ContentMind: un agente que recuerda antes de generar cada respuesta
El proyecto encadena Hindsight como capa de memoria y Groq para redactar, sin backend propio: las rutas de API de Next.js hacen de frontera en el servidor.
ContentMind es un agente de estrategia de contenidos que no arranca de cero en cada consulta. Guarda lo que ha pasado antes en una capa de memoria, la recupera cuando llega una pregunta nueva y solo entonces deja que el modelo redacte la recomendación. El desarrollador que lo firma lo cuenta junto al código en GitHub y una demo desplegada en Vercel, y ahí está lo aprovechable del asunto: el patrón de memoria separada del modelo, más que el caso de uso concreto.
Tres piezas y ninguna sorpresa
El stack es un Next.js con App Router, React, TypeScript y Tailwind. Supabase cubre autenticación y base de datos PostgreSQL. Hindsight hace de memoria persistente. Groq genera la respuesta final. No hay un backend independiente: las rutas de API del propio Next.js hacen de frontera en el servidor, lo que mantiene las claves de Hindsight y Groq fuera del navegador. El cliente oficial del servicio de memoria queda encerrado en una capa de servicio fina para que el resto de la aplicación no llame al SDK directamente.
Retener, recuperar, decidir
El núcleo es un bucle de cuatro pasos. Primero se siembra el banco de memoria con un endpoint que usa retención por lotes en vez de una petición por recuerdo. Lo que mete: perfil de marca, preferencias de audiencia, patrones de contenido que funcionó, patrones de lo que no, análisis de huecos y una selección de publicaciones históricas. Cada publicación se guarda como memoria en lenguaje natural estructurado, con título, tema, formato, plataforma, fecha, métricas y audiencia objetivo, de forma que la recuperación tenga con qué relacionar una pregunta con un resultado pasado.
Cuando llega una consulta, la aplicación no mete todo el historial en el prompt. Pide al servicio de memoria los fragmentos relevantes, con un parámetro de presupuesto —bajo, medio o alto— y un límite de 4.096 tokens. La consulta es la señal de recuperación. Si alguien pregunta qué contenido de ciberseguridad conviene publicar, vuelven las memorias ligadas a ese tema y al rendimiento previo de la marca.
El orden importa y el autor lo dice explícitamente: primero se recupera y después se genera. El LLM no tiene que acordarse de nada, solo razonar sobre el contexto que le llega. Es una separación razonable y fácil de auditar.
Lo que no hay que perder de vista es que la "experiencia" del agente está inventada. El conjunto histórico es sintético, de una marca ficticia llamada TechNova, y no hay ninguna medición de mejora frente a un prompt sin memoria. El repositorio sirve como plantilla de arquitectura, no como evidencia de que este enfoque funcione mejor en producción. Tampoco se compara Hindsight con alternativas de memoria para agentes, así que la elección queda sin justificar.
