Darle memoria a Claude Code: un complemento local MCP llamado Memento
Los agentes de programación con IA olvidan todo entre sesiones. Memento, un complemento MCP local para Claude Code, captura, procesa, elimina duplicados y recupera el contexto del proyecto.
Fuentes: My AI Coding Agent Keeps Forgetting Me — So I Gave It a Brain
Imagínese un martes por la noche, alrededor de las 11 p.m. Después de tres horas reescribiendo un middleware de autenticación con Claude Code, usted y el agente hemos discutido repetidamente entre un patrón de estrategia y una simple fábrica. Se probaron ambos enfoques; la fábrica resultó ser la mejor opción, y finalmente los tokens de sesión pasan por la nueva capa de validación de manera coherente. Es una de esas sesiones en las que todo encaja perfectamente y la programación en pareja con IA parece algo totalmente válido.
A la mañana siguiente abre una sesión nueva y pide continuar desde donde dejó el middleware de autenticación. La respuesta es una oferta amable de ayuda, seguida de una solicitud para que describa desde cero la estructura y los objetivos del proyecto.
Tres horas de contexto compartido, perdidas.
Todos pasan por esto
Si utilizas cualquier herramienta de programación basada en IA durante más de una semana, ya sea Claude Code, Cursor, Copilot o Windsurf, te encontrarás con este problema. Cada sesión comienza en blanco, y la rutina se vuelve aburrida rápidamente. Los primeros 15 a 20 minutos se dedican a explicar de nuevo el proyecto: aquí está la estructura de carpetas, así funciona el sistema de autenticación, por eso Supabase es mejor que desarrollarlo internamente, y no, Redis fue descartado. Por supuesto, la herramienta no recuerda; simplemente no puede hacerlo.
Te das cuenta de que empiezas las frases con “¿recuerdas cuando nosotros…?” y luego dejas la frase sin terminar, porque no existe un “nosotros” del otro lado. Para la IA no existe el ayer, solo el momento presente. Es como tener al colaborador más inteligente que tienes que llega cada mañana con total amnesia.
Las soluciones obvias no duran
Los primeros intentos son predecibles. Uno de ellos consiste en un enorme archivo CLAUDE.md repleto de páginas con información sobre el contexto del proyecto, diagramas de arquitectura en ASCII, convenciones de codificación y estructura de archivos. Eso ayuda con lo básico, de modo que el agente conoce tu framework y dónde se encuentran las rutas. Lo que no puede contener son las decisiones tomadas; no sabrá que el enfoque A se probó el miércoles pasado y falló debido a una condición de carrera en el proceso de cola, razón exacta por la cual ganó el enfoque B. Este tipo de conocimiento se acumula con el paso de los días de trabajo conjunto, y un archivo estático en Markdown no puede mantener ese ritmo, ya que el proyecto evoluciona y el archivo se vuelve obsoleto en pocos días.
El segundo enfoque consiste en mantener un documento paralelo con las cosas que se deben indicar a la IA al inicio de cada sesión: decisiones clave, enfoques fallidos y problemas ocultos. Funciona de cierta manera, pero hay que detenerse a reflexionar sobre lo que está sucediendo. Estás manteniendo manualmente la memoria para una máquina que escribe código diez veces más rápido que tú, y necesita que actúes como su cuaderno de notas.
Ninguno de estos enfoques dura más de una o dos semanas, y al final pasas más tiempo gestionando el contexto de la IA que escribiendo código.
El verdadero problema
Estas herramientas no tienen memoria. Ese es el problema principal.
Un compañero humano es valioso por algo más que por su habilidad para programar. Ellos crean contexto. Saben por qué se eligió Postgres en lugar de Mongo, recuerdan el error de facturación de enero causado por cálculos relacionados con las zonas horarias y evocan la decisión arquitectónica tomada hace tres sprints que explica por qué un módulo tiene un aspecto extraño. La IA no posee esa historia compartida; por diseño, es sin estado.
Cuando estas herramientas eran meros completadores de texto, eso apenas importaba. Ahora refactorean módulos completos, solucionan problemas de concurrencia entre servicios y ayudan en decisiones arquitectónicas reales. Cuando algo tan capaz no puede recordar el trabajo del día anterior, la frustración es indescriptible.
¿Y qué si pudiera simplemente recordar? No mediante el método bruto de pegar todo en el prompt, sino con la IA que extrae por sí misma el contexto relevante de sesiones anteriores, basándose en lo que estás haciendo en ese momento, sin que se le pida.
Memento
Esa idea se convirtió en Memento, nombrado en honor a la película. Es un complemento de Claude Code, técnicamente un servidor MCP, que proporciona al agente una memoria persistente a lo largo de las sesiones. Mientras trabajas, captura en segundo plano las decisiones arquitectónicas, las correcciones de errores y los cambios de configuración, almacenándolos localmente en tu equipo. Al inicio de una nueva sesión, muestra todo lo que sea relevante para la tarea actual.
La primera vez que funcionó fue así: el lunes se depura una condición de carrera en un worker de cola. La causa raíz es la falta de un mecanismo de bloqueo; Claude ayuda a solucionarlo y Memento guarda el contexto sin que sea necesario hacer nada por parte del usuario. El miércoles se vuelve al worker de cola por otro asunto no relacionado y no se menciona para nada al lunes. Claude menciona por sí mismo que una condición de carrera en ese punto se solucionó el lunes con un archivo de bloqueo, y se ofrece a verificar si ambos casos están relacionados.
Ese es el momento en que realmente funciona. El agente recordó algo de lo que nadie le había hablado, no porque se hubiera pegado contexto anterior ni por un archivo de instrucciones, sino porque realmente conservaba la memoria de la sesión anterior.
Detrás de escena
Captura. Dos mecanismos funcionan mientras trabajas. Uno se activa después de un uso significativo de la herramienta, como ediciones de archivos y comandos, pero no al leer archivos simplemente. El otro se activa al finalizar la sesión y obtiene un resumen. Todo esto ocurre en segundo plano.
Procesamiento y etiquetado. Antes de guardar cualquier contenido, un procesador elimina las claves API, tokens, contraseñas y credenciales de AWS. Luego, un etiquetador clasifica la información en categorías como decisión, error, arquitectura o configuración, mediante coincidencias de patrones. En este paso no se realizan llamadas a modelos de lenguaje grande.
Eliminación de duplicados. Cincuenta variantes de la misma información solo generarían desorden. Memento busca duplicados exactos mediante un hash y, a continuación, realiza una comprobación de similitud coseno para identificar información que expresa lo mismo con palabras diferentes. Si la versión más reciente contiene más detalles, reemplaza a la anterior.
Almacenamiento. Por defecto, todo se guarda en archivos JSON locales, sin dependencias y sin necesidad de configuración alguna. Se puede integrar ChromaDB para búsquedas vectoriales adecuadas, y Neo4j para búsquedas basadas en grafos.
Recuperación. Cuando se inicia una nueva sesión, Memento consulta semánticamente los recuerdos almacenados. Compara por significado y no por palabras clave, por lo que una pregunta sobre el proceso de inicio de sesión puede mostrar recuerdos sobre la validación de tokens de sesión, aunque las frases no tengan nada en común.
Todo funciona localmente. El modelo de embedding, all-MiniLM-L6-v2, se ejecuta en tu propia máquina a través de Transformers.js, por lo que no se realizan llamadas a API y nada sale de tu ordenador portátil.
Qué se recuerda
La memoria se etiqueta al momento de ser capturada. Las categorías incluyen decisiones (por qué se eligió X en lugar de Y), errores (qué falló y cómo se solucionó), arquitectura (cómo se relacionan los componentes) y configuración (variables de entorno y detalles de despliegue); en total, ocho categorías se enumeran en el README. El objetivo es que Memento no solo almacene registros de chat sin procesar, sino que también clasifique el contexto para que la recuperación de información sea más inteligente y se enfoque en lo que es importante en cada momento.
Las memorias están vinculadas a un proyecto mediante su raíz git, de modo que las notas de un repositorio de API no se mezclan con el trabajo en el frontend. Existe una función de búsqueda entre proyectos para cuando sea necesario.
Proteger los datos
La ingeniería de fiabilidad es algo generosa. Un interruptor de circuito evita que un problema en la base de datos se propague, un registro de escritura anticipada asegura que una caída durante el proceso de guardado no cause la pérdida de datos en memoria, y un caché LRU funciona como solución de respaldo cuando el almacenamiento principal está temporalmente fuera de servicio. Puede que sea excesivo, pero las herramientas que eliminan datos silenciosamente resultan realmente molestas, y el objetivo es que todo lo que capture Memento siga estando allí.
Probándolo
Es de código abierto y se publica en npm. Un solo comando basta para hacerlo funcionar:
npx memento-memory
Eso instala el servidor MCP, configura los ganchos de captura automática y modifica la configuración de Claude para que la próxima sesión de Claude Code funcione sin problemas. También existe la opción de una instalación global con npm install -g memento-memory, y el README enumera todas las opciones de configuración disponibles.
También hay algunos comandos manuales disponibles:
/recallbusca en tus memorias/rememberguarda algo de forma explícitamemory_healthmuestra el estado del sistemamemory_listpermite explorar lo que está almacenado
Por qué es importante
Las herramientas de programación basadas en IA se encuentran en una situación peculiar. Pueden refactorizar módulos completos, resolver errores complejos y analizar la arquitectura del sistema, pero cada mañana despiertan sin saber nada sobre usted o su proyecto. Cuanto más capaces se vuelven, más duele esa brecha, porque se puede percibir cuán mucho mejor serían las cosas si hubiera alguna continuidad.
Memento es un intento por cerrar esa brecha. Tiene imperfecciones, y seguramente hay casos en los que clasifica algo incorrectamente o pasa por alto contextos que deberían ser obvios. Aun así, iniciar una sesión en la que Claude ya sepa lo que sucedió la semana pasada es como debería haber funcionado desde el principio. La memoria faltante era el error.
Leer más
- Por qué fallan las habilidades de los agentes enlazados y la solución de tres capas que funciona — Las cadenas de habilidades complejas sobrecargan el contexto de un agente. En su lugar, construya con átomos, moléculas y compuestos, con ejemplos para Claude Code, LangGraph, CrewAI y Agno.
- Desarrolladores de WordPress y agentes de programación de IA: Abilities API, MCP y qué aprender — Cómo los agentes de programación cambiarán el trabajo en WordPress en 2026: Abilities API, AI Client, MCP Adapter, WebMCP, el cuello de botella en la verificación y una lista de habilidades que vale la pena estudiar.