Memoria del Agente
La memoria del agente se refiere a los mecanismos que utiliza un agente de IA para almacenar, recuperar y actualizar información a lo largo de pasos, sesiones o tareas — abarcando memoria de trabajo en contexto, bases de datos vectoriales externas, almacenes de clave-valor y representaciones de conocimiento estructurado.
La memoria del agente abarca todas las formas en que un agente de IA retiene y accede a la información más allá de lo que está codificado en los pesos del modelo estático. Dado que los modelos basados en transformers tienen una ventana de contexto fija y no tienen estado persistente entre llamadas de inferencia independientes, la construcción de agentes útiles de múltiples pasos o múltiples sesiones requiere sistemas de memoria explícitos que el modelo pueda leer y escribir en tiempo de ejecución.
Los sistemas de memoria generalmente se organizan en cuatro categorías. La memoria en contexto (de trabajo) es la información presente en el prompt activo — la forma más inmediata y confiable, pero limitada por el tamaño de la ventana de contexto, que en 2026 osciló entre 128K y varios millones de tokens en los modelos líderes. La memoria episódica (externa) almacena interacciones pasadas o documentos recuperados en una base de datos vectorial como Pinecone, Chroma o pgvector, lo que permite la búsqueda de similitud semántica sobre historiales demasiado largos para caber en contexto. La memoria semántica contiene conocimiento fáctico estructurado — a menudo en almacenes de clave-valor o grafos de conocimiento — que el agente consulta por clave o relación. La memoria procedural captura comportamientos aprendidos o codificados y generalmente se codifica en prompts del sistema o se ajusta en pesos del modelo en lugar de mantenerse como un almacén de tiempo de ejecución separado.
La gestión efectiva de la memoria es esencial para los agentes que operan en horizontes largos: un agente de ingeniería de software que mantiene estado en múltiples sesiones de codificación, un asistente personal que recuerda preferencias pasadas y compromisos anteriores, o un agente de investigación que evita trabajo de recuperación duplicado. La gestión deficiente de la memoria es una causa frecuente de fallos de agentes — olvidar instrucciones anteriores, repetir pasos completados o recuperar contexto irrelevante que desplaza información útil dentro de una ventana de contexto limitada.
La investigación a partir de 2026 se enfoca en compresión de memoria (resumir episodios antiguos antes del desbordamiento de contexto), precisión de recuperación (mejorando la calidad de embeddings y reranking para almacenes externos) y políticas de actualización (decidir qué almacenar, sobrescribir o descartar). Frameworks como Letta — anteriormente MemGPT — han demostrado arquitecturas donde el propio agente gestiona paginación entre almacenamiento rápido en contexto y almacenamiento externo más lento, trazando una analogía directa con la gestión de memoria virtual del sistema operativo.