Memoria cognitiva para agentes de IA: cómo SQLite sustituyó a las bases de datos vectoriales

Uno de los grandes problemas sin resolver de los agentes de IA actuales parece engañosamente sencillo: cómo enseñarles a recordar lo importante y a olvidar lo obsoleto. Un desarrollador que publicó un análisis técnico detallado en Habr propone una solución que va a contracorriente de la industria. En lugar de recurrir a las populares bases de datos vectoriales, construyó una memoria cognitiva completa sobre un único archivo SQLite.

El problema que describe lo conoce cualquiera que haya intentado crear un agente de IA de larga duración. La receta estándar es esta: se toma el texto, se divide en fragmentos (chunks), se convierte en embeddings vectoriales, se guarda en Pinecone o Chroma y, al hacer una consulta, se recuperan los más cercanos por distancia coseno. En recorridos cortos funciona. Pero cuando el agente vive más tiempo, llega el caos: la ventana de contexto se llena de fragmentos irrelevantes, hechos contradictorios de distintos periodos conviven como si nada y, sencillamente, no existe ningún mecanismo de olvido. El agente lo recuerda todo igual de bien, lo que en la práctica significa que lo recuerda todo igual de mal.

La arquitectura propuesta toma prestados principios de la psicología cognitiva y la neurociencia. La memoria se organiza como un grafo con dos tipos de nodos: los episódicos, que almacenan eventos e interacciones concretos, y los semánticos, que contienen conocimientos y hechos generalizados. Los nodos se conectan mediante aristas tipadas que reflejan la naturaleza de cada relación. Las entidades con nombre forman una capa aparte, lo que permite al agente seguir las menciones de personas, organizaciones y conceptos concretos, y unir fragmentos dispersos de información en una imagen coherente.

El sistema de búsqueda merece una atención especial. En lugar de depender de un único método de recuperación, el desarrollador implementó un enfoque híbrido que combina tres mecanismos: búsqueda de texto completo con SQLite FTS5 para coincidencias exactas y palabras clave, búsqueda vectorial para la similitud semántica y recorrido del grafo para extraer contextos relacionados. Los resultados de las tres estrategias se fusionan con Reciprocal Rank Fusion, un algoritmo que combina listas ordenadas de distintas fuentes sin necesidad de calibrar sus puntuaciones absolutas. Es una solución elegante que permite a cada método compensar las debilidades de los demás.

Pero la parte más interesante de la arquitectura no tiene que ver con recordar, sino con olvidar. El desarrollador incorporó la curva del olvido de Ebbinghaus, un modelo clásico de la psicología experimental del siglo XIX que describe el deterioro exponencial de la memoria con el tiempo. Cada nodo del grafo tiene un indicador de «fuerza de la memoria» que disminuye gradualmente. La información a la que se accede de forma repetida se refuerza, mientras que los fragmentos poco consultados pasan a un segundo plano de manera natural. Esto difiere radicalmente del enfoque de la mayoría de los sistemas, donde los datos simplemente están o no están.

Completa el conjunto un mecanismo de consolidación en segundo plano mediante un LLM. Del mismo modo que el cerebro humano procesa y generaliza la información durante el sueño, el agente ejecuta periódicamente un modelo de lenguaje para analizar los recuerdos episódicos acumulados. El modelo detecta patrones, resuelve contradicciones y crea nuevos nodos semánticos, con lo que convierte episodios dispersos en conocimiento estructurado. En la práctica, se trata de una generación automática de «sabiduría a partir de la experiencia».

Conviene subrayar el pragmatismo de ingeniería de la solución. Todo el sistema funciona sobre un solo archivo SQLite, sin servicios externos, sin contenedores Docker con bases de datos vectoriales y sin suscripciones a almacenamiento en la nube. Para un agente que se ejecuta en local, esto se traduce en dependencias mínimas, un despliegue sencillo y control total sobre los datos. Pese a su fama de «base de datos para proyectos pequeños», SQLite demostró hace tiempo que puede soportar cargas serias, y la extensión FTS5 lo convierte en un motor de búsqueda completo.

El proyecto encaja en una tendencia creciente: dotar a los agentes de IA de una memoria más «humana». Grandes laboratorios como Google DeepMind y OpenAI investigan activamente mecanismos de memoria a largo plazo, pero sus soluciones suelen estar ligadas a plataformas propietarias. Una arquitectura abierta que puede desplegarse en local en cualquier máquina democratiza el acceso a estas capacidades. Si el enfoque resulta viable a escala, podría cambiar la forma de entender cómo debe organizarse la memoria de los agentes autónomos: de la acumulación irreflexiva de datos a una gestión del conocimiento con sentido.