Memoria del agente
La memoria del agente es el conjunto de técnicas que permiten a un agente de IA conservar información más allá de una sola ventana de contexto, como datos sobre un usuario o trabajo anterior, guardándola fuera del modelo y volviendo a cargarla cuando hace falta.
También llamado: long-term memory, memory layer
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Un modelo de lenguaje no tiene memoria entre llamadas. Todo lo que sabe sobre la tarea actual tiene que estar en su ventana de contexto, y esa ventana es limitada. La memoria del agente sortea esto guardando información en otro sitio.
Tipos de memoria
- La memoria a corto plazo es la conversación y los resultados de herramientas de la sesión actual. - La memoria a largo plazo sobrevive entre sesiones: preferencias del usuario, datos aprendidos, resúmenes de trabajo anterior.
LangGraph, por ejemplo, separa el estado del hilo a corto plazo de la memoria a más largo plazo entre sesiones.
Cómo funciona
El agente, o el código que lo rodea, decide qué anotar: una nota en un archivo, una fila en una base de datos o un embedding en una base de datos vectorial. Más tarde, se recuperan los recuerdos relevantes y se vuelven a colocar en el prompt, de forma muy parecida a la generación aumentada por recuperación. El artículo de MemGPT lo planteó como un sistema operativo que mueve datos entre memoria rápida y lenta, con el modelo gestionando sus propios niveles de memoria.
Ejemplo
Un agente de programación escribe un archivo de notas del proyecto al final de cada sesión y lo lee al inicio de la siguiente, para no tener que volver a aprender los comandos de compilación cada vez.
Límites
La memoria puede quedarse desfasada o contradecirse, y el texto guardado de fuentes no fiables puede colar instrucciones en sesiones posteriores. Herramientas como Mem0 y Letta ofrecen capas de memoria gestionadas; la guía de memoria de agentes las compara.
Términos relacionados
- Context engineering
- El context engineering (ingeniería de contexto) es la práctica de elegir y mantener todo lo que entra en la ventana de contexto de un modelo de lenguaje durante una tarea: instrucciones, documentos recuperados, definiciones de herramientas, resultados de herramientas e historial de la conversación.
- Base de datos vectorial
- Una base de datos vectorial (vector database) guarda embeddings junto a sus registros de origen y encuentra los vectores guardados más cercanos a un vector de consulta, normalmente con un índice aproximado para que la búsqueda siga siendo rápida con millones de elementos.
- Ventana de contexto
- Una ventana de contexto (context window) es la cantidad máxima de texto, contada en tokens, que un modelo de lenguaje puede tener en cuenta a la vez, e incluye el system prompt, la conversación, los documentos, los resultados de herramientas y la respuesta que escribe.
- Compactación del contexto
- La compactación del contexto (context compaction) es el paso en el que un agente resume una conversación que se acerca al límite de su ventana de contexto y continúa en una ventana nueva que parte de ese resumen, para que una tarea larga pueda seguir adelante.
- Generación aumentada por recuperación
- La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.