@Hector Rubin Gonzalez Como les había comentado en una respuesta anterior, lo ideal es usar memoria de gráfos. Los algoritmos de memoria con gráfos emulan la memoria humana ya que PostgreSQL como memoria conversasional es muy limitada en su ventana de contexto; para pruebas esta bien, pero para producción es un error usarlo.

@Hector Rubin Gonzalez De hecho para embeddings tampoco es lo ideal; si lo que buscas es eficiencia debes usar técnicas de grafos con combinación de búsquedas usando gráfos. No se si tengas experiencia en tecnología, pero si usamos la analogía de punteros es como funcionan los mismos. Inclusive el encadenamiento tubular para una buena memoria y técnicas de recuperación los gráfos son lo ideal ya que un RAG simple pierde mucha información a diferencia de una estructuración linkeada

hay una manera pero debes usar memoria de grafos, algo de matemáticas y código te lo solucionará

@Hector Rubin Gonzalez No tengo como tal videos, pero hay diferentes tipos de memoria. PostgreSQL y la memoria básica de n8n solo te permiten almacenar cierta cantidad de memoria de contexto(Eso es extremadamente limitado y nada escalable) por lo que debes usar la famosa teoría matemática de grafos; los grafos como algoritmos funcionan excelente para memorizar ventanas de contexto "infinitas" ya que conocen su puntero previo y su puntero siguiente, es como un encadenamiento; si sabes programación sabes que hay algo llamado encadenamiento de contexto léxico, que prácticamente es eso. Para implementarlo lo ideal es usar ese conocimiento en grafos usando langchain con algoritmos de agentes con python.