Supermemory es un motor de memoria y contexto para aplicaciones de inteligencia artificial, presentado como una capa que dota a los modelos de IA de memoria persistente entre conversaciones. El proyecto, alojado en GitHub, afirma situarse en primera posición en los benchmarks LongMemEval, LoCoMo y ConvoMem, los tres principales referentes para evaluar la memoria en sistemas de IA.
La plataforma ofrece cuatro componentes principales. El módulo de memoria extrae hechos de las conversaciones, gestiona cambios temporales y contradicciones, y descarta de forma automática la información caducada. Los perfiles de usuario se mantienen sin intervención manual y combinan hechos estables con actividad reciente, accesibles mediante una única llamada que ronda los 50 milisegundos. La búsqueda híbrida combina recuperación aumentada (RAG) con memoria personalizada en una sola consulta. Por último, los conectores sincronizan en tiempo real fuentes como Google Drive, Gmail, Notion, OneDrive y GitHub mediante webhooks, mientras que los extractores multimodales procesan PDF, imágenes mediante OCR, vídeos con transcripción y código con segmentación consciente del AST.
El sistema se ofrece en dos formatos. Por un lado, una aplicación consumer gratuita con extensión de navegador y un agente integrado llamado Nova, que permite a cualquier usuario beneficiarse de la memoria persistente sin escribir código. Por otro, una API y un servidor MCP (Model Context Protocol) dirigidos a desarrolladores, con SDK para Node.js y Python y envoltorios listos para usar en Vercel AI SDK, LangChain, LangGraph, OpenAI Agents SDK, Mastra, Agno, Claude Memory Tool y n8n.
Los plugins publicados oficialmente integran la memoria en clientes como Claude Desktop, Claude Code, Cursor, Windsurf, VS Code, OpenCode, OpenClaw y Hermes. La instalación se realiza con un único comando npx que configura el servidor MCP en el cliente elegido, ya sea mediante OAuth o con una clave API. Supermemory se posiciona así como alternativa a la configuración manual de bases de datos vectoriales, pipelines de embeddings y estrategias de chunking: la memoria se organiza mediante containerTags, lo que permite separar contextos de trabajo y personales o segmentarlos por cliente, repositorio o cualquier otro criterio.