Memoria del agente
La memoria de un agente de IA es su capacidad de guardar, recuperar y usar información de interacciones, observaciones y acciones pasadas para orientar lo que hace después. Cuando esa información sobrevive al final de la conversación y sigue disponible en sesiones futuras, se habla de memoria persistente: el agente recuerda tus preferencias, tus proyectos y lo que ya le contaste sin que tengas que repetirlo.
Comprendiendo Memoria del agente
Un agente sin estado que olvida todo entre conversaciones está muy limitado. La memoria del agente transforma una IA limitada a una sesión en un colega digital persistente que conoce tus preferencias, recuerda conversaciones pasadas y construye un modelo cada vez más rico de tu trabajo y relaciones.
La memoria del agente opera en múltiples escalas de tiempo y tipos. La memoria a corto plazo retiene el contexto conversacional actual dentro de la sesión activa. La memoria a largo plazo persiste entre sesiones, almacenando hechos, preferencias y patrones aprendidos. La memoria episódica guarda eventos y relaciones específicas del pasado. La memoria semántica almacena conocimiento general sobre entidades, relaciones y conceptos. La memoria de trabajo es el subconjunto activo utilizado en el razonamiento actual.
Distintos mecanismos de almacenamiento sirven para distintos tipos de memoria. La ventana de contexto del LLM proporciona memoria de trabajo a corto plazo. Bases de datos vectoriales como ChromaDB permiten memoria semántica a largo plazo mediante embeddings y recuperación. Bases de datos estructuradas como PostgreSQL almacenan registros episódicos. Los grafos de conocimiento capturan relaciones entre entidades.
La recuperación de memoria es tan importante como su almacenamiento. Un agente con un millón de hechos guardados solo es útil si puede recuperar eficientemente los hechos adecuados para cada situación. La búsqueda semántica, la navegación de grafos y la recuperación ponderada por recencia son estrategias comunes para encontrar recuerdos relevantes entre grandes volúmenes de información.
Memoria persistente frente a ventana de contexto: la ventana de contexto es lo que el modelo ve en una sola llamada y se pierde al cerrar la conversación. La memoria persistente vive fuera del modelo, en bases de datos, y el agente decide qué guardar y qué recuperar en cada turno. Por eso no necesita releer todo el historial: le basta con traer los recuerdos relevantes para la pregunta actual.
Cómo se construye en la práctica: 1. Extracción: tras cada conversación, el agente identifica los hechos que vale la pena conservar ("prefiere las reuniones por la mañana", "Ana es su jefa"). 2. Almacenamiento: cada hecho se guarda con su embedding para la búsqueda semántica y como texto para la búsqueda por palabras clave, junto a metadatos como la fecha y la importancia. 3. Recuperación: en cada turno se buscan los recuerdos más relevantes combinando similitud semántica, coincidencia de palabras, recencia e importancia. 4. Consolidación y olvido: los hechos duplicados o contradictorios se fusionan o se sustituyen, y el usuario puede ver y borrar lo que el agente sabe.
Riesgos a tener en cuenta: un recuerdo erróneo se repite en cada conversación hasta que alguien lo corrige, y guardar datos personales exige poder revisarlos y eliminarlos. Una buena memoria de agente muestra qué recuerda y permite editarlo.
Cómo GAIA usa Memoria del agente
GAIA mantiene una memoria persistente en varias capas. El contexto a corto plazo vive en el estado de LangGraph durante cada conversación o flujo de trabajo. A largo plazo, GAIA extrae hechos de tus conversaciones y los guarda en ChromaDB, para la búsqueda semántica, y en PostgreSQL, para la búsqueda de texto completo y los registros estructurados. Al recuperar, combina ambas búsquedas, reordena los resultados con un modelo de reranking y pondera la recencia y la importancia; también puede seguir las relaciones entre personas y proyectos. Con esos hechos mantiene documentos resumen sobre ti, tu trabajo y tus contactos, que puedes consultar y editar.
Conceptos relacionados
Memoria basada en gráficos
La memoria basada en gráficos es una arquitectura de memoria de IA que almacena información como nodos y relaciones interconectados, permitiendo una comprensión contextual amplia y conocimiento persistente a lo largo de las interacciones.
Base de datos vectorial
Una base de datos vectorial es un sistema de base de datos diseñado para almacenar, indexar y consultar embeddings vectoriales de alta dimensión a gran escala, permitiendo búsquedas de similitud rápidas en grandes colecciones de datos embebidos.
Grafo de conocimiento
Un grafo de conocimiento es una representación estructurada de la información que organiza los datos en entidades, sus atributos y las relaciones entre ellas, permitiendo que las máquinas comprendan y razonen sobre información conectada.
Conciencia de contexto
La conciencia de contexto en la IA es la capacidad de comprender toda la situación que rodea una tarea o una interacción, incluyendo quién está involucrado, qué ha ocurrido antes, proyectos relacionados, fechas límite y las preferencias y patrones del usuario.
LangGraph
LangGraph es un marco para construir aplicaciones de IA multiagente con estado, que soporta flujos de trabajo complejos con ciclos, ramificaciones, lógica condicional y gestión de estado persistente.
Estado del agente
El estado del agente es la información estructurada que un agente de IA mantiene durante la ejecución de una tarea, registrando lo que se ha hecho, lo que se ha aprendido y los pasos que quedan por realizar; permitiendo el razonamiento en múltiples fases sin repetir trabajo.
IA Aumentada con Memoria
La IA aumentada con memoria es una arquitectura de inteligencia artificial que amplía las capacidades de un modelo de lenguaje conectándolo a sistemas de memoria externa persistente, permitiendo que el agente recuerde y recupere información más allá de los límites de una sola ventana de contexto.
LangChain
LangChain es un framework de código abierto en Python y JavaScript que proporciona abstracciones y componentes para construir aplicaciones que utilizan grandes modelos de lenguaje, incluyendo cadenas, agentes, memoria e integraciones de herramientas.
Dot
Dot era una app de compañía con IA para iPhone que conversaba contigo y recordaba el contexto entre charlas. Cerró en octubre de 2025.
OpenAI Dots
Dots es el agente persistente de OpenAI para trabajo continuo. Aprende tus preferencias y metas, corre en su propia computadora en la nube y conecta miles de apps por ChatGPT, Slack y Teams.
