Generar visualización SVG
May 23, 2026 · View on GitHub
English | Français | Español | Deutsch | Italiano | Português | Nederlands | Polski | Русский | 日本語 | 中文 | العربية | 한국어
ICM
Memoria permanente para agentes de IA. Binario único, sin dependencias, MCP nativo.
ICM le da a tu agente de IA una memoria real — no una herramienta de notas, no un gestor de contexto, una memoria.
ICM (Infinite Context Memory)
┌──────────────────────┬─────────────────────────┐
│ MEMORIES (Topics) │ MEMOIRS (Knowledge) │
│ │ │
│ Episodic, temporal │ Permanent, structured │
│ │ │
│ ┌───┐ ┌───┐ ┌───┐ │ ┌───┐ │
│ │ m │ │ m │ │ m │ │ │ C │──depends_on──┐ │
│ └─┬─┘ └─┬─┘ └─┬─┘ │ └───┘ │ │
│ │decay │ │ │ │ refines ┌─▼─┐│
│ ▼ ▼ ▼ │ ┌─▼─┐ │ C ││
│ weight decreases │ │ C │──part_of──>└───┘│
│ over time unless │ └───┘ │
│ accessed/critical │ Concepts + Relations │
├──────────────────────┴─────────────────────────┤
│ SQLite + FTS5 + sqlite-vec │
│ Hybrid search: BM25 (30%) + cosine (70%) │
└─────────────────────────────────────────────────┘
Dos modelos de memoria:
- Memories — almacena/recupera con decaimiento temporal por importancia. Las memorias críticas nunca desaparecen, las de baja importancia decaen de forma natural. Filtra por tema o palabra clave.
- Memoirs — grafos de conocimiento permanentes. Conceptos vinculados por relaciones tipadas (
depends_on,contradicts,superseded_by, ...). Filtra por etiqueta. - Feedback — registra correcciones cuando las predicciones de la IA son incorrectas. Busca errores pasados antes de hacer nuevas predicciones. Aprendizaje de bucle cerrado.
Instalación
# Homebrew (macOS / Linux)
brew tap rtk-ai/tap && brew install icm
# Instalación rápida
curl -fsSL https://raw.githubusercontent.com/rtk-ai/icm/main/install.sh | sh
# Desde el código fuente
cargo install --path crates/icm-cli
Configuración inicial
# Detectar y configurar automáticamente todas las herramientas soportadas
icm init
Configura 17 herramientas con un solo comando (guia de integración completa):
| Herramienta | MCP | Hooks | CLI | Skills |
|---|---|---|---|---|
| Claude Code | ~/.claude.json | 5 hooks | CLAUDE.md | /recall /remember |
| Claude Desktop | JSON | — | — | — |
| Gemini CLI | ~/.gemini/settings.json | 5 hooks | GEMINI.md | — |
| Codex CLI | ~/.codex/config.toml | 4 hooks | AGENTS.md | — |
| Copilot CLI | ~/.copilot/mcp-config.json | 4 hooks | .github/copilot-instructions.md | — |
| Cursor | ~/.cursor/mcp.json | — | — | regla .mdc |
| Windsurf | JSON | — | .windsurfrules | — |
| VS Code | ~/Library/.../Code/User/mcp.json | — | — | — |
| Amp | JSON | — | — | /icm-recall /icm-remember |
| Amazon Q | JSON | — | — | — |
| Cline | VS Code globalStorage | — | — | — |
| Roo Code | VS Code globalStorage | — | — | regla .md |
| Kilo Code | VS Code globalStorage | — | — | — |
| Zed | ~/.zed/settings.json | — | — | — |
| OpenCode | JSON | plugin TS | — | — |
| Continue.dev | ~/.continue/config.yaml | — | — | — |
| Aider | — | — | .aider.conventions.md | — |
O manualmente:
# Claude Code
claude mcp add icm -- icm serve
# Modo compacto (respuestas más cortas, ahorra tokens)
claude mcp add icm -- icm serve --compact
# Cualquier cliente MCP: command = "icm", args = ["serve"]
Skills / rules
icm init --mode skill
Instala comandos slash y reglas para Claude Code (/recall, /remember), Cursor (regla .mdc), Roo Code (regla .md) y Amp (/icm-recall, /icm-remember).
Hooks (5 herramientas)
icm init --mode hook
Instala hooks de auto-extracción y auto-recuperación para todas las herramientas soportadas:
| Herramienta | SessionStart | PreTool | PostTool | Compact | PromptRecall | Config |
|---|---|---|---|---|---|---|
| Claude Code | icm hook start | icm hook pre | icm hook post | icm hook compact | icm hook prompt | ~/.claude/settings.json |
| Gemini CLI | icm hook start | icm hook pre | icm hook post | icm hook compact | icm hook prompt | ~/.gemini/settings.json |
| Codex CLI | icm hook start | icm hook pre | icm hook post | — | icm hook prompt | ~/.codex/hooks.json |
| Copilot CLI | icm hook start | icm hook pre | icm hook post | — | icm hook prompt | .github/hooks/icm.json |
| OpenCode | session start | — | tool extract | compaction | — | ~/.config/opencode/plugins/icm.ts |
Qué hace cada hook:
| Hook | Qué hace |
|---|---|
icm hook start | Inyecta un paquete de inicio con memorias críticas/alta importancia al inicio de sesión (~500 tokens) |
icm hook pre | Permite automáticamente los comandos CLI icm (sin prompt de permiso) |
icm hook post | Extrae hechos de la salida de herramientas cada N llamadas (auto-extracción) |
icm hook compact | Extrae memorias del transcript antes de la compresión de contexto |
icm hook prompt | Inyecta contexto recuperado al inicio de cada prompt del usuario |
CLI vs MCP
ICM puede usarse vía CLI (comandos icm) o servidor MCP (icm serve). Ambos acceden a la misma base de datos.
| CLI | MCP | |
|---|---|---|
| Latencia | ~30ms (binario directo) | ~50ms (JSON-RPC stdio) |
| Coste en tokens | 0 (basado en hooks, invisible) | ~20-50 tokens/llamada (esquema de herramienta) |
| Configuración | icm init --mode hook | icm init --mode mcp |
| Compatible con | Claude Code, Gemini, Codex, Copilot, OpenCode (vía hooks) | Las 17 herramientas compatibles con MCP |
| Auto-extracción | Sí (los hooks lanzan icm extract) | Sí (las herramientas MCP llaman a store) |
| Ideal para | Usuarios avanzados, ahorro de tokens | Compatibilidad universal |
CLI
Memories (episódicas, con decaimiento)
# Almacenar
icm store -t "my-project" -c "Use PostgreSQL for the main DB" -i high -k "db,postgres"
# Recuperar
icm recall "database choice"
icm recall "auth setup" --topic "my-project" --limit 10
icm recall "architecture" --keyword "postgres"
# Gestionar
icm forget <memory-id>
icm consolidate --topic "my-project"
icm topics
icm stats
# Extraer hechos de texto (basado en reglas, sin coste LLM)
echo "The parser uses Pratt algorithm" | icm extract -p my-project
Memoirs (grafos de conocimiento permanentes)
# Crear un memoir
icm memoir create -n "system-architecture" -d "System design decisions"
# Añadir conceptos con etiquetas
icm memoir add-concept -m "system-architecture" -n "auth-service" \
-d "Handles JWT tokens and OAuth2 flows" -l "domain:auth,type:service"
# Vincular conceptos
icm memoir link -m "system-architecture" --from "api-gateway" --to "auth-service" -r depends-on
# Buscar con filtro de etiqueta
icm memoir search -m "system-architecture" "authentication"
icm memoir search -m "system-architecture" "service" --label "domain:auth"
# Inspeccionar vecindad
icm memoir inspect -m "system-architecture" "auth-service" -D 2
# Exportar grafo (formatos: json, dot, ascii, ai)
icm memoir export -m "system-architecture" -f ascii # Dibujo en caja con barras de confianza
icm memoir export -m "system-architecture" -f dot # Graphviz DOT (color = nivel de confianza)
icm memoir export -m "system-architecture" -f ai # Markdown optimizado para contexto LLM
icm memoir export -m "system-architecture" -f json # JSON estructurado con todos los metadatos
# Generar visualización SVG
icm memoir export -m "system-architecture" -f dot | dot -Tsvg > graph.svg
Herramientas MCP (31)
Herramientas de Memory
| Herramienta | Descripción |
|---|---|
icm_memory_store | Almacena con deduplicación automática (>85% similitud → actualiza en lugar de duplicar) |
icm_memory_recall | Busca por consulta, filtra por tema y/o palabra clave |
icm_memory_update | Edita una memoria en el lugar (contenido, importancia, palabras clave) |
icm_memory_forget | Elimina una memoria por ID |
icm_memory_consolidate | Fusiona todas las memorias de un tema en un único resumen |
icm_memory_list_topics | Lista todos los temas con sus conteos |
icm_memory_stats | Estadísticas globales de memoria |
icm_memory_health | Auditoría de higiene por tema (antigüedad, necesidades de consolidación) |
icm_memory_embed_all | Rellena embeddings para búsqueda vectorial |
Herramientas de Memoir (grafos de conocimiento)
| Herramienta | Descripción |
|---|---|
icm_memoir_create | Crea un nuevo memoir (contenedor de conocimiento) |
icm_memoir_list | Lista todos los memoirs |
icm_memoir_show | Muestra los detalles del memoir y todos los conceptos |
icm_memoir_add_concept | Añade un concepto con etiquetas |
icm_memoir_refine | Actualiza la definición de un concepto |
icm_memoir_search | Búsqueda de texto completo, opcionalmente filtrada por etiqueta |
icm_memoir_search_all | Busca en todos los memoirs |
icm_memoir_link | Crea una relación tipada entre conceptos |
icm_memoir_inspect | Inspecciona el concepto y la vecindad del grafo (BFS) |
icm_memoir_export | Exporta el grafo (json, dot, ascii, ai) con niveles de confianza |
Herramientas de Feedback (aprendizaje de errores)
| Herramienta | Descripción |
|---|---|
icm_feedback_record | Registra una corrección cuando una predicción de IA fue incorrecta |
icm_feedback_search | Busca correcciones pasadas para informar predicciones futuras |
icm_feedback_stats | Estadísticas de feedback: total, desglose por tema, más aplicados |
Tipos de relación
part_of · depends_on · related_to · contradicts · refines · alternative_to · caused_by · instance_of · superseded_by
Cómo funciona
Modelo de memoria dual
Memoria episódica (Topics) captura decisiones, errores, preferencias. Cada memoria tiene un peso que decae con el tiempo según la importancia:
| Importancia | Decaimiento | Poda | Comportamiento |
|---|---|---|---|
critical | ninguno | nunca | Nunca olvidada, nunca podada |
high | lento (0.5x tasa) | nunca | Desvanece lentamente, nunca se elimina automáticamente |
medium | normal | sí | Decaimiento estándar, podada cuando el peso < umbral |
low | rápido (2x tasa) | sí | Olvidada rápidamente |
El decaimiento es consciente del acceso: las memorias frecuentemente recuperadas decaen más lento (decay / (1 + access_count × 0.1)). Se aplica automáticamente al recuperar (si han pasado >24h desde el último decaimiento).
La higiene de memoria está incorporada:
- Deduplicación automática: almacenar contenido >85% similar a una memoria existente en el mismo tema la actualiza en lugar de crear un duplicado
- Avisos de consolidación: cuando un tema supera las 7 entradas,
icm_memory_storeadvierte al llamador que consolide - Auditoría de salud:
icm_memory_healthreporta el número de entradas por tema, peso promedio, entradas antiguas y necesidades de consolidación - Sin pérdida silenciosa de datos: las memorias críticas y de alta importancia nunca se podan automáticamente
Memoria semántica (Memoirs) captura conocimiento estructurado como un grafo. Los conceptos son permanentes — se refinan, nunca decaen. Usa superseded_by para marcar hechos obsoletos en lugar de eliminarlos.
Búsqueda híbrida
Con embeddings habilitados, ICM usa búsqueda híbrida:
- FTS5 BM25 (30%) — coincidencia de texto completo por palabras clave
- Similitud coseno (70%) — búsqueda vectorial semántica vía sqlite-vec
Modelo por defecto: intfloat/multilingual-e5-base (768d, más de 100 idiomas). Configurable en tu archivo de configuración:
[embeddings]
# enabled = false # Deshabilitar completamente (sin descarga de modelo)
model = "intfloat/multilingual-e5-base" # 768d, multilingüe (por defecto)
# model = "intfloat/multilingual-e5-small" # 384d, multilingüe (más ligero)
# model = "intfloat/multilingual-e5-large" # 1024d, multilingüe (mejor precisión)
# model = "Xenova/bge-small-en-v1.5" # 384d, solo inglés (más rápido)
# model = "jinaai/jina-embeddings-v2-base-code" # 768d, optimizado para código
Para omitir completamente la descarga del modelo de embeddings, usa cualquiera de estos:
icm --no-embeddings serve # Flag CLI
ICM_NO_EMBEDDINGS=1 icm serve # Variable de entorno
O establece enabled = false en tu archivo de configuración. ICM recurrirá a la búsqueda por palabras clave FTS5 (sigue funcionando, simplemente sin coincidencia semántica).
Cambiar el modelo recrea automáticamente el índice vectorial (los embeddings existentes se borran y pueden regenerarse con icm_memory_embed_all).
Almacenamiento
Archivo SQLite único. Sin servicios externos, sin dependencia de red.
~/Library/Application Support/dev.icm.icm/memories.db # macOS
~/.local/share/dev.icm.icm/memories.db # Linux
C:\Users\<user>\AppData\Local\icm\icm\data\memories.db # Windows
Configuración
icm config # Mostrar configuración activa
Ubicación del archivo de configuración (específico por plataforma, o $ICM_CONFIG):
~/Library/Application Support/dev.icm.icm/config.toml # macOS
~/.config/icm/config.toml # Linux
C:\Users\<user>\AppData\Roaming\icm\icm\config\config.toml # Windows
Ver config/default.toml para todas las opciones.
Multi-proyecto y multi-agente
ICM está diseñado para el caso en el que un usuario colabora con muchos agentes a través de muchos proyectos. Las memorias deben mantenerse relevantes: una decisión del proyecto A nunca debería filtrarse al proyecto B, y un agente dev no debería ser hidratado con lo que un agente mentor almacenó.
Aislamiento por proyecto
ICM delimita las memorias mediante una convención de nomenclatura de topics, no mediante una columna separada. La convención:
{kind}-{project} # e.g. decisions-icm, errors-resolved-icm, contexte-rtk-cloud
preferences # global, always included
identity # global, always included
icm_wake_up { project: "icm" } realiza una correspondencia consciente de segmentos: "icm" coincide con decisions-icm, errors-icm-core, contexte-icm — pero nunca con icmp-notes (sin falsos positivos). Los topics se dividen por -, ., _, /, :. Los topics de preferencias e identidad son entre proyectos por diseño — la guía a nivel de usuario nunca se elimina.
El hook UserPromptSubmit (icm hook prompt) y el hook SessionStart (icm hook start) derivan ambos el proyecto a partir del campo cwd en el JSON del hook (basename del directorio de trabajo). Ejecuta cada proyecto desde su propio directorio y el aislamiento es automático.
Cómo escribir buenas memorias
icm_memory_store requiere que el agente elija topic y content — no hay clasificador automático. Mejores prácticas:
| Campo | Recomendación |
|---|---|
topic | {kind}-{project}. Tipos: decisions, errors-resolved, contexte, preferences. |
content | Un hecho por almacenamiento. Resumen denso en inglés — topic + content es el texto del embedding. |
raw_excerpt | Solo verbatim (código, mensaje de error exacto, salida de comando). |
keywords | 3–5 términos para potenciar la recuperación BM25. |
importance | critical para nunca olvidar, high para decisiones de proyecto, medium por defecto, low para efímeros. |
ICM se encarga del resto: deduplicación al 85% de similitud, enlace automático entre memorias semánticamente cercanas, consolidación automática por encima de 10 entradas por topic, y decay ponderado por número de accesos. Un hecho por llamada supera los volcados por lotes — el recuperador clasifica más alto los hechos almacenados individualmente.
Roles multi-agente
ICM aún no dispone de una columna role de primera clase. Hoy en día, los roles se emulan mediante sufijos de topic más directorios de trabajo por agente:
decisions-icm-dev # dev agent: code patterns, library choices, refactors
decisions-icm-architect # architect: design, workflows, subtask decomposition
decisions-icm-mentor # mentor / BA: business goals, non-technical context
Cada agente se ejecuta en su propio directorio de trabajo (~/projects/icm-dev/, ~/projects/icm-architect/, ...) de modo que icm hook prompt e icm hook start deriven un segmento de proyecto distinto a partir de cwd y solo recuperen las memorias correspondientes. Las preferencias siguen siendo globales — la identidad del usuario se mantiene a través de todos los roles.
Dentro de un mismo agente, también puedes restringir manualmente el recall:
// icm_memory_recall
{ "query": "auth flow", "topic": "decisions-icm-architect", "limit": 5 }
Un campo role de primera clase (con filtrado nativo en wake-up y recall) está en la hoja de ruta. Hasta entonces, la convención de sufijos de topic es el patrón soportado.
Auto-extracción
ICM extrae memorias automáticamente mediante tres capas:
Capa 0: Hooks de patrones Capa 1: PreCompact Capa 2: UserPromptSubmit
(sin coste LLM) (sin coste LLM) (sin coste LLM)
┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐
│ Hook PostToolUse │ │ Hook PreCompact │ │ UserPromptSubmit │
│ │ │ │ │ │
│ • Errores Bash │ │ El contexto está │ │ El usuario envía │
│ • git commits │ │ a punto de │ │ un prompt │
│ • cambios config │ │ comprimirse → │ │ → icm recall │
│ • decisiones │ │ extraer memorias │ │ → inyectar cont. │
│ • preferencias │ │ del transcript │ │ │
│ • aprendizajes │ │ antes de perderlos│ │ El agente empieza │
│ • restricciones │ │ para siempre │ │ con memorias │
│ │ │ │ │ relevantes ya │
│ Basado en reglas, │ │ Mismos patrones + │ │ cargadas │
│ sin LLM │ │ --store-raw fallbk│ │ │
└──────────────────┘ └──────────────────┘ └──────────────────┘
| Capa | Estado | Coste LLM | Comando hook | Descripción |
|---|---|---|---|---|
| Capa 0 | Implementada | 0 | icm hook post | Extracción de palabras clave basada en reglas de la salida de herramientas |
| Capa 1 | Implementada | 0 | icm hook compact | Extrae del transcript antes de la compresión de contexto |
| Capa 2 | Implementada | 0 | icm hook prompt | Inyecta memorias recuperadas en cada prompt del usuario |
Las 3 capas se instalan automáticamente con icm init --mode hook.
Comparación con alternativas
| Sistema | Método | Coste LLM | Latencia | ¿Captura compactación? |
|---|---|---|---|---|
| ICM | Extracción 3 capas | 0 a ~500 tok/sesión | 0ms | Sí (PreCompact) |
| Mem0 | 2 llamadas LLM/mensaje | ~2k tok/mensaje | 200-2000ms | No |
| claude-mem | PostToolUse + async | ~1-5k tok/sesión | 8ms hook | No |
| MemGPT/Letta | El agente se gestiona solo | 0 marginal | 0ms | No |
| DiffMem | Diffs basados en Git | 0 | 0ms | No |
Benchmarks
Rendimiento de almacenamiento
ICM Benchmark (1000 memories, 384d embeddings)
──────────────────────────────────────────────────────────
Store (no embeddings) 1000 ops 34.2 ms 34.2 µs/op
Store (with embeddings) 1000 ops 51.6 ms 51.6 µs/op
FTS5 search 100 ops 4.7 ms 46.6 µs/op
Vector search (KNN) 100 ops 59.0 ms 590.0 µs/op
Hybrid search 100 ops 95.1 ms 951.1 µs/op
Decay (batch) 1 ops 5.8 ms 5.8 ms/op
──────────────────────────────────────────────────────────
Apple M1 Pro, SQLite en memoria, monohilo. icm bench --count 1000
Eficiencia del agente
Flujo de trabajo multisesión con un proyecto Rust real (12 archivos, ~550 líneas). Las sesiones 2+ muestran las mayores ganancias ya que ICM recupera en lugar de releer archivos.
ICM Agent Benchmark (10 sessions, model: haiku, 3 runs averaged)
══════════════════════════════════════════════════════════════════
Without ICM With ICM Delta
Session 2 (recall)
Turns 5.7 4.0 -29%
Context (input) 99.9k 67.5k -32%
Cost \$0.0298 \$0.0249 -17%
Session 3 (recall)
Turns 3.3 2.0 -40%
Context (input) 74.7k 41.6k -44%
Cost \$0.0249 \$0.0194 -22%
══════════════════════════════════════════════════════════════════
icm bench-agent --sessions 10 --model haiku
Retención de conocimiento
El agente recupera hechos específicos de un documento técnico denso entre sesiones. La sesión 1 lee y memoriza; las sesiones 2+ responden 10 preguntas de hecho sin el texto fuente.
ICM Recall Benchmark (10 questions, model: haiku, 5 runs averaged)
══════════════════════════════════════════════════════════════════════
No ICM With ICM
──────────────────────────────────────────────────────────────────────
Average score 5% 68%
Questions passed 0/10 5/10
══════════════════════════════════════════════════════════════════════
icm bench-recall --model haiku
LLMs locales (ollama)
La misma prueba con modelos locales — inyección de contexto puro, sin necesidad de uso de herramientas.
Model Params No ICM With ICM Delta
─────────────────────────────────────────────────────────
qwen2.5:14b 14B 4% 97% +93%
mistral:7b 7B 4% 93% +89%
llama3.1:8b 8B 4% 93% +89%
qwen2.5:7b 7B 4% 90% +86%
phi4:14b 14B 6% 79% +73%
llama3.2:3b 3B 0% 76% +76%
gemma2:9b 9B 4% 76% +72%
qwen2.5:3b 3B 2% 58% +56%
─────────────────────────────────────────────────────────
scripts/bench-ollama.sh qwen2.5:14b
Protocolo de pruebas
Todos los benchmarks usan llamadas API reales — sin mocks, sin respuestas simuladas, sin respuestas en caché.
- Benchmark de agente: Crea un proyecto Rust real en un directorio temporal. Ejecuta N sesiones con
claude -p --output-format json. Sin ICM: configuración MCP vacía. Con ICM: servidor MCP real + auto-extracción + inyección de contexto. - Retención de conocimiento: Usa un documento técnico ficticio (el "Protocolo Meridian"). Puntúa las respuestas por coincidencia de palabras clave contra hechos esperados. Tiempo límite de 120s por invocación.
- Aislamiento: Cada ejecución usa su propio directorio temporal y base de datos SQLite nueva. Sin persistencia de sesión.
Memoria unificada multi-agente
Las 17 herramientas comparten la misma base de datos SQLite. Una memoria almacenada por Claude está disponible instantáneamente para Gemini, Codex, Copilot, Cursor y todas las demás herramientas.
ICM Multi-Agent Efficiency Benchmark (10 seeded facts, 5 CLI agents)
╔══════════════╦═══════╦══════════╦════════╦═══════════╦═══════╗
║ Agent ║ Facts ║ Accuracy ║ Detail ║ Latency ║ Score ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ Claude Code ║ 10/10 ║ 100% ║ 5/5 ║ ~15s ║ 99 ║
║ Gemini CLI ║ 10/10 ║ 100% ║ 5/5 ║ ~33s ║ 94 ║
║ Copilot CLI ║ 10/10 ║ 100% ║ 5/5 ║ ~10s ║ 100 ║
║ Cursor Agent ║ 10/10 ║ 100% ║ 5/5 ║ ~16s ║ 99 ║
║ Aider ║ 10/10 ║ 100% ║ 5/5 ║ ~5s ║ 100 ║
╠══════════════╬═══════╬══════════╬════════╬═══════════╬═══════╣
║ AVERAGE ║ ║ ║ ║ ║ 98 ║
╚══════════════╩═══════╩══════════╩════════╩═══════════╩═══════╝
Score = 60% precisión de recuperación + 30% detalle de hechos + 10% velocidad. 98% de eficiencia multi-agente.
Por qué ICM
| Capacidad | ICM | Mem0 | Engram | AgentMemory |
|---|---|---|---|---|
| Soporte de herramientas | 17 | Solo SDK | ~6-8 | ~10 |
| Configuración en un comando | icm init | SDK manual | manual | manual |
| Hooks (auto-recuperación al inicio) | 5 herramientas | ninguno | vía MCP | 1 herramienta |
| Búsqueda híbrida (FTS5 + vector) | 30/70 ponderado | solo vector | solo FTS5 | FTS5+vector |
| Embeddings multilingües | 100+ idiomas (768d) | depende | ninguno | Inglés 384d |
| Grafo de conocimiento | Sistema Memoir | ninguno | ninguno | ninguno |
| Decaimiento temporal + consolidación | sensible al acceso | ninguno | básico | básico |
| Dashboard TUI | icm dashboard | ninguno | sí | visor web |
| Auto-extracción desde salida de herramientas | 3 capas, cero LLM | ninguno | ninguno | ninguno |
| Bucle de feedback/corrección | icm_feedback_* | ninguno | ninguno | ninguno |
| Runtime | Binario Rust único | Python | Go | Node.js |
| Local-first, sin dependencias | Archivo SQLite | cloud-first | SQLite | SQLite |
| Precisión de recuperación multi-agente | 98% | N/A | N/A | 95.2% |
Documentación
| Documento | Descripción |
|---|---|
| Guía de integración | Configuración para las 17 herramientas: Claude Code, Copilot, Cursor, Windsurf, Zed, Amp, etc. |
| Arquitectura técnica | Estructura de crates, pipeline de búsqueda, modelo de decaimiento, integración sqlite-vec, pruebas |
| Guía de usuario | Instalación, organización de temas, consolidación, extracción, resolución de problemas |
| Descripción del producto | Casos de uso, benchmarks, comparación con alternativas |
Licencia
Source-Available — Gratuito para individuos y equipos de ≤ 20 personas. Se requiere licencia empresarial para organizaciones más grandes. Contacto: contact@rtk-ai.app