HERRAMIENTAS
Aru libera lossless-memory: una memoria local para IA que prioriza el tiempo sobre la similitud
Aru ha liberado lossless-memory, un proyecto local en Python que guarda cada línea de conversación con marca temporal y recupera por tiempo antes que por similitud. Usa JSONL, SQLite FTS5 y sqlite-vec, y añade marcadores de tema. Es una propuesta centrada en una sola persona y equipo, con mediciones operativas y sin benchmarks comparativos.
Qué ha ocurrido
El 4 de septiembre, Aru publicó la primera versión de lossless-memory, una capa local de memoria que conserva cada línea de conversación con sello temporal en archivos JSONL diarios y trata los índices como reemplazables. La recuperación combina búsqueda exacta (SQLite FTS5) y semántica (sqlite-vec), pero ordena primero por tiempo: se filtra por fecha/hora solicitada, se buscan coincidencias textuales y se devuelven líneas originales en orden cronológico. Un componente (LLL) inserta marcadores breves de tema en cada turno, definidos por la persona usuaria. La apuesta: el registro crudo es la autoridad; los resúmenes sirven como índices, no como sustitutos, a cambio de más almacenamiento y mayor peso en la recuperación.
Qué significa para creadores
Si trabajas con asistentes y proyectos en serie, esta estrategia ayuda a mantener continuidad real (cronología, tono, chistes) y a preguntar “qué decidimos el martes por la noche” sin que otra conversación similar desplace la correcta. En la práctica: formula consultas acotando primero por tiempo y luego por texto; usa los marcadores LLL para guiar al asistente entre sesiones; cuida la higiene del índice (el proyecto documenta cómo datos ajenos contaminaron la búsqueda hasta corregir el indexador). Es un sistema local para una sola persona y máquina: tendrás que decidir copias de seguridad, cifrado y retención. Limitaciones a tener en cuenta: ruta de ingesta más probada con historiales JSONL de Claude Code, análisis temporal prioriza japonés (en inglés se requieren fechas absolutas) y no hay comparativas públicas; pruébalo en tu flujo real y mide costes de almacenamiento y calidad de recuperación.
Fuente y contexto
Según RuntimeWire, lossless-memory nace de meses de uso personal y de frustraciones con resúmenes que perdían matices. Registra siete campos por turno (incluye marca temporal, actor, rol, tipo, texto, modelo y sesión) y permite reconstruir índices sin tocar el original. Medidas operativas del repositorio: la reconstrucción del índice de búsqueda exacta bajó de 40 s a 1,24 s y el almacén vectorial pasó de 2,54 GB a 337 MB tras eliminar registros obsoletos y ajenos; un fallo previo llegó a acumular ~750.000 líneas irrelevantes hasta arreglar el indexador. No hay benchmarks comparativos y el alcance es intencionadamente personal y sin nube. El commit inicial acredita el uso de Claude Fable 5.1 como colaborador de código, y el repositorio reconoce a Cece como co-diseñadora; el objetivo a largo plazo es un acompañante local operado en hardware propio.