BHGBrain es un servidor MCP de código abierto que proporciona memoria persistente basada en vectores para agentes de IA. Almacena recuerdos en SQLite y Qdrant, haciéndolos buscables mediante búsqueda semántica, de texto completo o híbrida a través de sesiones y herramientas.

¿Qué agentes de IA funcionan con BHGBrain?

Cualquier cliente compatible con MCP — Claude Code, Claude Desktop, OpenAI Codex, OpenClaw, Gemini y otros. BHGBrain soporta transporte stdio y HTTP, por lo que funciona como un proceso local o un servicio en red.

¿En qué se diferencia BHGBrain de MEMORY.md o del contexto de sesión?

MEMORY.md es un archivo plano que se carga en el contexto cada sesión, consumiendo tokens y perdiendo precisión a escala. BHGBrain almacena recuerdos como vectores con metadatos, recupera solo lo relevante mediante búsqueda semántica y deduplica automáticamente — escalando a cientos de miles de recuerdos sin inflar las ventanas de contexto.

¿Necesito una GPU o un servicio en la nube para ejecutar BHGBrain?

No. BHGBrain se ejecuta en cualquier máquina con Node.js 20+ y una instancia de Qdrant (fácilmente ejecutable mediante Docker). Los embeddings usan la API de OpenAI por defecto, o puedes usar un modelo local como nomic-embed-text a través de Ollama para operación completamente sin conexión.

¿Es BHGBrain seguro para uso empresarial?

Sí. BHGBrain se vincula a localhost por defecto, requiere autenticación mediante bearer token para conexiones no locales, redacta secretos en registros, escanea patrones de credenciales antes de almacenar recuerdos y mantiene un registro de auditoría completo de todas las operaciones de escritura y eliminación.

¿Pueden múltiples agentes compartir la misma instancia de BHGBrain?

Absolutamente. Ese es el diseño central. Múltiples clientes MCP se conectan mediante HTTP al mismo servidor BHGBrain, compartiendo una base de conocimiento. El aislamiento por namespace evita la fuga de información entre proyectos, mientras permite la compartición de conocimiento entre agentes dentro de un mismo namespace.

BHGBrain: Dale a tus Agentes de IA una Memoria Compartida y Persistente

Cada agente de codificación de IA que usas — Claude Code, Codex, Copilot, Gemini — comienza cada sesión con amnesia. El avance de depuración de ayer, esa decisión arquitectónica de la semana pasada, el estándar de codificación que tu equipo acordó hace tres sprints — todo desaparecido. O bien re-explicas todo o esperas que el agente lo infiera de los archivos que estén abiertos.

Este es el mayor punto de fricción en los flujos de trabajo agenticos hoy en día. No la calidad del modelo. No la integración de herramientas. La memoria.

BHGBrain es nuestra respuesta: un servidor MCP de código abierto que le da a tus agentes de IA un segundo cerebro compartido, persistente y buscable.

El Problema: Cada Agente es un Pez Dorado

Si has usado agentes de codificación de IA para cualquier proyecto real, conoces el patrón:

Sesión matutina: Explícas tu arquitectura, restricciones y convenciones. El agente hace un gran trabajo.
Sesión vespertina: Nueva ventana de contexto. El agente sugiere exactamente el patrón que le dijiste que evitara hace cuatro horas.
Día siguiente: Un agente diferente (quizás Codex para una tarea en segundo plano) no tiene ni idea de lo que Claude Code aprendió ayer.

Las soluciones alternativas son frágiles:

Los archivos MEMORY.md funcionan hasta que llegan a 500 líneas y empiezan a consumir el 15% de tu ventana de contexto en cada mensaje.
Los system prompts son estáticos y no pueden capturar conocimiento en evolución.
Las transcripciones de sesión son específicas de cada agente y no se pueden buscar.
Re-explicar manualmente es lo que intentábamos evitar usando agentes en primer lugar.

El problema fundamental: cada agente tiene su propio contexto efímero y ninguno se comunica con los demás.

Lo que Hace BHGBrain

BHGBrain es un servidor MCP — lo que significa que cualquier cliente de IA compatible con MCP puede conectarse a él como una herramienta. Expone un conjunto simple de operaciones:

Herramienta	Qué Hace
`remember`	Almacena un recuerdo con clasificación automática de tipo, deduplicación y etiquetado
`recall`	Búsqueda semántica — encuentra recuerdos relevantes por significado, no por palabras clave
`search`	Búsqueda híbrida que combina similitud vectorial y coincidencia de texto completo
`forget`	Elimina un recuerdo (con registro de auditoría)
`tag`	Agrega o elimina etiquetas de recuerdos
`category`	Gestiona categorías de política persistentes (arquitectura, estándares de codificación, etc.)
`collections`	Organiza recuerdos en colecciones con nombre
`backup`	Crea y restaura copias de seguridad completas

Internamente, cada recuerdo obtiene:

Embeddings vectoriales almacenados en Qdrant para búsqueda semántica
Metadatos e índice de texto completo en SQLite para filtrado rápido y búsqueda por palabras clave
Deduplicación automática — si le dices lo mismo dos veces, lo fusiona en lugar de duplicar
Clasificación por tipo — los recuerdos se categorizan como episódicos (eventos), semánticos (hechos) o procedurales (flujos de trabajo)

Por Qué un Cerebro Compartido lo Cambia Todo

El verdadero poder no es que un agente pueda recordar cosas. Es que todos tus agentes comparten la misma memoria.

Escenario: Desarrollo Multi-Agente

Estás ejecutando tres agentes en un proyecto:

Claude Code para desarrollo interactivo en tu IDE
Codex para tareas en segundo plano (generación de pruebas, refactorización)
OpenClaw para operaciones y automatización de despliegues

Sin memoria compartida, cada agente opera de forma aislada. Claude Code aprende tus convenciones de nomenclatura; Codex genera pruebas que las violan. OpenClaw despliega una configuración que contradice una decisión arquitectónica que Claude Code capturó ayer.

Con BHGBrain, cuando Claude Code almacena “Todas las rutas de API usan kebab-case y devuelven detalles de problema RFC 7807”, Codex lo recoge en su próximo recall y genera pruebas conformes. Los scripts de despliegue de OpenClaw se alinean con las mismas convenciones. Un recuerdo, tres agentes, cero deriva.

Arquitectura: Simple y Auto-Alojada

BHGBrain se ejecuta en tu máquina o en tu infraestructura. No hay dependencia en la nube más allá de la API de embeddings (e incluso eso es opcional con modelos locales).

Clientes MCP (Claude / Codex / OpenClaw / etc.)
  → Transporte MCP (HTTP o stdio)
  → Servidor BHGBrain
      → Pipeline de escritura (extracción + dedup + decisión)
      → Qdrant (búsqueda vectorial)
      → SQLite (metadatos, texto completo, categorías, registro de auditoría)

Requisitos:

Node.js 20+
Qdrant (Docker en una línea: docker run -d --name qdrant -p 6333:6333 qdrant/qdrant)
Clave API de OpenAI (para embeddings) — o usa Ollama con nomic-embed-text para operación completamente local

Listo para Empresa por Defecto

BHGBrain no es un juguete. Está construido con preocupaciones de producción desde el día uno:

Autenticación: Bearer token requerido para conexiones HTTP no locales. Falla cerrado — si la variable de entorno del token no está configurada y te vinculas a una dirección no loopback, el servidor se niega a iniciar.
Límite de tasa: 100 solicitudes/minuto/cliente por defecto.
Registro de auditoría: Cada escritura y eliminación se registra con marca de tiempo, namespace, ID de cliente y tipo de operación.
Escaneo de secretos: Los recuerdos se verifican en busca de patrones de credenciales antes de almacenarse. Los probables secretos son rechazados.
Copia de seguridad y restauración: Instantáneas completas de SQLite + Qdrant con verificación de integridad.
Degradación gradual: Si Qdrant falla, las lecturas recurren a texto completo de SQLite. Si la API de embeddings no está disponible, el servidor entra en modo degradado en lugar de bloquearse.

Comenzando en 5 Minutos

1. Inicia Qdrant

2. Instala BHGBrain

3. Configura tu agente

4. Empieza a recordar

Pídele a tu agente que recuerde algo:

“Recuerda: nuestra API usa rutas en kebab-case, devuelve detalles de problema RFC 7807, y todos los endpoints requieren autenticación mediante Bearer token.”

BHGBrain lo almacena, lo clasifica como semantic, lo etiqueta apropiadamente y lo pone a disposición de cada agente conectado mediante recall.

Cuándo Usar BHGBrain vs. MEMORY.md

	MEMORY.md	BHGBrain
Escala	~100 recuerdos antes de inflar el contexto	500,000+ recuerdos
Búsqueda	Archivo completo cargado cada sesión	Recuperación semántica del subconjunto relevante
Multi-agente	Por agente, por workspace	Compartido entre todos los clientes MCP
Deduplicación	Manual	Automática (hash + similitud coseno)
Tipos	Texto plano	Episódico, semántico, procedural
Auditoría	Ninguna	Registro de auditoría completo
Copia de seguridad	Git	Copia/restauración dedicada con verificación de integridad

Pruébalo

BHGBrain es código abierto bajo licencia MIT.

GitHub: github.com/Big-Hat-Group-Inc/BHGBrain

Si tus agentes de IA siguen olvidando lo que les dijiste ayer, dales un cerebro que dure.

Kevin Kaminski es el fundador de Big Hat Group, donde construimos herramientas y prácticas de consultoría en torno a IA empresarial, Windows 365 e infraestructura en la nube. BHGBrain surgió de nuestra propia frustración con la amnesia de los agentes en los flujos de trabajo multi-agente que ejecutamos a diario.