Meta AI запустила агента-наставника памяти: точность выросла на 8,3 п.п.

Meta AI publicó la descripción de un sistema con dos agentes, en el que un agente-mentor auxiliar mantiene un banco de memoria estructurado y decide cuándo recordarle al agente principal los errores ya diagnosticados. En dos benchmarks, el sistema mejoró los resultados hasta en 8,3 puntos porcentuales.

Por qué los agentes repiten los mismos errores una y otra vez

Los agentes de IA manejan bien las instrucciones cortas, pero en tareas largas de múltiples pasos comienzan a "olvidar" lo que ya descubrieron. Un agente puede diagnosticar un problema en el quinto paso y, después de algunas iteraciones, intentar de nuevo el mismo camino fallido — los detalles han quedado fuera del horizonte de su atención actual, y el sistema entra en un bucle.

Este no es un problema abstracto. Un escenario típico: el agente descubre que un determinado enfoque no funciona, ajusta su estrategia — pero durante una tarea larga "olvida" esto y regresa al paso original que no funcionaba. Los ciclos repetidos de errores son una de las principales razones por las que los agentes se estancan en tareas reales: escritura de código, investigaciones, automatizaciones de múltiples pasos.

Cómo funciona el agente-mentor de memoria

Meta AI resolvió este problema con un rol especializado separado — el agente-mentor de memoria. No realiza la tarea principal, sino que mantiene una base de datos estructurada sobre lo que el agente principal ha intentado y descubierto.

El agente auxiliar registra en el banco de memoria:

• errores ya diagnosticados y sus causas
• pasos fallidos que deben abandonarse
• patrones que anteriormente no dieron resultados
• contexto actual sobre el estado de la tarea

La característica clave del sistema es la selectividad de sus intervenciones. El agente-mentor no interrumpe al agente principal en cada paso. Toma su propia decisión: si la situación requiere un recordatorio — interviene; si no hay riesgo — permanece en silencio. La capacidad de "guardar silencio en el momento adecuado" resultó ser igualmente importante que el propio recordatorio: las interrupciones constantes sobrecargarían al agente principal con contexto innecesario y reducirían su eficacia.

"Un agente-mentor especializado mantiene un banco de memoria estructurado y decide cuándo recordarle al agente principal y cuándo permanecer en silencio", indica la descripción del sistema de

Meta AI.

Cuánto mejoró la calidad en las pruebas

En dos benchmarks, el sistema con el agente-mentor mostró mejoras de hasta 8,3 puntos porcentuales en comparación con un agente único sin mecanismo de gestión de memoria. Según Meta AI, las pruebas abarcaron precisamente tareas complejas de múltiples pasos — los escenarios donde los agentes individuales pierden con mayor frecuencia el contexto relevante y comienzan a entrar en bucles.

Una ganancia de más de 8 puntos porcentuales puede sonar modesta, pero para tareas agénticas donde el nivel de precisión de base suele ser del 40–60%, es un avance significativo. Los nombres específicos de los benchmarks utilizados no se indican en el anuncio publicado por Meta AI.

Qué significa esto

La arquitectura "agente principal + entrenador de memoria" es una respuesta práctica a uno de los defectos clave de los sistemas de IA modernos. El problema no radica en la falta de "inteligencia" del agente: es capaz de diagnosticar errores correctamente. El problema es la ausencia de un mecanismo estructurado que mantenga estos diagnósticos en el contexto de trabajo a lo largo de una sesión larga.

Meta AI traslada la gestión de memoria a un rol especializado separado — y demuestra un resultado medible. Si el enfoque resulta escalable, podría aumentar la fiabilidad de los agentes en tareas reales a largo plazo: automatización de código, pipelines de investigación, procesos de negocio de múltiples pasos.

*Meta está reconocida como organización extremista y está prohibida en Rusia.