Preguntas frecuentes

Fundamentos

Preguntas básicas

¿Qué relación hay entre MemX y mem0?

MemX es la versión mejorada (superconjunto) de mem0, que añade la capa de gestión inteligente de memoria ACE. Con ace_enabled=False, su comportamiento es idéntico al de mem0 y sin sobrecarga.

¿Se necesita GPU?

No. El modelo de embeddings local all-MiniLM-L6-v2 se ejecuta en la CPU mediante ONNX Runtime (< 5ms/entrada); el prefiltrado por reglas del Reflector no depende de la GPU, y el refinamiento con LLM del modo hybrid se realiza a través de una API remota.

¿Genera un consumo adicional de tokens de LLM?

El modo hybrid predeterminado solo invoca al LLM para los candidatos con valor, lo que reduce las llamadas en más del 90 % respecto al uso total de mem0; cuando el LLM no está disponible, degrada automáticamente a reglas puras, con coste cero. Para desactivarlo explícitamente, configura reflector.mode="rules".

¿Qué bases de datos vectoriales son compatibles?

Hereda todas las de mem0 (Qdrant, Chroma, Pinecone, Weaviate, Milvus, etc.); el almacenamiento en memoria predeterminado es adecuado para desarrollo y pruebas.

Uso

Preguntas de uso

¿Cómo migrar desde mem0?

1. pip install git+https://github.com/UU114/memx.git

2. Cambia from mem0 import Memory por from memx import Memory

3. El código existente no requiere modificaciones (ACE está desactivado por defecto).

4. Cuando estés listo, añade config={"ace_enabled": True} para habilitar las funciones inteligentes.

¿Dónde se almacenan los datos?

Depende del backend de base de datos vectorial configurado; por defecto se usa la memoria (se pierde al reiniciar). Para producción se recomienda la persistencia con Qdrant/Chroma. El modelo de embeddings local se almacena en caché en ~/.memx/models/.

¿Cómo se controla la velocidad de decaimiento?

Parámetro	Efecto
decay.half_life_days	Aumentar → decaimiento más lento (predeterminado: 30 días)
decay.boost_factor	Aumentar → refuerzo de recuperación más marcado (predeterminado: 0,1)
decay.permanent_threshold	Reducir → más fácil convertirse en memoria permanente (predeterminado: 15 veces)

¿Cómo se gestiona el conocimiento mal identificado?

1. memx list --scope project:my-app — consultar

2. memx forget <memory-id> — eliminar

3. memx learn "correct knowledge" — añadir manualmente

¿Cómo compartir memoria entre varias personas o varios agentes?

Habilita el modo demonio; varios agentes comparten la misma base de conocimiento a través de un socket IPC (complementos de IDE, colaboración en equipo), y se usa scope para distinguir proyectos/espacios de trabajo.

Privacidad

Preguntas de privacidad

El filtrado no se puede desactivar

Las 12 reglas integradas de filtrado de información sensible son una línea de seguridad que no se puede desactivar; solo es posible añadir reglas adicionales mediante privacy_custom_patterns.

¿Qué tipos de información sensible se filtran?

Tipo	Ejemplo
Clave privada PEM	-----BEGIN RSA PRIVATE KEY-----
Token Bearer / JWT	Bearer eyJhbG...
Clave de API de Anthropic	sk-ant-api03-*
Clave de API de OpenAI	sk-proj-*
Token de GitHub	ghp_*, github_pat_*
Clave de acceso de AWS	AKIA*
Clave secreta de AWS	base64 de 40 caracteres
Cadena de conexión de base de datos	postgres://user:pass@host/db
Ruta del sistema operativo	/home/user/.ssh/id_rsa
Regla personalizada	Se añade mediante privacy_custom_patterns

INFO

Estas 12 reglas se centran en información sensible del tipo claves y rutas locales (secrets + user paths), y no en la PII en el sentido tradicional (correo electrónico / teléfono / documento de identidad, etc.). Si necesitas filtrar PII, amplíalo por tu cuenta mediante privacy_custom_patterns.

¿Adónde van los valores originales tras el filtrado?

Se reemplazan por un marcador de posición (como [REDACTED:api_key]), y el valor original no se almacena en ningún lugar. El filtrado se ejecuta al inicio del flujo de escritura.

Rendimiento

Preguntas de rendimiento

¿Cuántas memorias se pueden almacenar?

Depende de la capacidad del backend de base de datos vectorial; MemX en sí no tiene un límite rígido. El motor de decaimiento archiva automáticamente para mantener un tamaño activo razonable.

¿RecallReinforcer afecta al rendimiento de búsqueda?

No. Es un hilo en segundo plano asíncrono que solo actualiza recall_count después de devolver los resultados, sin bloquear la búsqueda.

¿Cuál es la latencia de recuperación? (< 10.000 memorias)

Operación	Latencia
Búsqueda híbrida de cuatro capas	10-50ms
Búsqueda por palabras clave pura (degradación L4)	5-20ms
Cálculo de embeddings local	< 5ms
Escritura (incluye Reflector + Curator)	20-100ms

Próximos pasos

Próximos pasos

Inicio rápido — Prueba las funciones principales en 5 minutosConceptos clave — Profundiza en el motor ACEDiseño de la arquitectura — Arquitectura completa del sistema