Sistema de Memoria MCP Local con Consolidación para Conversaciones de IA

Qué es esto

Un desarrollador creó un sistema de memoria local para conversaciones de IA que consolida y sintetiza información en lugar de solo almacenarla. Construido como un servidor MCP, funciona con clientes compatibles como Claude Desktop y Claude Code, ejecutándose 100% localmente sin que los datos salgan de tu hardware.

Cómo funciona

El diferenciador clave respecto a los sistemas RAG estándar es el proceso de consolidación. Cada 6 horas, un LLM local (Qwen 2.5-7B ejecutándose en LM Studio) agrupa recuerdos recientes por tema y los consolida en documentos de conocimiento estructurado. Extrae hechos, soluciones y preferencias, fusionándolos con el conocimiento existente y versionando todo.

Stack técnico

• Embeddings: nomic-embed-text-v1.5 vía LM Studio
• Búsqueda vectorial: FAISS (híbrido semántico + palabras clave)
• LLM de consolidación: Qwen 2.5-7B (Q4) vía LM Studio
• Almacenamiento: SQLite para episodios, FAISS para vectores
• Protocolo: MCP — funciona con cualquier cosa que lo soporte
• Configuración: TOML

Características

• Deduplicación semántica con umbral de similitud coseno 0.95
• Puntuación de sorpresa adaptativa — los recuerdos accedidos frecuentemente se potencian, los obsoletos decaen
• Escrituras atómicas con tempfile + os.replace para protección contra fallos
• Eliminación FAISS basada en tumbas — O(1) en lugar de reconstruir todo el índice
• Degradación elegante — si LM Studio falla, el almacenamiento sigue funcionando, la consolidación se pausa
• 88 pruebas aprobadas

Herramientas MCP

• memory_store — guardar un episodio con tipo, etiquetas, puntuación de sorpresa
• memory_recall — búsqueda semántica entre episodios + conocimiento consolidado
• memory_forget — marcar un episodio para eliminación
• memory_correct — actualizar un documento de conocimiento
• memory_export — copia de seguridad JSON completa
• memory_status — verificación de estado

Por qué se eligió MCP

Los modelos se reemplazan frecuentemente, pero el conocimiento acumulado no debería desaparecer con ellos. MCP hace que la memoria sea portátil — un almacén, muchas interfaces. La capa de memoria se vuelve más valiosa que cualquier modelo individual.

Resultados prácticos

Después de aproximadamente una semana de uso, el sistema construyó documentos de conocimiento sobre hardware de PC, configuración de VR, preferencias de codificación y arquitecturas de proyectos — todo sintetizado a partir de conversaciones normales. Al iniciar nuevos chats, la IA ya conoce el contexto del usuario sin necesidad de reexplicar.

Requisitos

• Python 3.11+
• LM Studio con Qwen 2.5-7B y nomic-embed-text-v1.5 cargados
• Cualquier cliente MCP