Walrus 🦭/acc Re-poster

We would like to extend our warmest congratulations to @RaphElevator for securing the 3rd place position within the App track of Walrus Session 8. This impressive rank was achieved through the creation of Anchor. Operating as a dedicated accountability bot on @telegram, this helpful tool memorizes your personal commitments, takes the initiative to message you as soon as your deadline arrives, and carefully monitors whether you actually completed your stated goals.

To learn more about this project, you can read the complete details on @Medium at https://bit.ly/4yOzVY5

Congratulations are in order for @UyLeQuoc, who secured 2nd place during Walrus Session 8 with the project hippo.

This application operates seamlessly through the Web, @telegram, @discord, and the terminal. Its standout feature is how it handles data, as hippo saves its memory directly to a personal Walrus account that you fully own. This guarantees that you remain in complete control, giving you the ability to withdraw system access at any point in time.

To explore a detailed breakdown of the project, be sure to read the complete article on @Medium right here: https://medium.com/@lequocuyit/i-gave-my-chatbot-memory-then-gave-the-memory-back-to-the-users-eaba16bb6b86

¡Felicidades a @UyLeQuoc por obtener el segundo puesto en la categoría de aplicaciones de Walrus Session 8 con el proyecto hippo! Esta versátil aplicación está diseñada para funcionar sin problemas en la web, @telegram, @discord y la terminal. Su característica más destacada es cómo gestiona los datos: toda la memoria se almacena directamente en tu cuenta personal de Walrus. Como tienes la propiedad total de esta cuenta, puedes revocar el acceso de la aplicación en cualquier momento. Si quieres saber más sobre cómo se creó este sistema, puedes leer el artículo dedicado en @Medium aquí: https://medium.com/@lequocuyit/i-gave-my-chatbot-memory-then-gave-the-memory-back-to-the-users-eaba16bb6b86

Congratulations to @UyLeQuoc for securing 2nd place in the App Track during Walrus Session 8 with the project hippo.

This versatile tool is designed to operate smoothly across the Web, your terminal, @telegram, and @discord. What truly sets hippo apart is its approach to user data. The application saves its memory entirely within a Walrus account that you personally own, ensuring you retain the power to revoke access at any time.

To learn more about the development process and how user control was prioritized, check out the @Medium article here: https://medium.com/@lequocuyit/i-gave-my-chatbot-memory-then-gave-the-memory-back-to-the-users-eaba16bb6b86

We are delighted to announce that the project hippo, developed by @UyLeQuoc, secured 2nd place in the App Track during Walrus Session 8.

Here is a closer look at how the application functions. The system is built to operate smoothly across the Web, @telegram, @discord, and the terminal. However, its most notable feature is how it handles user data. The application stores its memory directly in your personal Walrus account, ensuring you have total ownership and the ability to revoke access whenever you wish.

For a deeper dive into the development process, you can read the complete @Medium publication at this link: https://medium.com/@lequocuyit/i-gave-my-chatbot-memory-then-gave-the-memory-back-to-the-users-eaba16bb6b86

Did you happen to catch the recent update from @github regarding Copilot? The platform now has the ability to retain your personalized preferences across different sessions, and it seamlessly maintains this context even if it transitions between different AI models in the middle of a task.

This is a wonderful enhancement for those working strictly within Copilot. However, a widespread issue remains because numerous teams deploy various agents across multiple environments. As it stands today, each of those separate agents must learn your specific workflow preferences completely from the beginning.

Bridging this exact divide is the focus of our current development efforts. We are creating a continuous memory solution designed to travel alongside you, ensuring your preferences remain intact regardless of the diverse models and tools you choose to incorporate into your daily workflow.

https://github.blog/changelog/2026-10-28-github-intelligence-puts-your-code-context-and-history-to-work/

Initially, the objective was to enter the word login, yet the network broke down right after the letters lo were sent.

We face a completely different obstacle in the present day. Your agent context is currently isolated in a separate utility, while your essential files are stored in another application entirely. Walrus Console bridges this gap by gathering everything into a unified location.

The platform successfully pairs your files with your agent context. It also delivers native MCP support for Cursor and Claude Code. Furthermore, every piece of data is fully encrypted by default.

#InternationalInternetDay

Ocupando el primer puesto en Walrus Session 8: Chatbots That Remember está Playbook, un proyecto innovador desarrollado por @inspikalu. Este chatbot único cuenta con un banco de trabajo de simulación integrado, diseñado para gestionar puentes, colas, energía solar y mucho más.

La característica más destacada de Playbook es su memoria persistente. Cada vez que vuelves, el sistema retoma tu trabajo exactamente donde lo dejaste. Registra con precisión tus límites específicos, tus ajustes óptimos y cualquier enfoque que ya haya fallado.

Su creador resume a la perfección el valor fundamental de esta herramienta con la siguiente reflexión: «Lo útil de la asistencia en ingeniería no es la respuesta del libro de texto. Es recordar tus límites, tu mejor resultado y tus errores».

Para conocer más detalles sobre este caso de uso, puedes leer el artículo completo en @Medium: https://medium.com/@inspikalu/playbook-my-use-case-62e1009e9d37

También puedes probar el proyecto en persona a través de la demostración en vivo alojada en @vercel, visitando http://playbook-nine-tau.vercel.app

Los ciclos de vida de los modelos llegan naturalmente a su fin, pero la memoria de tu agente no tiene por qué caducar con ellos. El 23 de octubre, @OpenAI retiró varios de sus modelos de API heredados, concretamente GPT-4, GPT-4 Turbo, o1, o3-mini y o4-mini. De cara al futuro, está previsto que GPT-4o y GPT-4.1 sigan el mismo camino el 14 de enero de 2027.

Aunque estos retiros son una parte habitual de la industria, ponen de relieve el valor de mantener la memoria de forma independiente de la capa del modelo. Almacenar el contexto externamente permite a los equipos de desarrollo cambiar de modelo cuando quieran. Este enfoque evita la dependencia de un proveedor y garantiza que nunca tengas que reconstruir desde cero los datos que has acumulado. Puedes simplemente actualizar tus modelos y conservar tu memoria sin interrupciones.

Walrus Memory ofrece precisamente este tipo de estabilidad y mantiene tu interfaz completamente uniforme, independientemente del entorno de ejecución o del modelo que decidas implementar a continuación. El proceso sigue siendo sencillo y familiar: solo necesitas remember() para escribir datos y recall() para leerlos.

Puedes consultar aquí el calendario oficial de obsolescencia:
https://developers.openai.com/api/docs/deprecations

El 23 de octubre, @OpenAI dejó de ofrecer varios de sus modelos de API más antiguos, concretamente o1, o3-mini, o4-mini, GPT-4 y GPT-4 Turbo. Además, tiene previsto retirar GPT-4.1 y GPT-4o el 14 de enero de 2027. Puedes consultar más información sobre estas actualizaciones en https://developers.openai.com/api/docs/deprecations

Aunque es completamente natural que los modelos de inteligencia artificial tengan un ciclo de vida, tu agente nunca debería perder la memoria solo porque una plataforma evolucione. Separar el almacenamiento de la memoria de la capa del modelo subyacente le da a tu equipo la libertad de cambiar de proveedor de IA sin complicaciones. Nunca tendrás que reconstruir desde cero el contexto que has acumulado ni depender de un único proveedor.

Puedes pasar cómodamente a nuevos modelos y conservar todos tus datos históricos. Walrus Memory lo hace fácil al ofrecer una interfaz invariable, independientemente del entorno de ejecución o del modelo que elijas en el futuro. El proceso sigue siendo tan sencillo como usar remember() para escribir y recall() para leer.

Si estás listo para incorporar Walrus Memory a tu flujo de trabajo, hay tres métodos distintos que puedes usar para empezar.

Una excelente opción es utilizar el Vercel AI SDK. Gracias al middleware, puedes añadir fácilmente capacidades de memoria persistente directamente a tus procesos streamText y generateText. Para ello, solo tienes que incluir la siguiente instrucción de importación en tu código:
import { withMemWal } from "@mysten-incubation/memwal/ai";

Otra opción es utilizar el complemento OpenClaw. Este método proporciona a tus agentes de OpenClaw funciones automáticas para recuperar y guardar recuerdos, lo que garantiza que toda la información esté completamente accesible en distintas sesiones. Puedes instalar fácilmente este complemento ejecutando el siguiente comando:
openclaw plugins install @mysten-incubation/oc-memwal

Por último, puedes optar por el Core SDK. Esta opción ofrece una forma integral de recuperar y almacenar recuerdos, con almacenamiento en Walrus, cifrado SEAL e incorporación automática de vectores. Para añadir este paquete a tu proyecto, ejecuta:
pnpm add @mysten-incubation/memwal

Para consultar la guía de instalación completa y el código fuente íntegro, visita @github en esta dirección:
https://github.com/MystenLabs/MemWal

Perder el contexto de tu inteligencia artificial solo por cambiar de pestaña es algo que debería quedar en el pasado. La información generada en una aplicación debería poder consultarse fácilmente desde otra. En un video y una entrevista recientes producidos por @AltCryptoGems, @Kenton explora cómo Walrus Memory ofrece una solución fiable para hacer portátil el contexto de los agentes. Explica cómo esta tecnología garantiza que la información siga estando completamente bajo tu control, independientemente de las distintas plataformas de IA que elijas utilizar.

Walrus Memory ha acaparado recientemente la atención en un nuevo artículo de @Forbes.

Al reflexionar sobre un desafío fundamental, @kostascrypto compartió esta idea: «Hubo un momento en que nos impidieron acceder a Fable y Mythos. Y piensa: en ese momento, ¿qué tenía que hacer?»

Este dilema es precisamente la razón por la que los desarrolladores están migrando con entusiasmo a sistemas de memoria portátiles vinculados al usuario. Tras alcanzar el hito de más de 5.000 agentes y más de 4,5 millones de recuperaciones, la motivación está más que clara. Al adoptar esta tecnología, los desarrolladores se aseguran de que migrar entre distintos LLM nunca implique tener que empezar completamente desde cero.

Puedes leer aquí el artículo completo, escrito por @guneyyildiz: https://www.forbes.com/sites/guneyyildiz/2026/10/21/ai-startups-are-betting-on-what-the-big-platforms-cannot-credibly-sell/

Para incorporar la verificabilidad a su conjunto de soluciones de datos empresariales, @PerceptronNTWK está migrando actualmente a Walrus los datos que impulsan su red de 800.000 nodos. Esta transición responde directamente a un requisito fundamental para los fondos de cobertura y los clientes empresariales que dependen en gran medida de datos en tiempo real: es absolutamente crucial confirmar que esta información permanece completamente intacta.

Descubre todos los detalles leyendo el anuncio completo en el siguiente enlace: https://walrus.xyz/blog/perceptron-walrus-verifiable-data-provenance/

Sin duda, es positivo ver que las mayores plataformas de datos se orientan hacia soluciones de memoria flexibles en cuanto a modelos e independientes de los marcos de trabajo. Por ejemplo, @databricks lanzó la memoria para agentes en versión beta el 12 de octubre, poco después de que @MongoDB incorporara esta capacidad a Atlas el mes pasado.

Sin embargo, persiste un problema importante. Aunque esta memoria puede funcionar con distintos modelos y agentes, con frecuencia sigue vinculada a una única plataforma de datos. Como resultado, los valiosos conocimientos sobre los clientes que obtienen tus agentes se convierten en otro activo cautivo que no puedes trasladar.

Walrus Memory garantiza que tus datos sigan siendo completamente tuyos. Funciona como una capa de memoria independiente que acompaña a tu agente dondequiera que vaya. Como no está limitada a ninguna plataforma específica, se puede acceder a ella desde cualquier entorno de ejecución o modelo. Guardar un dato es tan sencillo como usar remember(), y recuperarlo solo requiere recall().

https://docs.databricks.com/aws/en/release-notes/product/2026/october

Te invitamos cordialmente a una sesión AMA especial para desarrolladores en @discord, donde hablaremos sobre cómo eliminar las conjeturas al buscar información en sitios descentralizados y blobs. El 21 de octubre de 2026 a las 12:00 p. m. UTC, los cofundadores de @OmuraHQ, Aditya Berry y Sourabh Chawla, nos acompañarán para ofrecer una descripción general completa de la infraestructura de búsqueda y la indexación en tiempo real desarrolladas para Walrus. Esperamos verte allí. Ven con tus preguntas y únete al evento mediante el siguiente enlace: https://discord.com/invite/walrusprotocol

En una fascinante conversación sobre cómo maximizar el rendimiento de las GPU, @AnushElangovan, representante de @AMD, se reunió recientemente con @ConorBronsdon. Juntos profundizan en las capacidades de ROCm 10 y hablan sobre la innovadora aplicación de enjambres de agentes. Estos agentes se utilizan para explorar con éxito espacios de búsqueda, lo que permite optimizar automáticamente miles de modelos. Puedes escuchar esta interesante conversación en la temporada 4 del pódcast @chain_ofthought, patrocinado con orgullo por Walrus Memory. Escucha el episodio completo en el siguiente enlace: https://chainofthought.show/podcast/72-tuning-gpu-performance-with-ai-agents-amds-anush-elangovan-on-rocm-10/?utm_source=sponsor-share&utm_medium=referral&utm_campaign=ep72