La Generacion Aumentada por Recuperacion (RAG) se ha convertido en el enfoque estandar para fundamentar las salidas de LLM en conocimiento externo. Pero la RAG estandar tiene una limitacion fundamental: trata cada consulta de forma independiente, sin memoria de recuperaciones pasadas ni capacidad para conectar informacion entre documentos. &lt;strong&gt;HippoRAG&lt;/strong&gt; se inspira en el hipocampo del cerebro humano para superar esto, creando un sistema de memoria a largo plazo que mejora dramaticamente la respuesta a preguntas multi-salto.&lt;/p&gt;
&lt;p&gt;Publicado en NeurIPS 2024 y disponible en &lt;a href="https://github.com/OSU-NLP-Group/HippoRAG"&gt;github.com/OSU-NLP-Group/HippoRAG&lt;/a&gt;, HippoRAG combina LLMs con grafos de conocimiento en un marco modelado segun la teoria de indexacion hipocampal de la memoria humana. El resultado es un sistema RAG que construye una estructura de conocimiento persistente a partir de documentos, permitiendole responder preguntas complejas que requieren conectar informacion a traves de multiples fuentes, logrando aproximadamente un 20% de mejora sobre la RAG estandar en benchmarks de QA multi-salto.&lt;/p&gt;</description></item><item><title>MemPalace: El Sistema de Memoria de IA de Codigo Abierto Mejor Evaluado</title><link>https://www.solosoft.dev/es/post/mempalace-ai-memory-2026/</link><pubDate>Fri, 01 May 2026 00:00:00 +0000</pubDate><guid>https://www.solosoft.dev/es/post/mempalace-ai-memory-2026/</guid><description>&lt;p&gt;Los agentes de IA luchan con la memoria a largo plazo. Sin ella, cada conversacion comienza desde cero, sin recuerdo de tareas pasadas, preferencias del usuario o proyectos en curso. MemPalace apunta directamente a esta limitacion con un enfoque unicamente ambicioso: una jerarquia espacial modelada segun el antiguo &lt;strong&gt;metodo de loci&lt;/strong&gt;, la misma tecnica mnemotecnica que los oradores romanos usaban para memorizar discursos enteros. El resultado es un sistema de memoria de IA de codigo abierto que logra un &lt;strong&gt;96.6% de recuperacion en LongMemEval&lt;/strong&gt;, la puntuacion mas alta entre los sistemas de codigo abierto en el momento de escribir esto.&lt;/p&gt;</description></item></channel></rss>