Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

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.

Fuentes