Usando Opus 4.6 y GPT 5.4 para revisar por pares un diseño de pila de memoria para OpenClaw.

Un desarrollador documentó su proceso de diseño de una pila de memoria para OpenClaw haciendo que dos modelos de IA revisaran por pares el trabajo del otro. Utilizaron Claude Opus 4.6 a través de tokens de API como su modelo principal para diseñar la arquitectura, luego enviaron el diseño completo a GPT 5.4 para control de calidad.

El proceso de revisión por pares de IA

El desarrollador investigó múltiples complementos de memoria, incluyendo Mem0, Supermemory, Cognee, Hindsight, QMD, Lossless Claw, LanceDB y MemOS, antes de concluir que ningún complemento individual resuelve todos los problemas de memoria. Se utilizó Opus 4.6 para diseñar un prompt de implementación completo para OpenClaw, que luego GPT 5.4 revisó.

GPT 5.4 identificó varios problemas durante la revisión por pares: riesgos de bucles de retroalimentación, un trabajo cron con autoridad excesiva, brechas de verificación FTS5, preocupaciones sobre fijación de versiones y problemas de sobrecarga de tokens. Después de tres rondas de retroalimentación entre los modelos, convergieron en un diseño final que ambos aprobaron.

El desarrollador señaló que Opus era más fuerte en arquitectura y detalles a nivel de complementos, mientras que GPT sobresalía en identificar riesgos operativos, casos límite y escenarios de fallo.

La pila de memoria de tres capas

• Capa 1: Lossless Claw (LCM) – Reemplaza completamente la compactación predeterminada. En lugar de resumir mensajes antiguos y eliminarlos, preserva cada mensaje en una base de datos SQLite y construye un árbol de resúmenes progresivamente comprimidos (un DAG). El modelo ve resúmenes más los mensajes más recientes, pero puede profundizar en detalles completos usando herramientas como lcm_grep y lcm_expand. La generación de resúmenes se ejecuta en Haiku para controlar costos.
• Capa 2: Búsqueda Híbrida SQLite – No es un complemento, solo un cambio de configuración. Habilita la coincidencia de palabras clave BM25 junto con la búsqueda vectorial predeterminada, permitiendo encontrar términos exactos (nombres de proyectos, códigos de error, IDs) además de contenido semánticamente similar. También habilita MMR para resultados diversos y decaimiento temporal para que las notas recientes tengan mayor clasificación. Esta característica está integrada en OpenClaw pero deshabilitada por defecto.
• Capa 3: Mem0 Cloud – Proporciona memoria persistente entre sesiones. La recuperación automática inyecta hechos relevantes antes de cada respuesta, mientras que la captura automática extrae hechos después de cada respuesta. Configurado con topK=3 y un umbral de búsqueda más alto (0.45) para reducir la sobrecarga de tokens.

Configuración de soporte

• Tiempo de espera de sesión inactiva de 7 días para evitar reinicios de sesión innecesarios
• Poda de contexto cache-ttl de Anthropic alineada con la retención de caché de prompts
• Vaciado de memoria previo a la compactación que permite al agente escribir notas duraderas antes de eventos de compactación
• Consolidación cron nocturna a las 3 AM que lee los registros diarios de los últimos 7 días y escribe un resumen consolidado en un archivo con fecha (solo resumen, no puede eliminar, recortar o modificar archivos existentes, no puede escribir en MEMORY.md, idempotente)
• Script de archivo determinista a las 4 AM (cron del sistema, no OpenClaw) que mueve registros diarios con más de 30 días a un directorio de archivo fuera de la ruta de memoria indexada

Complementos excluidos y razonamiento

• QMD – Excluido debido a errores abiertos que incluyen bucles de reinicio de puerta de enlace, memory_search no llamando a QMD y fallback permanente después de tiempo de espera. La búsqueda híbrida SQLite proporciona beneficios similares sin la inestabilidad.
• Cognee – La funcionalidad de grafo de conocimiento se consideró excesiva para una configuración personal de un solo usuario. Diferida para posible implementación posterior si es necesaria.
• Supermemory – La mayoría de las afirmaciones de rendimiento son de origen del proveedor, mientras que Mem0 está más probado en batalla.

Riesgos clave identificados

Durante la revisión por pares, los modelos identificaron riesgos de bucles de retroalimentación entre Mem0 y LCM/trabajos cron, aunque el texto fuente se corta antes de detallar todos los riesgos identificados.