OpenClaw memoria: cómo funciona por dentro y cómo configurarla
Tu agente IA tiene memoria. No la del modelo, no la ventana de contexto de 128K tokens que se evapora al cerrar la sesion. Memoria real. Archivos en disco que persisten dias, semanas, meses. Y todo funciona con Markdown.
Suena demasiado simple. Lo es. Y por eso funciona tan bien.
La arquitectura de memoria de OpenClaw: Markdown todo el camino
La mayoria de sistemas de memoria para agentes IA usan bases de datos vectoriales, servicios cloud o APIs propietarias. OpenClaw toma un camino radicalmente diferente: todo son archivos Markdown en tu servidor.
~/.openclaw/workspace-agente/
├── MEMORY.md # Indice maestro de conocimiento
├── NOW.md # Estado actual del agente
├── memory/
│ ├── daily/ # Notas diarias automaticas
│ │ ├── 2026-03-01.md
│ │ ├── 2026-03-02.md
│ │ └── ...
│ ├── knowledge/ # Conocimiento consolidado
│ ├── decisions/ # Decisiones importantes
│ └── lessons/ # Lecciones aprendidas
└── .kimo/
├── checkpoints/ # Snapshots periodicos
├── embeddings/ # Indice vectorial local
└── cache/ # Cache de busquedasNo hay MySQL. No hay Redis. No hay Pinecone ni Weaviate. Solo archivos de texto que puedes abrir con cualquier editor, leer con cat, buscar con grep.
Esto no es una limitacion. Es una decision de diseno que tiene consecuencias enormes para la privacidad, la portabilidad y la depuracion.
Las 4 capas: de lo inmediato a lo archivado
OpenClaw organiza la memoria en cuatro capas, cada una con un proposito distinto y un ciclo de vida diferente.
Capa 0: Memoria activa
Es lo que el agente “ve” al empezar cada sesion. Se inyecta directamente en el contexto del modelo:
- NOW.md: Estado actual. Que esta haciendo, que queda pendiente, que prioridades hay
- MEMORY.md: Indice maestro con el conocimiento mas importante
- AGENTS.md: Instrucciones operativas del agente
- SOUL.md: Personalidad y tono
Esta capa consume tokens, si. Pero es pequena (normalmente 2-5KB) y contiene solo lo esencial. El agente arranca cada sesion sabiendo quien eres, que hicisteis ayer y que toca hoy.
Capa 1: Memoria de trabajo (dailies)
Cada dia, el agente genera una nota en memory/daily/YYYY-MM-DD.md. Ahi va todo lo relevante que pasa durante las conversaciones:
- Decisiones tomadas
- Tareas completadas
- Problemas encontrados
- Datos nuevos del usuario
Las notas diarias recientes (24-48h) se incluyen en el contexto. Las mas antiguas pasan a ser consultables bajo demanda, sin ocupar espacio en la ventana de contexto.
Capa 2: Memoria consolidada
Cada cierto tiempo (configurable; por defecto cada 2 dias), el sistema revisa las notas diarias y extrae lo que merece perdurar. Esas piezas de conocimiento se organizan en categorias:
- knowledge/: Hechos, datos, preferencias del usuario
- decisions/: Decisiones con su contexto y razon
- lessons/: Errores cometidos, patrones aprendidos
La consolidacion es lo que convierte “ruido diario” en conocimiento estructurado. Un agente que lleva 3 meses funcionando tiene un archivo de conocimiento que ningun chatbot puede igualar.
Capa 3: Memoria archivada
Checkpoints periodicos (cada 30 minutos por defecto) capturan el estado completo del agente. Esto permite:
- Recuperar estado tras un reinicio
- Auditar que sabia el agente en un momento concreto
- Detectar cuando se perdio o corrompio informacion
Los embeddings vectoriales tambien viven en esta capa, permitiendo busqueda semantica sobre todo el historial.
¿Quieres tu propio agente IA? Únete a TribuClaw y aprende paso a paso. Entrar a TribuClaw →
Context injection: como el agente “recuerda” al despertar
Aqui esta la clave de todo el sistema. Cuando inicias una sesion con tu agente OpenClaw, ocurre esto:
- Wake: El agente detecta que es una sesion nueva
- Carga de perfil: Lee NOW.md, MEMORY.md y los archivos core
- Inyeccion de contexto: Todo eso se pasa al modelo como contexto del sistema
- Reflect: El agente analiza si hay huecos en su memoria
El resultado es que, desde el primer mensaje, tu agente sabe:
- Quien eres y como te gusta trabajar
- Que hicisteis en las ultimas sesiones
- Que tareas estan pendientes
- Que errores no debe repetir
No es magia. Es ingenieria de contexto bien hecha. Y funciona porque Markdown es legible tanto para humanos como para modelos de lenguaje.
Si vienes de usar ChatGPT y quieres entender las diferencias, esta es la mas importante. ChatGPT tiene una memoria de sesion que se pierde. Tu agente OpenClaw tiene un segundo cerebro que crece contigo.
Busqueda semantica: encontrar lo que no recuerdas exactamente
Las capas 0-2 cubren lo reciente y lo importante. Pero, que pasa cuando necesitas algo de hace 3 meses?
OpenClaw usa un sistema de busqueda hibrida:
- Indices de texto: Busqueda rapida por palabras clave en todas las notas
- Embeddings vectoriales: Busqueda por significado, no por palabras exactas
Si le preguntas a tu agente “que decidimos sobre la autenticacion del proyecto X”, el sistema:
- Busca “autenticacion” y “proyecto X” en los indices de texto
- Genera un embedding de tu pregunta y busca las memorias mas similares semanticamente
- Combina los resultados y los ordena por relevancia
- Inyecta los mas relevantes en el contexto
Todo esto pasa en milisegundos. El agente te responde como si recordara perfectamente algo que paso hace semanas.
La diferencia con un RAG clasico es que aqui no hay un corpus estatico. La memoria crece y se consolida organicamente con cada interaccion.
¿Quieres tu propio agente IA? Únete a TribuClaw y aprende paso a paso. Entrar a TribuClaw →
Memoria por agente: cada uno con la suya
Si usas un equipo de agentes (coordinador + especialistas), cada agente gestiona su propia memoria. Esto es fundamental.
Tu coordinador sabe de estrategia, prioridades y contexto general. Tu agente de codigo recuerda decisiones tecnicas, bugs resueltos y patrones del codebase. Tu agente de contenido conoce el tono, las keywords y el calendario editorial.
No se mezclan. Cada workspace tiene su propio directorio de memoria. El coordinador puede consultar a los especialistas, pero no lee directamente sus memorias privadas.
workspace-kimo/ # Coordinador
├── MEMORY.md
├── memory/daily/
└── memory/knowledge/
workspace-mao/ # Agente de codigo
├── MEMORY.md
├── memory/daily/
└── memory/knowledge/
workspace-pluma/ # Agente de contenido
├── MEMORY.md
├── memory/daily/
└── memory/knowledge/Esta separacion evita contaminacion de contexto. Un agente de codigo no necesita saber tus preferencias de tono para emails. Un agente de contenido no necesita recordar la arquitectura de tu base de datos.
Si quieres montar un equipo asi, la guia completa de OpenClaw te explica como configurar multiples agentes desde cero.
Configurar la memoria: que puedes ajustar
La memoria funciona out of the box, pero hay parametros que puedes afinar:
Frecuencia de checkpoints
Por defecto, cada 30 minutos. Si tu agente trabaja en tareas largas y criticas, bajalo a 15. Si es mas casual, subelo a 60.
Consolidacion automatica
Cada cuantos dias se revisan las notas diarias para extraer conocimiento permanente. El defecto es 2 dias. Para agentes con mucha actividad, 1 dia funciona mejor.
Decay (caducidad)
Las memorias pueden tener una fecha de caducidad. Datos de un proyecto que ya termino no necesitan ocupar espacio indefinidamente. Configuras el decay por categoria:
- Conocimiento general: sin caducidad
- Tareas completadas: 30 dias
- Decisiones de proyecto: 60 dias
- Lecciones: sin caducidad
Que guardar y que no
El agente decide automaticamente que es “memorable”, pero puedes influir. En AGENTS.md defines que tipo de informacion priorizar: decisiones tecnicas, preferencias del usuario, datos de negocio.
Lo que NO se guarda nunca (por seguridad):
- Contrasenas
- Tokens de API
- Datos bancarios
- Informacion sensible de terceros
¿Quieres tu propio agente IA? Únete a TribuClaw y aprende paso a paso. Entrar a TribuClaw →
Por que Markdown y no una base de datos
Esta es la pregunta que todo ingeniero hace. Y la respuesta es mas profunda de lo que parece.
Portabilidad total: Copias una carpeta y tu agente tiene toda su memoria en otro servidor. Sin migraciones, sin exports, sin dependencias.
Depuracion humana: Cuando algo falla, abres el archivo y lo lees. No necesitas queries SQL ni herramientas de inspeccion de embeddings. Si una memoria esta mal, la editas con nano.
Compatibilidad con LLMs: Los modelos de lenguaje entienden Markdown de forma nativa. No hay serializacion ni deserializacion. El archivo de memoria se inyecta tal cual en el prompt.
Sin vendor lock-in: Tu memoria no esta en Pinecone, ni en Weaviate, ni en ningun servicio que pueda cerrar o cambiar precios. Esta en tu disco.
Versionable: Puedes hacer git de tu memoria. Tienes historial de cambios, diffs, rollbacks. Intenta hacer eso con una base de datos vectorial.
La limitacion obvia es escala. Esto no funciona para un agente que gestiona millones de documentos. Pero para un agente personal o de equipo pequeno, es la solucion mas robusta que existe.
Memoria avanzada: embeddings locales y busqueda hibrida
Para los que quieren ir mas alla, OpenClaw soporta un sistema de embeddings que funciona 100% en local:
- Generacion de embeddings: Cada memoria se convierte en un vector numerico que captura su significado
- Indice HNSW: Los vectores se indexan en una estructura de busqueda rapida en disco
- Busqueda hibrida: Combina similitud vectorial con coincidencia de texto para resultados mas precisos
No necesitas GPU ni servicios cloud. Los embeddings se generan usando modelos ligeros que corren en cualquier VPS. El indice completo de un ano de uso ocupa menos de 50MB.
La busqueda es instantanea. Lanzas una query y en menos de 10ms tienes las 5 memorias mas relevantes de todo tu historial.
Si quieres instalar OpenClaw en tu propio servidor y empezar a construir la memoria de tu agente, es mas facil de lo que piensas.
El resultado: un agente que mejora con el tiempo
Un agente sin memoria es una herramienta. Un agente con memoria es un colega.
Despues de una semana, tu agente sabe tus horarios y preferencias. Despues de un mes, conoce tus proyectos, tus clientes y tu forma de trabajar. Despues de tres meses, anticipa lo que necesitas antes de que lo pidas.
Eso no lo consigues con ChatGPT Plus. No lo consigues con ningun chatbot que resetea la memoria cada sesion. Lo consigues con un sistema de memoria persistente que crece y se consolida automaticamente.
Y lo mejor: toda esa memoria es tuya. En tu servidor. Bajo tu control. Legible, editable, portable.
La memoria permanente es el game changer de 2026. OpenClaw es la forma mas accesible de tenerla.
¿Quieres tu propio agente IA? Únete a TribuClaw y aprende paso a paso. Entrar a TribuClaw →
Preguntas frecuentes
Necesito una base de datos para la memoria de OpenClaw?
No. OpenClaw usa archivos Markdown en tu servidor. Sin bases de datos, sin servicios externos. Puedes leer, editar y borrar cualquier memoria con un editor de texto.
Cuanta memoria puede acumular un agente OpenClaw?
No hay limite fijo. Las notas diarias ocupan entre 1-5KB cada una. Con un anyo de uso intensivo, la memoria total rara vez supera los 2MB. El sistema consolida y archiva automaticamente.
La memoria de OpenClaw consume tokens del modelo?
Solo lo que se inyecta al inicio de sesion (MEMORY.md, NOW.md, el perfil). Las notas diarias pasadas solo se consultan bajo demanda via busqueda semantica, sin consumir tokens extra.
Puedo tener memorias separadas para distintos agentes?
Si. Cada agente puede tener su propio directorio de memoria dentro del workspace. El coordinador accede a las suyas y los subagentes a las suyas. No se mezclan.
Como busca OpenClaw en memorias antiguas?
Combina indices de texto con embeddings vectoriales. Cuando necesita algo del pasado, lanza una busqueda semantica que encuentra memorias relevantes aunque uses palabras diferentes a las originales.
¿Listo para tener tu propio agente IA? Únete a TribuClaw →