La mayoría de los productos de IA afirman que «te recuerdan». Lo que suelen querer decir es que la ventana de conversación actual todavía no se ha desplazado fuera de rango. En cuanto cierras la pestaña, el modelo no tiene ni idea de quién eres. Vuelves a explicar tu stack, tus preferencias y tus restricciones desde cero cada vez.
La memoria a largo plazo de ToRun es un mecanismo completamente distinto. Este artículo describe qué guarda, cómo se ensambla en cada turno y qué puedes hacer con ella.
Qué se guarda y por qué
La memoria en ToRun es un conjunto de datos duraderos extraídos de tus conversaciones. Piénsalos como notas estructuradas — no un volcado de la transcripción, sino observaciones discretas: prefieres respuestas concisas, tu proyecto usa MongoDB, trabajas en TypeScript, tienes formación en aprendizaje automático, quieres ejemplos de código con un estilo concreto.
Los datos son independientes del idioma. Si escribes en turco durante tres sesiones y en inglés durante diez, el sistema de memoria no se fragmenta en silos por idioma. Una normalización consciente de Unicode (descomposición NFKD, eliminación de diacríticos, plegado de mayúsculas) hace que un dato introducido en un idioma aparezca cuando consultas en otro. Esto importa en la práctica: una plataforma de 29 idiomas no puede permitirse una memoria que solo funcione bien para quien habla inglés.
Pueden añadirse datos nuevos de forma automática, según el modelo detecta información duradera, o puedes afirmarlos explícitamente («recuerda que despliego en Azure»). Ninguna de las dos vías se te oculta.
Cómo la memoria se convierte en contexto al llamar
Cada turno de chat en ToRun ensambla tres capas de contexto antes de que el prompt llegue a un modelo:
- Capa de sistema — instrucciones a nivel de producto, rol y estilo del asistente, instrucciones activas de la base de conocimiento.
- Capa de resumen — una representación comprimida de la conversación hasta ese punto, gestionada automáticamente para que los hilos largos no agoten la ventana de contexto del modelo.
- Capa reciente — los últimos N turnos literales, con más peso en lo último que dijiste.
La memoria a largo plazo encaja en la capa de sistema. El paso de recuperación se ejecuta contra tus datos guardados usando una señal de relevancia del mensaje actual: si preguntas por indexación de bases de datos, afloran los datos sobre preferencias de MongoDB; si pasas a hablar de diseño, se repliegan. El modelo solo ve lo relevante para el turno actual, no un volcado plano de todos los datos que has generado. Así la ventana de contexto se usa con eficiencia y se evita el «hinchado de memoria», donde detalles personales irrelevantes diluyen la señal.
Los presupuestos de contexto dependen del nivel — el nivel gratuito recibe 16K tokens de contexto total, escalando por los planes de suscripción hasta 1M de tokens en Enterprise. Cuando el contexto ensamblado (memoria + resumen + turnos recientes) supere la ventana del modelo, ToRun recorta primero la capa de resumen, y nunca descarta en silencio tus mensajes más recientes ni tus datos de memoria más relevantes.
Los datos son tuyos, los hechos los controlas tú
La memoria pertenece al usuario. Puedes listar todo lo que ToRun ha guardado sobre ti y borrar elementos sueltos o todo. No hay una memoria «secreta» que influya en tus conversaciones sin que lo sepas. El almacén de datos es inspeccionable y olvidable a demanda.
Este diseño se desprende de un principio más amplio: ToRun debe mostrarte su estado real, no ocultarlo. Una memoria transparente significa que puedes confiar en ella. Si el modelo usa un dato equivocado — digamos que una vez recordó que preferías explicaciones extensas y ahora las quieres concisas — le dices que lo olvide y la siguiente llamada no verá ese dato.
El borrado es permanente e inmediato. No hay periodo de gracia en el que el dato antiguo siga apareciendo.
Las bases de conocimiento no son lo mismo que la memoria
La memoria guarda datos sobre ti. Las bases de conocimiento fundamentan respuestas en tus documentos.
Cuando subes documentación, código o contenido de dominio a una base de conocimiento, ToRun usa generación aumentada por recuperación (RAG) para traer los fragmentos relevantes en el momento de la consulta. El texto recuperado se inserta junto al contexto de la conversación, y el modelo cita lo que usó. Es la herramienta adecuada cuando tu pregunta exige leer material fuente — una especificación de API, un documento legal, tu manual interno — en lugar de recordar una preferencia personal.
Los dos sistemas se combinan: un solo turno puede tirar tanto de tus datos personales de memoria como de una recuperación en una base de conocimiento. Alimentan capas distintas del ensamblado de contexto y sirven a propósitos distintos. La memoria responde «quién eres y cómo prefieres trabajar»; la base de conocimiento responde «qué dice este documento».
Usar ambas juntas es lo que hace útil a ToRun para flujos de trabajo reales y no solo para demostraciones. Tus preferencias se quedan en memoria para que no las repitas; tu material fuente se queda en la base de conocimiento para que las respuestas se apoyen en evidencia y no en los datos de entrenamiento del modelo.