Tabla de contenidos
El benchmark lo deja claro: un agente con memoria persistente reduce la latencia p95 un 91% y recorta el coste de tokens un 90% frente al context stuffing (meter toda la historia en el prompt y rezar para que el modelo no se pierda). Ese dato viene de los propios benchmarks de Mem0, y lo cita también Atlan en su análisis de benchmarks de memoria. A nivel empresarial, eso no es solo una métrica técnica bonita: es la diferencia entre un agente que cuesta dinero cada vez que atiende a un cliente y uno que se vuelve más eficiente con el uso.
El problema no es convencerte de que la memoria importa. El problema es que hay cinco maneras distintas de implementarla (Mem0, LangMem, Letta, Zep, file-based) y cada una encaja en un contexto diferente. Este post no es un tutorial de instalación de Docker. Es la guía comparativa que te permite elegir con criterio, con la perspectiva de qué recomienda Baigency a sus clientes según equipo técnico y presupuesto.
Por qué necesitas un framework de memoria
Construir tu propio sistema de memoria persistente desde cero parece tentador cuando empiezas. Guardas un JSON con el historial de conversaciones, lo lees al inicio de cada sesión, y listo. En dos días tienes algo que funciona. El problema aparece en la semana tres, cuando ese JSON tiene 40.000 tokens de historial y el modelo empieza a ignorar la información más antigua porque el context window se llena antes de llegar a ella.
Los agentes de IA para empresas que se despliegan en producción enfrentan tres problemas que el JSON casero no resuelve: (1) la recuperación relevante: no puedes meter toda la memoria en cada prompt, necesitas recuperar solo lo pertinente para la consulta actual; (2) la actualización inteligente: cuando un usuario corrige un dato, el sistema tiene que invalidar la información antigua, no acumularla; (3) la escalabilidad: con cien usuarios simultáneos, la gestión manual de ficheros de memoria se convierte en un cuello de botella.
Los frameworks de memoria resuelven estos tres problemas con arquitecturas probadas. Trabajan sobre los tipos de memoria semántica y episódica que definen cómo un agente almacena conocimiento factual frente a historial de interacciones, y añaden la capa de recuperación vectorial, grafos de conocimiento o persistencia en ficheros que el código casero tarda semanas en replicar sin garantías.
Mem0: la capa open-source más adoptada
Mem0 es el framework de memoria para agentes de IA con mayor tracción en la comunidad open-source: más de 40.000 estrellas en GitHub y crecimiento sostenido desde su lanzamiento. Su arquitectura es una capa de abstracción que se sienta entre el LLM y el almacenamiento, extrayendo automáticamente entidades y hechos relevantes de cada conversación y almacenándolos en un vector store.
Lo que diferencia a Mem0 de un simple wrapper de embeddings es su motor de actualización: cuando el usuario dice «ya no trabajo en Metlabs, ahora estoy en Baigency», Mem0 detecta el conflicto con la memoria existente y la actualiza en lugar de duplicarla. Eso es lo que genera los benchmarks citados arriba (menos tokens porque solo recuperas lo relevante, no todo el historial; menos latencia porque las búsquedas vectoriales son más rápidas que cargar contexto masivo).
Mem0 tiene integración nativa con LangChain, OpenAI, Anthropic y la mayoría de LLM providers populares, según su documentación oficial. Ofrece dos modos: open-source autoalojado (con cualquier vector DB compatible) y un tier managed en la nube con API. Para equipos sin infraestructura propia, el tier managed elimina la gestión del vector store. Para equipos con DevOps, la versión open-source permite control total sobre dónde viven los datos.
El caso de uso estrella de Mem0 son los agentes de atención al cliente y ventas que necesitan recordar preferencias, historial de compras y contexto de conversaciones previas sin que cada sesión empiece de cero. Si tu agente atiende al mismo usuario más de tres veces al mes, Mem0 empieza a amortizarse con rapidez.
LangMem: el enfoque nativo de LangGraph
LangMem es la respuesta del equipo de LangChain al problema de la memoria persistente, diseñada para integrarse de manera nativa con LangGraph. Si ya tienes tu arquitectura de agente construida sobre LangGraph (lo que es frecuente en equipos que empezaron a desarrollar agentes en 2024), LangMem es la opción con menor fricción de integración: usa el mismo modelo de estado de LangGraph y extiende el grafo de ejecución con nodos de memoria sin añadir dependencias externas.
La diferencia conceptual respecto a Mem0 es dónde vive la lógica de memoria. En Mem0, la memoria es una capa externa al agente que intercepta conversaciones y las indexa. En LangMem, la memoria es parte del grafo de estado del agente: cada nodo puede leer y escribir en la tienda de memoria de forma explícita, lo que da más control pero requiere más código de orquestación. Para equipos que valoran la trazabilidad y el control fino del flujo del agente, LangMem es más cómodo. Para equipos que quieren una solución drop-in que funcione con cualquier arquitectura, Mem0 es más pragmático.
El coste de LangMem en producción depende del LLM subyacente y del vector store elegido. No tiene tier managed propio: todo se autoaloja, lo que implica que el equipo técnico gestiona la infraestructura. La documentación oficial de LangMem cubre los patrones de integración con LangGraph y los distintos backends de almacenamiento disponibles. Es la opción preferida cuando el stack ya es LangChain/LangGraph y se quiere evitar introducir una nueva dependencia externa.
Letta (ex MemGPT): memoria como agente autónomo
Letta (anteriormente conocido como MemGPT) viene de un paper de investigación de UC Berkeley y plantea un enfoque arquitectónicamente diferente al resto: la memoria no es una capa de servicio externa, sino que el propio agente gestiona su memoria como parte de su loop de razonamiento. El agente puede decidir cuándo archivar información a memoria a largo plazo, cuándo recuperarla y cuándo actualizarla, todo mediante llamadas a herramientas (function calls) que el mismo modelo ejecuta.
Esto convierte a Letta en el framework más autónomo de los comparados, pero también el más complejo de operar. El agente «piensa» sobre su propia memoria, lo que puede generar loops de introspección costosos en tokens si no se diseña con cuidado. La documentación oficial de Letta describe esta arquitectura como «stateful agents» (agentes que persisten su estado entre conversaciones sin intervención externa).
La conexión con el Model Context Protocol es relevante aquí: Letta puede exponer sus herramientas de memoria como endpoints MCP, lo que permite que otros agentes o clientes MCP accedan a la memoria persistente de un agente Letta sin acoplamiento directo. Es una combinación potente para arquitecturas multi-agente donde varios agentes comparten memoria.
Para PYMEs, Letta es raramente la primera elección: la curva de aprendizaje es alta y el coste operativo también. Encaja cuando el caso de uso requiere que el agente tenga criterio propio sobre qué recordar (agentes de investigación, asistentes de conocimiento organizacional) y cuando el equipo técnico tiene experiencia previa con arquitecturas de agentes complejas.
Zep: memoria con grafo de conocimiento
Zep parte de una premisa diferente: la memoria más útil en producción no es solo «lo que el usuario dijo antes», sino las relaciones entre entidades (personas, empresas, productos, eventos) que emergen de esas conversaciones. Para implementar eso, Zep utiliza un grafo de conocimiento (knowledge graph) que conecta las entidades extraídas de las conversaciones y permite queries relacionales sobre la memoria, no solo búsqueda vectorial por similaridad.
La diferencia práctica se nota en casos como: un agente de ventas que necesita saber «¿qué empresas del sector industrial ha contactado este comercial en los últimos 30 días y cuál fue el resultado?» Una búsqueda vectorial por similaridad no responde bien esa pregunta; un grafo de conocimiento con relaciones temporales y de entidad sí.
Zep tiene versión open-source y tier managed (Zep Cloud). La documentación de Zep detalla la arquitectura del grafo de conocimiento y los SDKs disponibles para Python y TypeScript. El tier managed incluye soporte técnico y la gestión del grafo, lo que lo hace viable para empresas que necesitan producción robusta sin un equipo de datos dedicado. El coste del tier managed es más elevado que Mem0 Cloud, pero se justifica cuando los casos de uso requieren queries relacionales sobre la memoria. Para agentes de atención al cliente o soporte técnico donde las queries son mayoritariamente «¿qué recordamos de este usuario?», Mem0 suele ser suficiente y más barato.
File-based memory: sin dependencias para empezar
La memoria basada en ficheros no es un framework: es el patrón más simple de memoria persistente y también el más frecuentemente subestimado. Consiste en que el agente lee y escribe ficheros de texto (Markdown, JSON, YAML) que persisten entre sesiones. Un fichero MEMORY.md que el agente actualiza al final de cada conversación, un USER.md con el perfil del usuario, un CONTEXT.md con el estado actual del proyecto.
El equipo de Anthropic Engineering describe este patrón de «structured note-taking» como una forma efectiva de gestionar contexto en agentes que trabajan sobre proyectos de larga duración. La ventaja es obvia: cero dependencias, cero coste de infraestructura, depuración trivial (abres el fichero y ves qué sabe el agente). La limitación también es obvia: no escala. Con diez usuarios concurrentes empiezas a necesitar gestión de concurrencia; con cien usuarios, necesitas algo más robusto.
Para proyectos de una sola empresa con pocos usuarios internos (el agente de un despacho de abogados que trabaja con cinco usuarios simultáneos, o el asistente interno de operaciones de una gestoría mediana), la memoria del agente con ficheros es una solución completamente válida en producción. Baigency la recomienda como punto de partida para clientes que quieren validar el valor de la memoria persistente antes de invertir en infraestructura vectorial. Si el agente demuestra su valor con ficheros, migrar a Mem0 o Zep en una segunda fase es un trabajo de días, no de semanas.
Cómo elegir: tabla comparativa y recomendación por perfil
La elección del framework depende de tres variables: el nivel técnico del equipo, el presupuesto de infraestructura y la complejidad del caso de uso. No hay un framework universalmente superior. Hay frameworks que encajan mejor en perfiles concretos.
| Framework | Tipo | Coste infra | Curva de aprendizaje | Cuándo usarlo | Perfil recomendado |
|---|---|---|---|---|---|
| Mem0 | Open source + managed | Bajo (managed) / Medio (self-hosted) | Baja | Agentes de atención al cliente, ventas, soporte con historial de usuario | PYME sin DevOps propio; equipos que quieren solución drop-in |
| LangMem | Open source (LangChain ecosystem) | Medio (self-hosted, sin managed) | Media (requiere LangGraph) | Agentes ya construidos sobre LangGraph que necesitan memoria sin añadir dependencias | Equipo técnico con stack LangChain/LangGraph existente |
| Letta | Open source + managed (Letta Cloud) | Alto (self-hosted) / Medio-alto (managed) | Alta | Agentes de investigación, asistentes de conocimiento organizacional, multi-agente con memoria compartida | Equipo con experiencia en arquitecturas de agentes; casos de uso complejos |
| Zep | Open source + managed (Zep Cloud) | Medio-alto | Media | Agentes que necesitan queries relacionales sobre entidades (ventas B2B, CRM, gestión de cuentas) | Equipos que necesitan «¿qué relaciones hay entre estas entidades?» más que «¿qué dijo este usuario?» |
| File-based | Sin framework (patrón nativo) | Nulo | Muy baja | Proyectos internos con pocos usuarios, validación de concepto, agentes de un solo tenant | Equipos sin infraestructura cloud; clientes que quieren empezar rápido y validar antes de escalar |
La recomendación de Baigency según perfil de cliente
Para una PYME española que está desplegando su primer agente de IA en producción y no tiene equipo de DevOps dedicado, la recomendación de Baigency es empezar con file-based memory si el número de usuarios es inferior a diez, o con el tier managed de Mem0 si se anticipa escala desde el inicio. El tier managed de Mem0 elimina la gestión del vector store y la latencia de puesta en marcha es de horas, no de semanas. El coste es proporcional al uso y predecible.
Para clientes con equipo técnico propio que ya tienen infraestructura cloud y están construyendo sobre LangChain, LangMem es la integración más limpia. Para casos de uso que requieren rastrear relaciones entre entidades (un agente de ventas que trabaja con un CRM complejo, por ejemplo), Zep con su grafo de conocimiento aporta un valor diferencial que Mem0 no puede igualar con búsqueda vectorial pura.
Letta queda reservado para arquitecturas multi-agente complejas donde la memoria compartida entre agentes es un requisito de diseño, no un añadido posterior. Es el framework más potente, pero también el que más requiere que el equipo entienda bien la arquitectura antes de empezar a construir.
Si tienes dudas sobre qué framework encaja mejor en tu caso concreto, en Baigency hacemos ese análisis como parte de la consultoría inicial. El objetivo es que la decisión de arquitectura de memoria sea correcta desde el principio, no un refactor costoso en seis meses.
Preguntas frecuentes
¿Qué es Mem0?
Mem0 es una librería open-source de memoria persistente para agentes de IA. Actúa como una capa de abstracción entre el LLM y el almacenamiento: extrae automáticamente entidades y hechos relevantes de cada conversación, los almacena en un vector store y los recupera de forma eficiente cuando son pertinentes para la siguiente interacción. Tiene más de 40.000 estrellas en GitHub, integración nativa con LangChain, OpenAI y Anthropic, y ofrece tanto versión open-source autoalojada como un tier managed en la nube. Su benchmark más citado es la reducción del 91% en latencia p95 y el 90% en coste de tokens frente al context stuffing.
¿Mem0 es gratis?
La versión open-source de Mem0 es completamente gratuita y puedes autoalojarla en tu propia infraestructura con cualquier vector store compatible (Qdrant, Pinecone, Weaviate, entre otros). El coste en este caso es el de la infraestructura cloud que uses para alojarla. Mem0 también ofrece un tier managed (Mem0 Cloud) con API que tiene una capa gratuita para desarrollo y pruebas, y planes de pago por uso para producción. Para una PYME que quiere evitar gestionar infraestructura vectorial, el tier managed suele ser la opción más práctica desde el inicio.
¿Mem0 vs LangMem: cuál elijo?
Depende de tu stack actual. Si ya estás construyendo con LangChain y LangGraph, LangMem es la integración más limpia porque usa el mismo modelo de estado de LangGraph y no añade dependencias externas. Si tu agente no está en el ecosistema LangChain (o si quieres una solución drop-in que funcione con OpenAI, Anthropic u otro provider sin reescribir tu arquitectura), Mem0 es más pragmático. LangMem da más control fino sobre cuándo y cómo el agente accede a la memoria; Mem0 automatiza más ese proceso. Para equipos sin experiencia previa en LangGraph, Mem0 tiene una curva de aprendizaje menor.
¿Qué es Letta (MemGPT)?
Letta, anteriormente conocido como MemGPT, es un framework de agentes stateful donde la memoria persistente es parte del loop de razonamiento del propio agente. A diferencia de Mem0 o LangMem (donde la memoria es una capa de servicio externa que el agente consulta), en Letta el agente decide autónomamente cuándo archivar información, cuándo recuperarla y cuándo actualizarla mediante function calls. Surgió de un paper de investigación de UC Berkeley y es el framework más autónomo de los comparados en este artículo. Su complejidad es mayor y se justifica en casos de uso avanzados como agentes de investigación o arquitecturas multi-agente con memoria compartida.
¿Necesito un framework de memoria o me vale file-based?
Si tu agente tiene menos de diez usuarios simultáneos y trabaja en un contexto de tenant único (el asistente interno de una empresa, el agente de un equipo pequeño), la memoria basada en ficheros es completamente válida en producción. Cero infraestructura, depuración trivial, coste nulo. Empieza ahí. Si el agente escala a más usuarios, necesita recuperación por similaridad semántica o tiene que gestionar conflictos en la memoria de múltiples usuarios, entonces un framework como Mem0 o Zep aporta valor real. La migración de file-based a Mem0 es un trabajo de pocos días; no es un refactor crítico. Empieza simple y escala cuando el problema lo justifique.
¿Qué framework de memoria recomienda Baigency para una PYME?
Para la mayoría de PYMEs españolas que están desplegando su primer agente en producción, la recomendación de Baigency es: file-based para validar el concepto con pocos usuarios; Mem0 Cloud (tier managed) como primer framework real cuando se anticipa escala o múltiples usuarios. Mem0 managed elimina la gestión de infraestructura vectorial y tiene una API limpia que no requiere conocimientos de bases de datos vectoriales para ponerse en marcha. Para casos más complejos (relaciones entre entidades en un CRM, agentes multi-tenant con queries relacionales), evaluamos Zep. Letta y LangMem quedan para clientes con equipo técnico propio y casos de uso específicos donde su arquitectura aporta un valor diferencial claro.
El siguiente paso
Elegir el framework de memoria correcto es la primera decisión de arquitectura que determina si tu agente de IA va a escalar o va a ser un prototipo que muere en seis meses. La buena noticia: el camino más corto no es el más arriesgado. Empieza con file-based, mide si la memoria añade valor real al flujo de trabajo, y migra a Mem0 o Zep cuando el problema lo justifique. Esa secuencia (validar antes de invertir en infraestructura) es la que Baigency aplica con sus clientes y la que reduce el riesgo de una implementación equivocada.
Si quieres acelerar esa decisión con alguien que ya ha pasado por este proceso, los agentes de IA para empresas que construimos en Baigency incluyen la capa de memoria como parte del diseño de arquitectura inicial, no como un añadido posterior. El resultado es un agente que aprende de cada interacción desde el primer día, sin deuda técnica de memoria en el futuro.
