§SOLUTION

Agentes de IA

Memoria persistente para agentes autónomos

Persistent agent memory · 1.2ms recall

Memoria con namespaces · sobrevive reinicios · cero re-embedding

El dolor

Memoria que olvida

Los agentes pierden contexto entre sesiones. Re-embedding es caro. Las vector DBs externas suman latencia y coste.

Solución VantaDB

Recall local durable

VantaDB da a cada agente un store de memoria local y durable. put() una memoria con payload + metadata + vector. search() híbrido sobre BM25 + HNSW. Sin red, sin API keys, 1.2ms de latencia.

Flujo

Cómo funciona end-to-end

Agente observa → embed → db.put(namespace, key, payload, vector)

Agente recupera → db.search_memory(namespace, query_vector=query, top_k=5)

Sesión termina → db.flush() → WAL persiste · proceso sale

Nueva sesión → reabrir DB → memorias intactas · cero re-embedding

Métricas

1.2ms

Latencia de recall

Hops de red

99.8%

Recall@10

Código

ai-agents.pyPython · vantadb

import vantadb

db = vantadb.VantaDB("./agent_memory")

# Store an observation with semantic vector
db.put("agent/main", "obs-042",
    "User prefers dark mode and concise answers",
    metadata={"session": "2026-W15", "type": "preference"},
    vector=embed("user prefers dark mode concise"))

# Recall relevant memories for current context
hits = db.search_memory("agent/main", query_vector=embed(query), top_k=5)
for hit in hits:
    print(hit.key, hit.score, hit.payload)

db.close()

Dale memoria a tu agente

pip install vantadb-py y put() tu primera observación en 30 segundos.

pip install vantadb-py