• [02/09/2026] 🚀 ¡Memoria Cross-Session disponible - Superando a Claude-Mem en 64%! SimpleMem ahora soporta memoria persistente entre conversaciones. En el benchmark LoCoMo, SimpleMem logra una mejora del 64% sobre Claude-Mem. Tus agentes ahora pueden recordar automáticamente el contexto, decisiones y aprendizajes de sesiones anteriores. Ver Documentación Cross-Session →
• [01/20/2026] ¡SimpleMem ya está disponible en PyPI! 📦 Instala directamente con pip install simplemem. Ver Guía de Uso del Paquete →
• [01/19/2026] ¡Almacenamiento de memoria local añadido a SimpleMem Skill! 💾 Ahora soporta almacenamiento de memoria local dentro de Claude Skills.
• [01/18/2026] ¡SimpleMem ahora soporta Claude Skills! 🚀 Usa SimpleMem en claude.ai para memoria a largo plazo entre conversaciones. Regístrate en mcp.simplemem.cloud, configura tu token e importa el skill.
• [01/14/2026] ¡El servidor MCP de SimpleMem está EN VIVO y es Open Source! 🎉 Servicio de memoria en la nube en mcp.simplemem.cloud. Se integra con LM Studio, Cherry Studio, Cursor, Claude Desktop mediante el protocolo MCP Streamable HTTP. Ver Documentación MCP →
• [01/08/2026] 🔥 ¡Únete a nuestro Discord y grupo de WeChat para colaborar e intercambiar ideas!
• [01/05/2026] ¡El paper de SimpleMem fue publicado en arXiv!

---

• 🌟 Descripción General
• 🎯 Contribuciones Principales
• 🚀 Aspectos Destacados del Rendimiento
• 📦 Instalación
• ⚡ Inicio Rápido
• 🔌 Servidor MCP
• 📊 Evaluación
• 📝 Citación
• 📄 Licencia
• 🙏 Agradecimientos

---

SimpleMem es un marco de memoria eficiente basado en compresión semántica sin pérdidas que aborda el desafío fundamental de la memoria eficiente a largo plazo para agentes LLM. A diferencia de los sistemas existentes que acumulan pasivamente contexto redundante o dependen de costosos bucles de razonamiento iterativo, SimpleMem maximiza la densidad de información y la utilización de tokens a través de un pipeline de tres etapas:

🔍 Etapa 1 Compresión Estructurada Semántica Destila interacciones no estructuradas en unidades de memoria compactas con índices multi-vista

🗂️ Etapa 2 Síntesis Semántica en Línea Proceso intra-sesión que integra instantáneamente contexto relacionado en representaciones abstractas unificadas para eliminar redundancia

🎯 Etapa 3 Planificación de Recuperación Consciente de la Intención Infiere la intención de búsqueda para determinar dinámicamente el alcance de recuperación y construir contexto preciso eficientemente

---

💡 Ventajas Clave:

• 🏆 Mayor Puntuación F1: 43.24% (+26.4% vs. Mem0, +75.6% vs. LightMem)
• ⚡ Recuperación Más Rápida: 388.3s (32.7% más rápido que LightMem, 51.3% más rápido que Mem0)
• 🚀 Más Rápido de Extremo a Extremo: 480.9s de tiempo total de procesamiento (12.5× más rápido que A-Mem)

---

SimpleMem aplica un mecanismo de filtrado implícito de densidad semántica integrado en el proceso de generación del LLM para filtrar contenido de interacción redundante. El sistema reformula flujos de diálogo brutos en unidades de memoria compactas — hechos autocontenidos con correferencias resueltas y marcas de tiempo absolutas. Cada unidad se indexa mediante tres representaciones complementarias:

✨ Ejemplo de Transformación:

- Entrada:  "Él se reunirá con Bob mañana a las 2pm"  [❌ relativo, ambiguo]
+ Salida: "Alice se reunirá con Bob en Starbucks el 2025-11-16T14:00:00"  [✅ absoluto, atómico]

---

A diferencia de los sistemas tradicionales que dependen del mantenimiento asíncrono en segundo plano, SimpleMem realiza la síntesis sobre la marcha durante la fase de escritura. Las unidades de memoria relacionadas se sintetizan en representaciones abstractas de nivel superior dentro del alcance de la sesión actual, permitiendo que experiencias repetitivas o estructuralmente similares se desruiden y compriman inmediatamente.

✨ Ejemplo de Síntesis:

- Fragmento 1: "El usuario quiere café"
- Fragmento 2: "El usuario prefiere leche de avena"
- Fragmento 3: "El usuario lo quiere caliente"
+ Consolidado: "El usuario prefiere café caliente con leche de avena"

Esta síntesis proactiva asegura que la topología de memoria se mantenga compacta y libre de fragmentación redundante.

---

En lugar de una recuperación de profundidad fija, SimpleMem aprovecha las capacidades de razonamiento del LLM para generar un plan de recuperación integral. Dada una consulta, el módulo de planificación infiere la intención de búsqueda latente para determinar dinámicamente el alcance y la profundidad de recuperación:

$\{ q_{\text{sem}}, q_{\text{lex}}, q_{\text{sym}}, d \} \sim \mathcal{P}(q, H)$

El sistema luego ejecuta recuperación paralela multi-vista a través de índices semánticos, léxicos y simbólicos, y fusiona los resultados mediante deduplicación basada en ID:

🔹 Consultas Simples Búsqueda directa de hechos a través de una sola unidad de memoria Profundidad mínima de recuperación Tiempo de respuesta rápido

🔸 Consultas Complejas Agregación a través de múltiples eventos Profundidad de recuperación expandida Cobertura integral

📈 Resultado: 43.24% de puntuación F1 con 30× menos tokens que los métodos de contexto completo.

---

🔬 Modelos de Alta Capacidad (GPT-4.1-mini)

Tipo de Tarea	SimpleMem F1	Mem0 F1	Mejora
MultiHop	43.46%	30.14%	+43.8%
Temporal	58.62%	48.91%	+19.9%
SingleHop	51.12%	41.3%	+23.8%

⚙️ Modelos Eficientes (Qwen2.5-1.5B)

Métrica	SimpleMem	Mem0	Notas
F1 Promedio	25.23%	23.77%	Competitivo con un modelo 99× más pequeño

---

• 🐍 Python 3.10
• 🔑 API compatible con OpenAI (OpenAI, Qwen, Azure OpenAI, etc.)

# 📥 Clonar repositorio
git clone https://github.com/aiming-lab/SimpleMem.git
cd SimpleMem

# 📦 Instalar dependencias
pip install -r requirements.txt

# ⚙️ Configurar ajustes de API
cp config.py.example config.py
# Editar config.py con tu clave API y preferencias

# config.py
OPENAI_API_KEY = "your-api-key"
OPENAI_BASE_URL = None  # o endpoint personalizado para Qwen/Azure

LLM_MODEL = "gpt-4.1-mini"
EMBEDDING_MODEL = "Qwen/Qwen3-Embedding-0.6B"  # Recuperación de última generación

---

from main import SimpleMemSystem

# 🚀 Inicializar sistema
system = SimpleMemSystem(clear_db=True)

# 💬 Agregar diálogos (Etapa 1: Compresión Estructurada Semántica)
system.add_dialogue("Alice", "Bob, let's meet at Starbucks tomorrow at 2pm", "2025-11-15T14:30:00")
system.add_dialogue("Bob", "Sure, I'll bring the market analysis report", "2025-11-15T14:31:00")

# ✅ Finalizar codificación atómica
system.finalize()

# 🔎 Consulta con recuperación consciente de la intención
answer = system.ask("When and where will Alice and Bob meet?")
print(answer)
# Salida: "16 November 2025 at 2:00 PM at Starbucks"

---

SimpleMem está disponible como servicio de memoria alojado en la nube mediante el Model Context Protocol (MCP).

🌐 Servicio en la Nube: mcp.simplemem.cloud

{
  "mcpServers": {
    "simplemem": {
      "url": "https://mcp.simplemem.cloud/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_TOKEN"
      }
    }
  }
}

📖 Para instrucciones detalladas y guía de auto-alojamiento, consulta la Documentación MCP

---

# 🎯 Benchmark completo LoCoMo
python test_locomo10.py

# 📉 Evaluación de subconjunto (5 muestras)
python test_locomo10.py --num-samples 5

---

@article{simplemem2025,
  title={SimpleMem: Efficient Lifelong Memory for LLM Agents},
  author={Liu, Jiaqi and Su, Yaofeng and Xia, Peng and Zhou, Yiyang and Han, Siwei and  Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu},
  journal={arXiv preprint arXiv:2601.02553},
  year={2025},
  url={https://github.com/aiming-lab/SimpleMem}
}

---

Este proyecto está licenciado bajo la Licencia MIT - consulta el archivo LICENSE para más detalles.

---

• 🔍 Modelo de Embeddings: Qwen3-Embedding - Rendimiento de recuperación de última generación
• 🗄️ Base de Datos Vectorial: LanceDB - Almacenamiento columnar de alto rendimiento
• 📊 Benchmark: LoCoMo - Marco de evaluación de memoria de contexto largo