La memoria de los agentes suele presentarse como pura ventaja: el agente anota lo que aprendió y la próxima vez lo hace mejor. Un preprint de KAIST y DeepAuto.ai pone cifra al inconveniente. Cuando los autores revisaron tareas que un agente resolvía con fiabilidad sin memoria pero fallaba con ella, el 52% de esos fallos se debía a una lección guardada que el agente había seguido, casi siempre una equivocada.
La causa es sencilla. Una ejecución pasada solo se etiqueta como éxito o fracaso, así que quien redacta la lección tiene que adivinar cuál de muchas acciones importó. WikiTrace conserva las pruebas. Cada lección es una idea breve enlazada a un diagnóstico de por qué su ejecución salió bien o mal, y de ahí a la trayectoria original. El agente lee todas las ideas al empezar una tarea y, cuando a una le faltan detalles, contradice a otra o procede de una ejecución fallida, sigue los enlaces con herramientas de terminal normales antes de actuar.
En ocho conjuntos de pruebas de cinco benchmarks, desde mundos de texto domésticos y científicos hasta AppWorld y una prueba de atención al cliente en comercio, WikiTrace obtuvo el mejor resultado en todos. Superó al agente sin memoria en 10,7 puntos de media y a una versión con las mismas ideas pero sin enlaces en 3,2 puntos. La proporción de tareas antes resueltas que la memoria estropeaba bajó del 6,5% al 4,5%. En la fase de prueba costó 1,17 veces más por tarea que las ideas solas. Un segundo modelo base, GLM-5.3-flash, mostró el mismo patrón en tres conjuntos.
Para quien ejecute agentes con Mem0, Letta o claude-mem, lo útil es tanto la forma de medir como el método. Los autores separan los resultados en ganancia, las tareas que la memoria arregla, y regresión, las que rompe, porque una media oculta lo segundo. Sus cifras muestran que los métodos de memoria actuales rompen tareas a un ritmo cercano o superior al de volver a ejecutar el agente sin memoria alguna.
Las advertencias son de los propios autores. Un enlace permite al agente comprobar una lección, pero no demuestra que sea correcta, y un diagnóstico basado en una etiqueta de éxito o fracaso puede seguir siendo erróneo. Todas las ideas van en el primer mensaje, de modo que el prompt crece con la memoria, y encontrar las lecciones adecuadas en un almacén demasiado grande para cargarlo entero queda sin resolver. Las causas de la degradación las etiquetó un juez LLM que leía el razonamiento del agente. Es un preprint, aún sin revisión por pares.