OneMemory ofrece un almacén SQLite compartido para agentes de IA mediante MCP y REST

Un nuevo proyecto de código abierto llamado OneMemory proporciona un almacén de memoria ligero y autoalojado, diseñado para ser compartido entre múltiples agentes de IA e interfaces. Lanzado a finales de octubre de 2026, la herramienta utiliza un único archivo de base de datos SQLite para persistir notas, tareas y contexto, haciéndolos accesibles simultáneamente desde asistentes de codificación de escritorio, aplicaciones móviles e interfaces web.

El proyecto está dirigido a desarrolladores que utilizan diversas herramientas de IA como Claude Code, Cursor o Copilot y desean una forma unificada de retener el contexto entre sesiones y dispositivos sin depender de servicios en la nube externos ni de complejas bases de datos vectoriales.

Qué ha ocurrido

El repositorio, publicado bajo el nombre calasdan-sketch/onememory, introduce un servidor basado en Node.js que actúa como un centro de memoria central. Requiere Node.js versión 24 o superior, aprovechando el módulo integrado node:sqlite para evitar dependencias de bases de datos externas. El proceso de configuración está diseñado para no ser destructivo, ofreciendo modos de simulación (dry-run) y copias de seguridad automáticas de los archivos de configuración antes de modificar cualquier ajuste del cliente.

OneMemory se conecta a los clientes de IA a través de dos métodos principales: el Model Context Protocol (MCP) sobre entrada/salida estándar para aplicaciones locales de escritorio, y una API REST simple para el acceso remoto. Este enfoque dual permite a un desarrollador escribir una nota en su máquina de escritorio usando un agente de codificación local y recuperarla momentos después en un teléfono o a través de una interfaz de chat basada en web. El sistema admite tokens bearer con alcance limitado, asegurando que las conexiones remotas puedan restringirse a acceso de solo lectura si se desea.

La arquitectura es intencionalmente mínima. Se ejecuta como un único proceso Node con solo dos dependencias directas de tiempo de ejecución, evitando la necesidad de entornos Python, módulos nativos o motores de búsqueda vectorial separados. Todos los datos, incluyendo el archivo de base de datos, las claves de cifrado y la configuración, residen en un directorio controlado por el usuario fuera del paquete instalado, simplificando las copias de seguridad y las actualizaciones.

Detalles clave

• Almacenamiento en un solo archivo: Todo el estado se mantiene en un único archivo SQLite, lo que hace que las copias de seguridad sean tan simples como copiar un solo archivo mientras el servidor está en ejecución.
• Protocolos de acceso duales: Admite tanto MCP para la integración local de escritorio como una API REST para el acceso remoto mediante túneles o conexiones de red directas.
• Funciones de seguridad: Incluye un linter de memoria que escanea las escrituras en busca de secretos como claves API y bloquea intentos de inyección de prompts antes de que se almacenen.
• Feed de cambios: Proporciona un mecanismo de espera en vivo que permite a los clientes consultar cambios de manera eficiente, recibiendo actualizaciones en segundos en lugar de esperar intervalos largos de polling.
• Gestión de tareas: Soporte integrado para un tablero de tareas compartido, permitiendo a los agentes reclamar, completar y transferir tareas entre diferentes sesiones y dispositivos.
• Portabilidad de datos: Las notas pueden exportarse a archivos Markdown con front-matter YAML para control de versiones vía Git o sincronizarse entre máquinas usando herramientas como Syncthing.

Antecedentes

Para equipos que gestionan múltiples asistentes de IA, la fragmentación del contexto es un desafío común. Un agente que trabaja en una base de código local puede no conocer las decisiones tomadas en una sesión de chat basada en web, lo que lleva a explicaciones redundantes o consejos inconsistentes. Las soluciones tradicionales a menudo implican complejas bases de datos vectoriales o servicios propietarios de memoria en la nube, lo cual puede introducir latencia, costos y preocupaciones de privacidad.

El Model Context Protocol (MCP) ha surgido como un estándar para conectar modelos de IA con datos y herramientas locales. OneMemory aprovecha este protocolo para permitir que las aplicaciones de escritorio lean y escriban en un almacén compartido de manera fluida. Al combinar MCP con una API REST estándar, la herramienta cierra la brecha entre los entornos de desarrollo locales y las interfaces remotas o móviles, asegurando que todos los agentes operen con el mismo conjunto de hechos e historial.

Por qué importa

Para equipos de ingeniería y desarrolladores individuales que alojan sus propias herramientas, OneMemory ofrece una forma de mantener la continuidad a través de flujos de trabajo fragmentados. En lugar de tratar cada interacción con la IA como un evento aislado, los usuarios pueden construir una base de conocimiento persistente que crece junto con sus proyectos. Esto es particularmente valioso para sesiones de depuración complejas o tareas de desarrollo a largo plazo donde el contexto de días anteriores es crucial.

El énfasis en el almacenamiento local y las dependencias simples reduce la sobrecarga operativa. No hay necesidad de gestionar un clúster PostgreSQL ni configurar intrincadas tuberías de indexación vectorial. La capacidad de respaldar todo el estado de memoria copiando un único archivo se alinea bien con las prácticas existentes de recuperación ante desastres para pequeñas infraestructuras. Además, el escaneo integrado de secretos ayuda a prevenir fugas accidentales de credenciales en contextos de IA, un riesgo creciente a medida que los agentes obtienen más acceso a sistemas locales.

Sin embargo, los usuarios deben ser conscientes de las compensaciones. El sistema no proporciona instantáneas del historial por edición en su copia de seguridad estándar, lo que significa que las restauraciones solo recuperarán la última versión de cada nota. Los equipos que requieran registros detallados de auditoría de cada cambio pueden necesitar complementar esto con registros externos o confiar en la función de exportación a Markdown para el control de versiones.

Qué puedes hacer

• Prueba la configuración de forma segura: Usa la bandera --dry-run durante la instalación para ver exactamente qué archivos de configuración serán modificados antes de confirmar los cambios.
• Asegura el acceso remoto: Si expones la API REST a dispositivos móviles, coloca un túnel autenticado como Cloudflare Tunnel o Tailscale frente al servicio para aplicar controles de acceso.
• Implementa copias de seguridad regulares: Programa copias automáticas del archivo de base de datos SQLite y almacena la clave de cifrado por separado de la copia de seguridad para asegurar la recuperabilidad de los datos.
• Audita los datos almacenados: Revisa periódicamente la cola de cuarentena para cualquier contenido marcado y usa los tokens con alcance limitado para restringir el acceso de escritura desde dispositivos menos confiables.
• Integra con control de versiones: Exporta las notas al formato Markdown y súbelas a un repositorio Git privado para mantener un historial legible por humanos de tus decisiones asistidas por IA.
• Monitorea el uso de recursos: Presta atención a las reconstrucciones del grafo de similitud tras importaciones grandes, ya que estas operaciones pueden ser computacionalmente intensivas, aunque se difieren para mantener la interfaz responsiva.