Cómo migrar tu memoria de ChatGPT a Cline sin perder el contexto (2026)

La memoria en sí: a mano, y tienes que pedirla. No existe una exportación de la memoria de ChatGPT al formato de otra herramienta. Lo que hay, según las propias directrices de OpenAI, es preguntar en el chat, y eso no es un truco temporal, es la forma documentada de averiguar qué hay allí, porque el resumen de la memoria es explícitamente incompleto. Reserva una sesión para la extracción en lugar de un solo clic.

Preferencias y estilo de trabajo: se transfieren bien. Cómo te gusta que se estructuren las respuestas, qué convenciones mantienes, qué quieres que se verifique siempre. Esto se mapea limpiamente en las reglas de Cline, y son las entradas con más probabilidades de seguir siendo válidas un año después.

Datos del proyecto: se transfieren, tras una verificación de vigencia. Stack, decisiones de arquitectura, convenciones de nomenclatura, peculiaridades del entorno. La memoria de ChatGPT ha estado actualizando esto silenciosamente mientras trabajabas, y algunas entradas están desactualizadas de formas que no notarás hasta que un agente actúe sobre ellas. Este es el montón que requiere lectura, no copia.

Memorias guardadas heredadas: comprueba si las tienes. Si estás en el sistema anterior, OpenAI documenta una lista separada en Configuración > Memoria > "memorias guardadas", con la nota de que "A menos que las elimines, las memorias guardadas siempre se tienen en cuenta en las respuestas futuras". Esa lista es enumerable, a diferencia de la síntesis, por lo que es lo más fácil de mover primero.

Lo que no se transfiere en absoluto. Los Chats temporales nunca aportaron nada; OpenAI documenta que "no utilizan memorias existentes ni crean nuevas memorias". Cualquier cosa que sepa el ChatGPT de un colega se queda con él; las memorias están "vinculadas a cada cuenta individual. No son transferibles a otros usuarios, incluso dentro del mismo espacio de trabajo Business". Y los archivos subidos no son memoria: el contenido del archivo vivía en las conversaciones, por lo que mover el conocimiento significa mover los propios archivos. Si ya te has topado con ese límite antes, es el mismo que se describe en por qué ChatGPT olvida los archivos subidos.

En el lado receptor, Cline tiene dos hogares, no uno. Las reglas residen en .clinerules/ para el alcance del espacio de trabajo y en el directorio global de Cline Rules para las preferencias personales, y la documentación es específica sobre cómo se combinan: "Cuando existen tanto reglas de espacio de trabajo como globales, Cline las combina. Las reglas del espacio de trabajo tienen prioridad cuando entran en conflicto con las reglas globales". Por separado, Memory Bank es una metodología documentada: un conjunto de archivos markdown que Cline tiene instrucciones de leer al inicio de cada tarea, descrita en la documentación con una línea en primera persona que es inusualmente honesta para la documentación de un proveedor: "Soy Cline, un ingeniero de software experto con una característica única: mi memoria se restablece por completo entre sesiones".

Esa frase resume todo el diseño. Cline no finge mantener el estado; lo compensa con disciplina de documentación. Tu migración es una decisión sobre cuál de tus conocimientos de ChatGPT pertenece a esa disciplina.

Paso 1: Extraer la memoria, sabiendo que el resumen está incompleto

Abre una conversación normal de ChatGPT —no un Chat temporal, que por diseño no utilizará memorias existentes— y pídele directamente que escriba lo que sabe sobre ti y tu trabajo. Luego vuelve a preguntar desde diferentes ángulos, porque una síntesis no viene con un índice: pregunta qué sabe sobre tu estilo de programación, luego sobre este proyecto específico y después sobre las cosas que le has dicho que no haga. Cada enfoque saca a la luz diferentes entradas.

Dos cosas hacen que esto sea menos tedioso. Primero, si estás en el sistema heredado, comienza con la lista enumerable en Configuración > Memoria antes de empezar a preguntar; te dará una base sobre la cual trabajar. Segundo, si el resumen de la memoria parece más vacío de lo que esperas, OpenAI documenta una ruta de actualización —Configuración > Personalización > Resumen de memoria, luego Administrar, luego Actualizar desde el menú de tres puntos— aunque el resumen seguirá sin ser exhaustivo. Los casos generales de resolución de problemas se tratan en qué hacer cuando la memoria de ChatGPT no funciona.

Pega los resultados en un solo archivo borrador. No los organices todavía. La clasificación es el Paso 2 y hacerla mientras extraes hará que te detengas antes de tiempo.

Paso 2: Clasificar en tres destinos, no en uno

Aquí es donde la mayoría de las migraciones fallan, porque el movimiento obvio —volcar el archivo borrador en .clinerules/— tiene una consecuencia documentada específica. Cline combina todo en ese directorio en un conjunto unificado de reglas, y "Las reglas sin frontmatter siempre están activas". Un volcado de memoria pegado se convierte en contexto permanente para cada tarea que ejecutes, compitiendo con el trabajo real por la atención del modelo y por tu presupuesto de tokens.

En su lugar, clasifícalo en tres montones.

Reglas siempre activas. El pequeño conjunto que debe aplicarse a cada tarea en este repositorio: convenciones de lenguaje y framework, comandos a usar, prohibiciones estrictas. Estas van deliberadamente en archivos .clinerules/ sin frontmatter. Mantén este montón implacablemente corto: es la parte por la que estás eligiendo pagar en cada tarea.

Reglas con alcance limitado. Cualquier cosa que sea cierta solo para una parte de la base de código. Las reglas condicionales de Cline utilizan frontmatter de YAML con patrones glob, y Cline las evalúa en función de lo que realmente estás trabajando —archivos abiertos, pestañas visibles, rutas mencionadas, archivos en edición— activando las que coinciden. La mayoría de los "datos del proyecto" de una memoria de ChatGPT pertenecen aquí en lugar de al montón de siempre activas, porque nunca fueron universales; se referían a la capa de API, a las migraciones o al frontend.

Memory Bank. El conocimiento creciente y cambiante que no es una regla en absoluto. El Memory Bank de Cline define seis archivos con tareas distintas: projectbrief.md para requisitos y objetivos principales, productContext.md para el porqué de la existencia del proyecto y sus objetivos de UX, activeContext.md para el enfoque actual y los siguientes pasos, systemPatterns.md para patrones de arquitectura y diseño, techContext.md para stack, configuración y restricciones, y progress.md para lo que funciona, lo que queda y los problemas conocidos.

Lee esas seis descripciones en comparación con tu archivo borrador y la clasificación se hará prácticamente sola. "Usamos pnpm, nunca npm" es una regla. "Elegimos event sourcing para el libro contable porque los auditores necesitan reproducir el estado" es systemPatterns.md. "La base de datos de staging se restablece cada noche" es techContext.md. "Estamos a mitad de camino de la refactorización de facturación" es activeContext.md —y también es la entrada con más probabilidades de ser incorrecta en seis semanas, que es exactamente por lo que tiene su propio archivo.

Dos notas honestas sobre Memory Bank antes de que te comprometas con él. Es una convención que instalas, no una característica de tiempo de ejecución: la documentación describe su configuración colocando las instrucciones personalizadas en un archivo de Cline Rules como .clinerules/memory-bank.md y luego pidiéndole a Cline que inicialice el banco de memoria. Y debido a que Cline tiene instrucciones de leer todos los archivos al inicio de cada tarea, la lectura consume contexto —la propia documentación señala que los límites de la ventana de contexto significan que periódicamente necesitarás actualizar los archivos, iniciar una nueva conversación y reanudar. Es un buen sistema con un costo de mantenimiento continuo, lo cual vale la pena saber antes de trasladar un año de contexto acumulado a él. Las configuraciones prácticas se comparan en las mejores configuraciones de memoria para Cline.

Aquí está la parte que vale la pena destacar: acabas de pasar una sesión interrogando a un asistente para recuperar un conocimiento que siempre fue tuyo, y estás a punto de entregárselo a un segundo asistente en un formato que solo ese asistente lee. Haz esto dos veces más y tendrás tres copias privadas distanciándose entre sí.

MemoryLake es la alternativa: mantén el conocimiento duradero del proyecto en una sola capa y deja que cada asistente lea de ella. Las reglas de Cline siguen haciendo su trabajo específico —las cosas que deben estar en contexto en cada tarea— mientras que el cuerpo de conocimiento acumulado deja de duplicarse por herramienta. La configuración consta de tres pasos.

Paso 1: Crear una clave API

Inicia sesión en MemoryLake y crea una clave API. Una sola credencial utilizada por cada herramienta que conectes, que es la propiedad que hace que sobreviva a esta migración.

Paso 2: Subir tus primeras memorias

Sube el archivo borrador que creaste en el Paso 1 anterior, clasificado pero aún no disperso: las decisiones, las restricciones, las convenciones y, especialmente, las cosas que decidiste descartar y por qué. Mantén las entradas cortas y de un solo tema; la recuperación funciona mejor en entradas específicas que en documentos largos, y las entradas cortas son más fáciles de mantener actualizadas.

Paso 3: Conectar tu IA y agentes

Conecta las herramientas que utilizas. MemoryLake es accesible a través de MCP y de una API, por lo que los agentes nativos de MCP —entre ellos Claude Code, Codex y OpenClaw— se conectan apuntando al servidor MCP, y otros asistentes leen la misma memoria a través de la API. El resultado es que la próxima herramienta que adoptes comenzará desde el mismo conocimiento en lugar de desde otra sesión de extracción.

Dos límites que vale la pena exponer claramente. MemoryLake no lee tu memoria de ChatGPT por ti; no hay exportación que importar, por lo que el Paso 1 anterior es un trabajo real que haces una sola vez. And no es una capa de cumplimiento: cualquier cosa que deba cumplirse independientemente de lo que decida un modelo pertenece a un archivo de reglas o a una verificación, que es exactamente para lo que sirven las reglas siempre activas de Cline.

El montón de siempre activas se mantiene pequeño. Cuando el conocimiento duradero es recuperable, dejas de tener la tentación de convertir todo en una regla. Eso mantiene a .clinerules/ haciendo aquello para lo que es bueno y reduce el costo de contexto por tarea.

La extracción se realiza una sola vez. El interrogatorio que hiciste para extraer la memoria de ChatGPT es el paso costoso. Hacerlo en una capa compartida significa que el próximo asistente será una conexión en lugar de una repetición del proceso.

Las entradas desactualizadas se vuelven visibles. Una síntesis que no puedes enumerar oculta su propia obsolescencia. Una lista corta de entradas explícitas no lo hace: tú puedes leerla, y también un compañero de equipo.

Los compañeros de equipo obtienen el mismo contexto. La memoria de ChatGPT es por cuenta y, según OpenAI, no es transferible a otros usuarios, incluso dentro del mismo espacio de trabajo Business. Cualquier cosa que el equipo necesite compartir nunca iba a residir allí.

Las propias fortalezas de Cline se vuelven más claras. Memory Bank es realmente bueno para el estado del proyecto. Es menos bueno como vertedero para un año de preferencias personales, y separar ambos hace que los dos funcionen mejor; una distinción visible en por qué Cline olvida el historial de tareas.

Pregunta, no confíes en el resumen. OpenAI dice que el resumen no lo incluirá todo y recomienda preguntar en el chat. Tómalo al pie de la letra y pregunta varias veces desde diferentes ángulos.

Añade frontmatter a propósito, no por accidente. Una regla sin frontmatter siempre está activa. Eso es una ventaja cuando lo haces intencionadamente y una carga cuando no.

Mueve el estado del proyecto a Memory Bank, las preferencias a las reglas. La estructura de seis archivos existe para mantenerlos separados. Respétala y los archivos seguirán siendo útiles; ignórala y activeContext.md se convertirá en un cajón de sastre.

Elimina antes de migrar. Preferencias antiguas, convenciones abandonadas, soluciones temporales para un modelo que ya no se comporta de esa manera... nada de eso mejora al ser copiado. La migración es el momento más económico que tendrás para depurar.

Mantén separadas las reglas del espacio de trabajo y las globales. Las reglas del espacio de trabajo tienen prioridad en caso de conflicto, así que coloca los estándares del equipo en .clinerules/ y los hábitos personales en el directorio global. Mezclarlos hace que sea difícil analizar los conflictos más adelante.

Registra los rechazos con sus motivos. La categoría individual más valiosa y la que ningún sistema de memoria captura por sí solo. Sin el motivo, un agente nuevo volverá a proponer el enfoque rechazado con total confianza.

La razón por la que esta migración requiere más trabajo del que parece es estructural: estás convirtiendo una síntesis que no puedes leer por completo en un conjunto de archivos que siempre están activos a menos que indiques lo contrario. Si te saltas la clasificación, obtendrás una configuración de Cline que arrastra un año de preferencias a medias relevantes a cada tarea; si haces la clasificación, obtendrás algo mejor de lo que tenías, porque por primera vez el conocimiento es enumerable.

Haz la extracción una vez, mantén pequeño el montón de siempre activas, coloca el estado del proyecto donde Memory Bank lo espera y pon el cuerpo de conocimiento duradero en algún lugar que no sea específico de Cline, de modo que el próximo traslado sea una conexión en lugar de otro interrogatorio. Si te diriges a otro lugar más adelante, migrar de Cline a Cursor cubre el viaje de salida, y las limitaciones de la memoria de ChatGPT cubre lo que estás dejando atrás.