El ecosistema open source de asistentes personales y agentes de IA acaba de sumar un movimiento que puede tener bastante impacto en la carrera por la memoria persistente. EdgeClaw 2.0, un proyecto desarrollado sobre OpenClaw, se presenta como una evolución que incorpora una nueva capa de memoria estructurada, un router de ahorro de costes y un modelo de colaboración entre borde y nube. Sus autores lo resumen de forma muy directa: quieren “llevar la experiencia de Claude Code a OpenClaw”.
La propuesta llega en un momento en que la memoria de largo plazo se ha convertido en una de las funciones más codiciadas en los agentes de IA. Ya no basta con responder bien en una sola sesión: lo que muchos usuarios esperan es que el sistema recuerde proyectos, preferencias, decisiones previas y contexto acumulado. EdgeClaw intenta colocarse justo ahí, y lo hace desde el terreno abierto, apoyándose en OpenClaw, que se define como un asistente personal que corre en los propios dispositivos del usuario y se distribuye bajo licencia MIT.
Según el repositorio oficial, EdgeClaw 2.0 fue publicado el 1 de abril de 2026 y añade dos piezas centrales: ClawXMemory, su nuevo motor de memoria de largo plazo, y ClawXRouter, un sistema de enrutamiento que decide qué modelo conviene usar según complejidad, coste y sensibilidad de los datos. El proyecto está impulsado por un grupo en el que figuran THUNLP (Tsinghua University), Renmin University of China, AI9Stars, ModelBest y OpenBMB.
Memoria por capas y retención entre sesiones
La parte más llamativa del anuncio es ClawXMemory. El propio proyecto asegura que este plugin lleva a OpenClaw capacidades que atribuye a Claude Code, como conocimiento de proyecto entre sesiones, acumulación persistente de preferencias del usuario y una memoria estructurada multicapa. También afirma que, frente a un sistema más simple basado en recuperación, su motor usa una lógica de “razonamiento proactivo” para navegar la memoria.
La arquitectura descrita por EdgeClaw se organiza en varias capas. L0 almacena conversaciones crudas, L1 genera fragmentos resumidos de memoria, L2 agrega memoria de proyecto o de línea temporal, y además mantiene un perfil global del usuario que se actualiza de forma continua. La idea es que el modelo no recupere contexto solo por coincidencia aproximada, sino que evalúe qué nivel de memoria necesita y descienda hacia los detalles cuando sea necesario. Es una propuesta ambiciosa y bastante alineada con el rumbo que está tomando la industria de agentes.
Otro detalle relevante es que el proyecto insiste en el carácter local de esta memoria. El repositorio explica que ClawXMemory usa SQLite por defecto, mantiene los datos en el dispositivo y ofrece importación y exportación. Incluso la ficha pública del plugin en ClawHub lo describe como un componente que persiste localmente y levanta un panel de visualización en localhost para explorar la memoria.
Menos coste y más control sobre la privacidad
La otra gran pata de EdgeClaw 2.0 es ClawXRouter. Aquí el proyecto intenta diferenciarse no solo por memoria, sino por eficiencia. El repositorio afirma que su sistema clasifica tareas por complejidad mediante un esquema LLM-as-Judge y redirige entre un 60 % y un 80 % de las peticiones a modelos más baratos. Incluso habla de un 58 % de ahorro de costes y de una puntuación un 6,3 % superior en pruebas llamadas PinchBench, aunque esos datos proceden del propio proyecto y no de una evaluación independiente publicada fuera de su documentación.
El router añade además una capa de control de privacidad en tres niveles: S1 para contenido seguro que puede ir directamente a la nube, S2 para datos sensibles que primero se anonimizan, y S3 para información privada que se procesa solo en local. Entre los ejemplos que el repositorio da para S3 figuran nóminas, contraseñas, claves SSH o archivos privados. En la práctica, EdgeClaw intenta responder a uno de los grandes problemas de los agentes modernos: cómo combinar modelos potentes en la nube con límites más estrictos cuando los datos son delicados.
Este enfoque encaja bien con la filosofía general del proyecto, que se define como un agente colaborativo edge-cloud. La idea no es sustituir por completo la nube, sino repartir mejor las tareas entre lo local y lo remoto según sensibilidad y coste. Ese planteamiento resulta especialmente interesante para usuarios avanzados y equipos que quieren aprovechar varios modelos sin convertir cada petición en un gasto alto ni exponer más información de la cuenta.
Qué significa esto para OpenClaw
El contexto también importa. OpenClaw ya es una base bastante activa. Su repositorio principal se presenta como un asistente personal que funciona en múltiples canales —desde mensajería hasta interfaces locales— y el mismo 1 de abril de 2026 publicó la versión 2026.4.1, con mejoras en tareas, búsqueda web, guardrails y otros flujos del agente. Es decir, EdgeClaw no aparece sobre un proyecto estancado, sino sobre una base que sigue moviéndose con rapidez.
Lo más interesante, en cualquier caso, es el mensaje que deja el lanzamiento. EdgeClaw 2.0 sugiere que las funciones que hasta hace poco parecían diferenciales de herramientas propietarias —memoria persistente, consolidación automática, sesiones más contextuales o routing inteligente— están empezando a aterrizar muy rápido en el mundo abierto. Todavía es pronto para afirmar que iguala de verdad la experiencia de Claude Code, sobre todo porque la comparación del repositorio es autorreferencial y no independiente. Pero sí deja claro que el ritmo de iteración del open source en agentes personales se está acelerando.
En otras palabras, la batalla ya no está solo en tener el mejor modelo. También está en cómo se construye alrededor del modelo una capa útil de memoria, privacidad, routing y contexto. Y ahí es donde EdgeClaw quiere ganar atención: no como una simple alternativa experimental, sino como una prueba de que el open source ya está compitiendo en una de las áreas más valiosas del software agéntico actual.
Preguntas frecuentes
¿Qué es EdgeClaw 2.0?
Es una nueva versión de EdgeClaw, un agente colaborativo edge-cloud basado en OpenClaw, que añade un motor de memoria de largo plazo y un router para optimizar costes y privacidad.
¿Qué aporta ClawXMemory frente a OpenClaw estándar?
Según el propio proyecto, añade conocimiento entre sesiones, preferencias persistentes del usuario, memoria multicapa y consolidación automática en momentos de inactividad o cambio de tema.
¿Es realmente equivalente a la memoria de Claude Code?
Eso no puede afirmarse de forma independiente con la información pública disponible. El repositorio lo presenta como inspirado en Claude Code y comparable en varias funciones, pero la comparación la hace el propio proyecto.
¿Dónde guarda los datos EdgeClaw?
El proyecto indica que usa por defecto el directorio ~/.edgeclaw/ y que ClawXMemory almacena memoria localmente, normalmente en SQLite.
