Open Memory Protocol (OMP) es una especificación abierta y neutral frente a proveedores, diseñada para resolver el problema de los silos de memoria en las herramientas de inteligencia artificial. Hoy, cada asistente —Claude, ChatGPT, Cursor, Copilot— conserva el contexto del usuario dentro de su propio ecosistema, de modo que al cambiar de herramienta se pierde toda la personalización acumulada y el usuario debe volver a explicarse.
OMP define un esquema canónico para los objetos de memoria (con campos como contenido, tipo, origen, etiquetas, marcas de tiempo y embeddings opcionales), una API REST para operaciones CRUD y búsqueda semántica, un sistema de autenticación mediante bearer tokens, y un formato JSON portátil para exportar e importar memorias entre servidores. Los recuerdos se clasifican en tres tipos: episódicos (eventos), semánticos (hechos y preferencias) y procedimentales (saberes de cómo hacer).
El proyecto se distribuye como un servidor de referencia autoalojable, ejecutable en un solo comando con Node.js 22 o mediante Docker, que escucha por defecto en el puerto 3456. Incluye también SDKs para TypeScript y Python, un adaptador para Claude a través del Model Context Protocol (MCP) y compatibilidad genérica vía REST con cualquier cliente HTTP. Los adaptadores para OpenAI Assistants, Cursor, Copilot y Gemini están marcados como "help wanted" en el repositorio.
Su filosofía se apoya en cinco principios: autoalojamiento primero, neutralidad de proveedor, privacidad por diseño, portabilidad total y desarrollo comunitario. La hoja de ruta contempla, en la versión 0.2, extracción de memorias con IA y compresión de conversaciones; en la 0.3, búsqueda semántica con embeddings y soporte para pgvector; en la 0.4, espacios de nombres por proyecto; en la 0.5, multiusuario y control de acceso; y en la 1.0, una especificación estable que se enviará a un organismo de estandarización abierta.
El servidor soporta almacenamiento en SQLite o PostgreSQL con pgvector, y permite opcionalmente delegar la extracción y compresión de memorias a proveedores como Anthropic u OpenAI mediante variables de entorno. Un adaptador típico requiere entre 100 y 200 líneas de código, según la guía de contribución del proyecto.