Un LLM local es excelente hasta la segunda conversación. Sin una capa de memoria explícita, cada sesión comienza desde cero — sin preferencias, sin contexto del proyecto, sin historial de lo que funcionó la semana pasada. Una herramienta de memoria persistente soluciona esto al situarse entre el modelo y el prompt, decidiendo qué recordar, mostrando los hechos correctos en el momento adecuado y sobreviviendo a los reinicios.
Probamos siete herramientas de memoria para configuraciones autohospedadas que ejecutan Ollama, LM Studio o vLLM en el escritorio. Nuestras opciones abarcan el stack activo de 2026: marcos de memoria dedicados, tiempos de ejecución de agentes con memoria integrada, backends de gráficos de conocimiento y la capa de memoria que los usuarios de Open WebUI probablemente habiliten primero.
Qué buscar en una herramienta de memoria LLM local
Antes de elegir una, decide qué forma de memoria buscas.
- Extracción pasiva vs escrituras impulsadas por agentes. Los sistemas pasivos (Mem0) extraen recuerdos de mensajes sin que el modelo haga nada. Los sistemas impulsados por agentes (Letta) dejan que el modelo decida qué guardar. Lo pasivo es predecible; lo impulsado por agentes captura mejor la intención cuando funciona.
- Vector vs gráfico vs híbrido. La recuperación de vectores es el estándar y es rápida. La memoria basada en gráficos (Cognee) es mejor para razonar sobre relaciones. Los híbridos cuestan más pero responden limpiamente a preguntas “quién, cuándo, por qué”.
- Local-first vs cloud-default. Mem0, Letta, Cognee, MemOS y LangMem todos pueden ser autohospedados. Las rutas en la nube son convenientes y no es lo que quieres cuando el objetivo es mantener los datos en tu propia caja.
- Bloqueo del marco de trabajo. Algunas herramientas suponen LangChain o LlamaIndex. Otros se ejecutan de forma independiente a través de una API HTTP o un SDK de Python que cualquier cliente puede usar.
- Costo en el límite. Incluso completamente locales, la generación de incrustaciones y la construcción de gráficos usan computación. Un modelo 30B con miles de recuerdos almacenados necesita hardware real.
Comparación rápida
| Aplicación | Mejor para | Plataformas | Plan gratuito | Precio inicial/mes | Calificación |
|---|---|---|---|---|---|
| Mem0 | Memoria plug-and-play para cualquier chatbot | Linux, macOS, Windows | Sí (autohospedado) | Autohospedado gratis | 4.7 |
| Letta | Tiempo de ejecución del agente con memoria autoeditable | Linux, macOS, Windows | Sí (autohospedado) | Autohospedado gratis | 4.6 |
| Cognee | Memoria a largo plazo del gráfico de conocimiento | Linux, macOS, Windows | Sí (autohospedado) | Autohospedado gratis | 4.5 |
| Zep | Memoria temporal conversacional | Linux, Docker | Sí (comunidad) | Comunidad gratuita | 4.4 |
| Open WebUI memory | Memoria vinculada a una interfaz familiar | Linux, macOS, Windows, Docker | Sí, completamente | Gratis | 4.3 |
| MemOS | Memoria en capas como un SO | Linux, Docker | Sí, completamente | Gratis | 4.2 |
| LangMem | Primitivos de memoria nativos de LangChain | Linux, macOS, Windows | Sí, completamente | Gratis | 4.0 |
Las aplicaciones
1. Mem0 — Mejor memoria plug-and-play para cualquier chatbot
Mem0 es la capa de memoria más implementada en 2026 por una razón: la API es pequeña, el autohospedaje es sencillo, y puedes agregarlo a un chatbot en una tarde. La extracción pasiva significa que llamas add() con una conversación, Mem0 decide qué hechos importan, y un posterior search() trae el contexto correcto de vuelta al siguiente prompt.
Dónde se queda corto: La extracción automática es opinada. Si quieres que el modelo mismo decida qué recordar, esta es la forma equivocada. El producto en la nube de Mem0 es la ruta comercializada, pero la versión de código abierto cubre la mayoría del uso doméstico.
Precios:
- Gratis: Mem0 OSS autohospedado es gratis.
- Pagado: El nivel en la nube se escala según los recuerdos almacenados y las recuperaciones; típicamente $50–$500/mes a escala de producción, no relevante para uso personal.
Plataformas: SDK de Python, API REST. Se ejecuta donde sea que Python se ejecute.
Descargar: Mem0
Conclusión: La primera opción por defecto. Si no estás seguro por dónde empezar, comienza aquí.
2. Letta — Mejor para un tiempo de ejecución del agente con memoria autoeditable
Letta es el MemGPT rebautizado — un tiempo de ejecución del agente donde la memoria es la metáfora del sistema operativo. El modelo escribe en las capas de memoria central, de recuperación y de archivo durante su propio bucle de razonamiento. El sistema maneja el resto, incluido el intercambio de contexto dentro y fuera para que las sesiones largas no reviente la ventana.
Dónde se queda corto: Letta es un tiempo de ejecución, no solo una biblioteca — estás adoptando toda la plataforma. Mejor para agentes autónomos y tareas de horizonte largo, menos para “solo quiero que mi chatbot recuerde mi nombre.”
Precios:
- Gratis: Letta OSS autohospedado es gratis.
- Pagado: Letta Cloud para deployments gestionados, precios bajo solicitud.
Plataformas: Python, Docker. Autohospedado en Linux, macOS, Windows mediante Docker.
Descargar: Letta
Conclusión: Mejor para agentes de investigación autónoma y ejecutores de tareas de horizonte largo. Excesivo para un chatbot.
3. Cognee — Mejor para memoria a largo plazo del gráfico de conocimiento
Cognee es la plataforma de memoria AI de código abierto que pone un gráfico de conocimiento en el centro. Ingiere documentos, conversaciones o datos estructurados en cualquier formato y Cognee construye un gráfico que sobrevive a los reinicios y crece con el uso. La recuperación es consciente del gráfico, lo que significa que las preguntas de relación (“¿cuándo estuvimos de acuerdo en X?”) devuelven mejor que los almacenes solo vectoriales.
Dónde se queda corto: Costo de configuración más alto que Mem0. La base de datos de gráficos (NetworkX, Memgraph o Neo4j dependiendo de la config) es otra pieza móvil para mantener.
Precios:
- Gratis: Cognee OSS autohospedado es gratis.
- Pagado: Cognee Cloud para hosting de gráficos gestionado, precios bajo solicitud.
Plataformas: Python, Docker. Funciona en Linux, macOS, Windows.
Descargar: Cognee
Conclusión: La opción correcta cuando tu memoria es relacional — reuniones, decisiones, proyectos con referencias cruzadas — no solo hechos.
4. Zep — Mejor para memoria temporal conversacional
Zep es la capa de memoria diseñada alrededor del chat: resúmenes de sesión, perfiles de usuario, recuperación basada en episodios, y consultas como “¿qué dijo el usuario hace dos sesiones?” El almacén a largo plazo respaldado por gráficos maneja bien el razonamiento temporal, y el SDK es amigable para LangChain y cableado directo OpenAI / Ollama.
Dónde se queda corto: La compilación de código abierto de la comunidad es más limitada que el producto en la nube. Los usuarios autohospedados reportan que algunas características se quedan atrás de la versión hospedada.
Precios:
- Gratis: Zep Community Edition es autohospedado gratis.
- Pagado: Zep Cloud comienza con una cuota mensual modesta para hosting gestionado y conformidad SOC 2.
Plataformas: Docker, SDK de Python. Linux, macOS, Windows mediante Docker.
Descargar: Zep
Conclusión: La opción cuando la memoria específica del chat (sesiones, resúmenes, consultas conscientes del tiempo) es el caso de uso principal.
5. Open WebUI memory — Mejor para memoria vinculada a una interfaz familiar
Open WebUI es lo que la mayoría de los usuarios de LLM local abren todos los días, y la función de memoria integrada es la forma más fácil de agregar contexto persistente a una configuración que ya usas. Actívalo en configuración, la interfaz muestra un panel “Memories”, y el modelo puede escribir en él a través de llamadas de herramientas.
Dónde se queda corto: Es una característica dentro de una aplicación más grande, no un marco de trabajo independiente. El acceso programático es a través de la API de Open WebUI en lugar de un SDK de memoria dedicado.
Precios:
- Gratis: Completamente gratuito y de código abierto.
- Pagado: Ninguno.
Plataformas: Linux, macOS, Windows, Docker. Se empareja con Ollama, API compatibles con OpenAI y vLLM.
Descargar: Open WebUI
Conclusión: La herramienta de memoria con menor fricción si Open WebUI ya es tu interfaz.
6. MemOS — Mejor para memoria en capas como un SO
MemOS es el nuevo participante de MemTensor. Trata la memoria en capas — memoria de trabajo local, memoria de archivo, memoria de habilidades — con una ruta de recuperación impulsada por retroalimentación que el equipo reporta reduce aproximadamente un tercio de los tokens comparado con configuraciones solo vectoriales.
Dónde se queda corto: Proyecto más nuevo, comunidad más pequeña. La documentación está mejorando pero no al nivel de Mem0.
Precios:
- Gratis: Completamente gratuito y de código abierto.
- Pagado: Ninguno.
Plataformas: Python, Docker. Autohospedado en Linux.
Descargar: MemOS en GitHub
Conclusión: Vale la pena vigilar. Elige cuando quieras el modelo de memoria en capas y estés cómodo siendo un usuario temprano.
7. LangMem — Mejor para primitivos de memoria nativos de LangChain
LangMem es el módulo de memoria diseñado para vivir dentro de un agente LangChain o LangGraph. Expone API de memoria a corto plazo, largo plazo y semántica que se componen con el resto de LangChain, lo que lo hace la opción obvia si tu stack ya es LangChain.
Dónde se queda corto: Fuera de LangChain es incómodo. También todavía está madurando en comparación con Mem0 y Letta.
Precios:
- Gratis: Completamente gratuito y de código abierto como parte de LangChain.
- Pagado: LangSmith / LangGraph Platform para hosting gestionado, precios separados.
Plataformas: Python. Linux, macOS, Windows.
Descargar: LangMem (vía LangChain)
Conclusión: Por defecto para usuarios de LangChain. Salta si ya no estás en el stack.
Cómo elegir el correcto
Si quieres la opción más simple: Mem0 con el SDK de Python contra cualquier servidor local compatible con OpenAI.
Si necesitas un tiempo de ejecución de agente completo, no solo una biblioteca: Letta.
Si tu memoria es relacional, no solo factual: Cognee con un backend de gráficos autohospedado.
Si la memoria específica del chat (sesiones, resúmenes, tiempo) es la necesidad principal: Zep.
Si ya vives en Open WebUI: activa la memoria Open WebUI integrada antes de agregar cualquier cosa más.
Si quieres el modelo de memoria en capas más nuevo y tolerarás bordes ásperos: MemOS.
Si ya eres una tienda LangChain: LangMem.
Preguntas frecuentes
¿Pueden estas herramientas de memoria ejecutarse completamente sin conexión? Sí. Mem0, Letta, Cognee, Open WebUI, MemOS y LangMem todos se ejecutan con un modelo de incrustación local y un LLM local. La generación de incrustaciones es el costo oculto — elige un modelo de incrustación pequeño si tu hardware es modesto.
¿Necesito una base de datos vectorial? La mayoría de las opciones traen la suya. Mem0 viene con valores por defecto sensatos (Chroma, Qdrant o PGVector). Cognee usa DB de gráficos más vectores. Open WebUI maneja el almacenamiento internamente. Solo necesitas elegir una base de datos explícitamente si quieres compartir una entre varias herramientas de memoria.
¿Cuál es la mejor herramienta de memoria para un reemplazo de ChatGPT autohospedado? Open WebUI con memoria integrada es el inicio con menos fricción. Superpón Mem0 si creces más allá de lo que ofrece la herramienta integrada.
¿Cuánto almacenamiento de memoria es “mucho”? El uso personal rara vez pasa unos pocos cientos de MB en disco incluso con miles de recuerdos. El almacenamiento de incrustaciones domina; elige un modelo de incrustación más pequeño para mantenerlo ajustado.
¿Puedo mover recuerdos entre herramientas? Principalmente no. Los esquemas difieren, e las incrustaciones son específicas del modelo. Elige una herramienta y comprometeré durante un año antes de considerar una migración.
