ProGraph: una memoria de dos capas para agentes LLM supera a Mem0, RAG y HippoRAG

Un grupo de investigadores presentó ProGraph (Profile-Graph Memory), una arquitectura de memoria a largo plazo de dos capas para agentes LLM. El preprint se publicó en arXiv en julio de 2026: ProGraph obtuvo un 80,1% en el nuevo benchmark MemHop y un 78,4% en LoCoMo, por delante de Mem0, A-Mem, HippoRAG y RAG.

Por qué hace falta un nuevo benchmark

MemHop es un benchmark de 1000 preguntas con una profundidad de relaciones de 1 a 5 saltos (hops), repartidas en 10 escenarios de redes sociales y con anotación de las evidencias en cada salto. Según el preprint de arXiv, las pruebas de memoria existentes miden sobre todo la recuperación de un solo paso (single-hop recall) y apenas evalúan las asociaciones multi-hop, es decir, la conexión de hechos a través de una cadena de entidades intermedias. MemHop cubre ese vacío y permite evaluar por separado la profundidad de razonamiento del agente.

Cómo funciona ProGraph

ProGraph opera en dos capas y no construye un grafo de conocimiento explícito. La primera capa es la profile expansion: un recorrido por subcadenas de los nombres de entidades que aparecen de forma natural en los perfiles de texto redactados por el propio modelo. Es un sustituto mínimo de la construcción manual de un knowledge graph. La segunda capa son los compression residuals: fechas exactas, cantidades y objetos con nombre que se extraen junto con cada actualización del perfil sin llamadas adicionales a la API (zero extra API cost).

Una ablación sobre la rejilla completa de configuraciones (full-grid ablation) mostró que los mecanismos están especializados. Eliminar la profile expansion supone una caída de 22,6 puntos porcentuales en MemHop; no extraer los compression residuals de forma conjunta resta 8,6 puntos en LoCoMo. Los efectos cruzados dentro de una misma arquitectura se mantienen por debajo de 3 puntos.

• Benchmark MemHop: 1000 preguntas, profundidad de 1 a 5 saltos, 10 escenarios de redes sociales
• ProGraph: 80,1% en MemHop (al nivel de la referencia FullContext) y 78,4% en LoCoMo (+11,3 p. p. respecto a FullContext)
• La profile expansion responde del razonamiento multi-hop: −22,6 p. p. en MemHop al eliminarla
• Los compression residuals responden de la precisión: −8,6 p. p. en LoCoMo sin extracción conjunta
• Supera a Mem0, A-Mem, HippoRAG y RAG en ambos benchmarks

Por qué importa el resultado

En LoCoMo, ProGraph superó a la referencia FullContext en 11,3 puntos y en MemHop igualó su resultado, sin mantener todo el historial en la ventana de contexto y sin construir un grafo explícito. Esto significa que un agente puede responder preguntas encadenadas apoyándose en perfiles comprimidos y en hechos residuales, en lugar de recurrir al historial completo de la conversación.

«La expansión por perfiles aporta el razonamiento multi-hop, y los

residuos de compresión, la precisión de recuperación», se afirma en el resumen del preprint de arXiv.

Los autores han publicado en abierto tanto el benchmark MemHop como la implementación de ProGraph y las implementaciones baseline de sus competidores, por lo que las cifras declaradas pueden reproducirse de forma independiente.

Qué significa

La memoria para agentes LLM se desplaza del enfoque de «meter todo el contexto» y de los pesados grafos de conocimiento hacia perfiles de texto ligeros con hechos puntuales. ProGraph muestra que un método barato puede alcanzar al contexto completo en preguntas profundas y superarlo allí donde importa conectar hechos a lo largo de varios pasos.

Preguntas frecuentes

¿Qué es MemHop?

MemHop es un benchmark para evaluar la memoria multi-paso de los agentes LLM: 1000 preguntas con una profundidad de relaciones de 1 a 5 saltos en 10 escenarios de redes sociales, con anotación de las evidencias en cada paso.

¿En qué se diferencia ProGraph de Mem0 y RAG?

ProGraph utiliza dos capas, un recorrido por nombres en perfiles de texto y hechos exactos (fechas, cifras, objetos) extraídos de forma conjunta, en lugar de un grafo de conocimiento explícito. En los benchmarks MemHop y LoCoMo superó a Mem0, A-Mem, HippoRAG y RAG.

¿Se pueden reproducir los resultados?

Sí. Los autores han publicado el benchmark MemHop, la implementación de ProGraph y las implementaciones baseline, de modo que las mediciones pueden repetirse de forma independiente.