Memoria persistente para agentes de IA: cómo la resuelvo con Engram
Los AI coding agents olvidan todo entre sesiones. Cómo resuelvo ese problema con Engram y qué tiene que ver con el motor de RAG que construí en producción para un chat con IA.
Un problema que ya conocía antes de tener el problema
Cada sesión nueva con un AI coding agent arranca en blanco. No recuerda el bug que corregiste ayer, la decisión de arquitectura que tomaron hace dos semanas, ni el patrón que encontraron para acelerar una query. El resultado es previsible: repetís trabajo que ya estaba resuelto.
Me sonó familiar apenas lo vi. En nojau lideré la construcción de un motor de contexto dinámico para nuestro chat con IA — recuperación semántica sobre datos propios, RAG sobre nuestra propia base de datos, y una tabla virtual para full-text search en MySQL. El problema de fondo es el mismo en los dos casos: un modelo que razona bien pero no retiene nada necesita un sistema externo que decida qué es relevante y se lo entregue en el momento justo. Ahí es donde entra Engram.
Qué es Engram
Engram es un sistema de memoria persistente para agentes de IA: un binary y una SQLite, sin dependencias externas. Le das a tu agente un lugar donde guardar lo importante y una forma de recuperarlo cuando hace falta.
Cómo funciona en la práctica
- Terminás una tarea significativa
- Guardás un resumen — qué hiciste y por qué
- En la próxima sesión, el agente busca en memoria y arranca con contexto
- En vez de empezar de cero, continúa donde quedó
Por qué me sirve
Trabajando solo:
- Proyectos largos donde el contexto se pierde entre sesiones
- Decisiones de arquitectura que no quiero volver a discutir conmigo mismo dos semanas después
- Bugs ya resueltos que no quiero volver a pisar
En equipo:
- Contexto compartido entre desarrolladores que usan agentes distintos
- Todos arrancan con el mismo nivel de información
- Menos retrabajo, más avance real
Por qué no es “otra herramienta más”
| Engram | Otras opciones | |
|---|---|---|
| Instalación | Un binary, sin dependencias | Múltiples procesos, Node, Python, DBs |
| Agente | Cualquiera (Claude, OpenCode, Cursor…) | Generalmente atado a uno |
| Búsqueda | SQLite integrado | ChromaDB u otro vector store externo |
| Configuración | Minutos | Variable |
La diferencia real está en quién decide qué vale la pena recordar. Otras herramientas te dan todo en crudo y te hacen pagar cómputo por comprimirlo con IA para que sirva de algo. Engram invierte esa decisión: vos elegís qué guardar, porque sos vos quien tiene el contexto completo de lo que pasó.
Es el mismo criterio que aplico diseñando el contexto de un chat en producción: no le tirás todo el historial al modelo, seleccionás lo que importa antes de que llegue al prompt. La memoria barata no es la que guarda más — es la que sabe qué olvidar.
Cuándo lo uso
- Proyectos largos o complejos
- Equipos donde todos usan agentes de IA
- Cuando necesito que el agente recuerde decisiones de arquitectura, no solo código
- Para no resolver el mismo bug dos veces
Siguiente: Las 19 herramientas de Engram — guía práctica de todas las tools disponibles.
Repo: github.com/Gentleman-Programming/engram
Diseño sistemas de este tipo en producción — RAG, contexto dinámico, agentes de IA — como Full Stack / AI Engineer. Si tu equipo está construyendo algo parecido, hablemos: LinkedIn · andeveling@gmail.com