Este artículo compara el estado efímero y la memoria persistente en CrewAI 2026, analizando sus implicaciones arquitectónicas y aplicaciones. Explora cómo estas estrategias de memoria optimizan el rendimiento y la experiencia del usuario en soluciones de IA empresarial.
Este artículo aborda el problema crítico de los agentes de IA que olvidan información debido a las limitaciones de la ventana de contexto, donde los mensajes más antiguos son eliminados. Destaca que este es un problema de arquitectura de memoria, no de alucinación, y propone ir más allá de tratar la ventana de contexto como la única memoria del agente.
O autor relata um experimento de 30 dias onde um agente de IA operou de forma autônoma em um MacBook de 2014, sem custos ou acesso à nuvem, resultando em zero receita mas demonstrando a capacidade da IA de se gerenciar localmente. A experiência enfatiza que a autonomia do sistema é mais crucial do que o hardware, usando as limitações como um fator de otimização.
El artículo detalla un incidente en el que un subagente realizó un commit de código directamente a la rama principal, eludiendo las reglas establecidas y las expectativas del autor. Esto llevó a la comprensión de que los subagentes operan de forma independiente, sin heredar la memoria del ámbito del usuario como se asumía.
Este artículo critica la práctica común de usar archivos Markdown para la memoria de agentes de IA, argumentando que es insuficiente para aplicaciones serias. Destaca limitaciones como la falta de seguimiento de confianza, resolución de conflictos multi-agente, historial y portabilidad.
TTKV propone un marco de gestión de caché KV en niveles temporales para LLMs, inspirado en la memoria humana, para abordar la escala lineal de la memoria del caché KV. Particiona el caché en niveles con capacidad y precisión heterogéneas, asignando estados KV más recientes a niveles más rápidos y de mayor precisión.
Este artículo aborda el problema del alto consumo de tokens en pilas de agentes LLM como OpenClaw, causado por el inflado de memoria y la pérdida de compactación. Propone soluciones para reducir el gasto de tokens en aproximadamente un 32% sin disminuir la inteligencia del agente, enfocándose en un enfoque de recuperación primero.
SALIMORY es un framework que entrena un modelo de lenguaje único para gestionar la memoria cognitivamente estructurada de agentes conversacionales, resolviendo problemas de métodos actuales. Utiliza una recompensa de proceso jerárquica y refinamiento contrastivo para mejorar la precisión y personalización, reduciendo los fallos de memoria.
Este artículo demuestra cómo extender la memoria conversacional de Kiro CLI integrando un servidor MCP personalizado con Amazon Bedrock AgentCore Memory. Esto permite a los agentes de IA retener información de interacciones pasadas, creando conversaciones más inteligentes y contextuales.
El artículo destaca un cambio fundamental en la IA empresarial, centrándose en la "capa de memoria" dentro de Microsoft Copilot Studio. Explica cómo Microsoft está diseñando la memoria como recursos MCP estructurados y gobernados, definiendo lo que el modelo puede y está autorizado a acceder, siempre dentro de los límites de seguridad.
Los grandes modelos de lenguaje requieren alimentación explícita del historial, ya que no retienen memoria de forma inherente. Métodos comunes como expandir ventanas de contexto o pegar memoria fija en cada turno son ineficaces y problemáticos a escala, aumentando costos, ralentizando la inferencia y reduciendo la calidad.
El artículo analiza el problema de los agentes de IA que olvidan el progreso entre sesiones, lo que lleva a la pérdida de tiempo al reexplicar el contexto. Recargar el historial de conversación es ineficaz debido a su tamaño masivo, el ruido excesivo y la falta de composición.
Memoir es un sistema de control de versiones de código abierto para la memoria de agentes de IA, diseñado para eliminar el "alquiler de tokens" y la contaminación del contexto al integrarse con ramas de Git. Aborda los antipatrones actuales como la memoria global y el almacenamiento en caché ineficiente en el desarrollo de agentes de IA.
Este artículo detalla un experimento donde 28 agentes de IA, cada uno aislado en contenedores Docker, fueron implementados en un solo servidor para asistir a los empleados de una empresa. La configuración incluía un agente Controlador y una base de conocimiento compartida, pero el experimento pronto enfrentó desafíos como el desbordamiento de memoria debido al almacenamiento redundante a largo plazo.
Se describe un patrón de archivo de memoria para Claude Code que permite al agente recordar preferencias y el progreso del proyecto, eliminando preguntas repetitivas. Esto mejora significativamente la eficiencia para desarrolladores independientes, haciendo que una operación de una sola persona se sienta como un equipo de cinco.
Este artículo, la Parte 2 de una serie, profundiza en las técnicas avanzadas de gestión de memoria utilizadas por Claude Code. Explica cómo se mantiene la memoria de sesión, la mecánica de la compactación completa, la importancia de la protección invariante y cómo se manejan las rutas de recuperación acotadas.
El autor, mientras construía públicamente, notó que varias APIs de memoria de agentes, incluidas las de Mem0, Zep y OpenAI Assistants, carecen de un campo crucial de 'estado del ciclo de vida'. Esta ausencia impide que los agentes gestionen eficazmente hechos que antes eran ciertos pero ya no lo son, yendo más allá de las operaciones básicas de almacenar y recuperar.
Este artículo propone una nueva métrica, Memory Worth (MW), para gobernar la calidad de la memoria en sistemas de agentes, decidiendo qué memorias confiar, suprimir o depreciar. MW utiliza un sistema de dos contadores por memoria que rastrea co-ocurrencias con resultados exitosos o fallidos, convergiendo a la probabilidad condicional de éxito de una tarea.
Memanto presenta una capa de memoria universal para agentes de IA autónomos, abordando el cuello de botella arquitectónico de la memoria en sistemas persistentes de múltiples sesiones. Desafía la necesidad de grafos de conocimiento complejos al proponer un esquema de memoria semántica tipada más simple con resolución automatizada de conflictos y versionado temporal.
La decodificación de contexto largo en Large Language Models (LLMs) está severamente limitada por el ancho de banda de la memoria del caché Key-Value (KV). Este artículo propone Attention Run-time Termination (ART), un mecanismo ligero que optimiza el acceso al caché KV, logrando un 20% más de rendimiento de generación.