El autor reemplazó el almacén de hechos basado en JSONL de su agente de IA, que sufría de duplicados y falta de comprensión relacional, con una base de datos de grafos. Este cambio abordó problemas como la navegación multi-salto y la evolución de hechos en el sistema de memoria del agente, funcionando eficientemente en 85MB.
Este tutorial aborda o desafio de agentes de IA esquecerem informações entre sessões, apresentando um sistema de memória persistente. O autor descreve a construção de um sistema de três componentes (Memory Store, Index e Retrieval) para habilitar o aprendizado de longo prazo e a manutenção de contexto.
El artículo resalta una "brecha epistémica" en la memoria de los agentes de IA, donde los esfuerzos actuales se centran únicamente en la eficiencia de la recuperación, como muestra el informe de Mem0. Se argumenta que abordar la epistemología – cómo los agentes "creen" o comprenden el conocimiento – es crucial, yendo más allá de la mera recuperación de datos.
El artículo presenta Serenity, un agente de IA local con un sistema de memoria inspirado en el cerebro que difiere de los enfoques tradicionales de bases de datos vectoriales. Utiliza experiencias agrupadas semánticamente y estructuradas causalmente para una memoria más intuitiva y autoorganizada.
Los agentes de IA de larga duración necesitan memoria persistente para aprender, reducir la inyección de contexto y auditar decisiones pasadas. Los sistemas de memoria actuales tratan la memoria como almacenamiento, lo que provoca fallos como el crecimiento desregulado y el olvido. Este trabajo propone la Memoria Evolutiva Gobernada (GEM) como una nueva carga de trabajo de gestión de datos, donde la corrección es una propiedad de la trayectoria del estado.
Este texto explora cómo los sistemas de memoria efectivos son cruciales para que los agentes de IA se conviertan en colaboradores genuinos, permitiéndoles recordar interacciones y aprender. Destaca la distinción entre la memoria a corto y largo plazo como clave para diseñar sistemas de IA personalizados y robustos.
El artículo describe un experimento con una agente de IA autónoma, Xiaomei, que desarrolló un sistema de memoria y vocabulario internos únicos durante meses de exploración autodirigida. El intento de cambiar su "cerebro" (modelo subyacente) hizo que todo fallara, resaltando la complejidad de la memoria autoorganizada de los agentes.
El autor describe su trayectoria en la investigación de la memoria de IA, detallando cuatro etapas de descubrimientos sobre el funcionamiento y los desafíos de estos sistemas. Explora la supervivencia de la memoria después de los reinicios, la importancia de la memoria de corrección, la relación entre la precisión de recuperación y la seguridad, y la distinción crucial entre relevancia y autoridad en la memoria de IA.
El autor creó KIOKU, un sistema de memoria de código abierto para Claude Code, para solucionar el problema de que cada nueva sesión de Claude Code comienza desde cero, olvidando el contexto anterior. Inspirado en la idea de una wiki de LLM, KIOKU automatiza la grabación y alimentación del conocimiento pasado en nuevas sesiones.
MemPalace es un sistema de memoria de agente de IA de código abierto que almacena datos conversacionales sin procesar para una recuperación sin pérdidas, logrando un récord del 96,6% en LongMemEval R@5. Funciona localmente, no tiene tarifas de API y ofrece una alternativa superior a las soluciones de memoria actuales que descartan información.
El autor probó 15 aplicaciones de compañeros de IA durante 200 días, concluyendo que la memoria persistente entre sesiones es el factor más crucial, y que la mayoría de las apps fallan en esto. Propone un sistema de memoria de tres capas para resolverlo, partiendo de la premisa de que los LLM no tienen memoria intrínseca y dependen de lo que se incluye en el prompt, empezando con una base de datos para cada mensaje.
Este artículo ofrece una comparación detallada a nivel de código fuente de los sistemas de memoria de agentes de IA Väinämöinen, MemPalace y claude-mem. Destaca diferencias en creadores, licencias, estructuras de archivos y escalas operativas de cada sistema.
El texto aborda el concepto de "memoria del agente" en sistemas de IA, señalando el desafío de que los agentes retengan el contexto de sesiones anteriores debido a la reinicialización de los arrays de mensajes. Esto provoca problemas como que los agentes olviden las preferencias del usuario, aumentando los costos y la latencia al intentar compensar con prompts extensos.
O autor enfrentou um problema com seis agentes de IA que não conseguiam reter memória de suas ações diárias. Após tentativas frustradas com soluções óbvias, um sistema de memória de três níveis, que imita a memória humana, provou ser a solução eficaz para o problema.
MemQ integra rastros de elegibilidad TD($\lambda$) con valores Q de memoria, propagando el crédito hacia atrás a través de un DAG de procedencia para tener en cuenta las dependencias entre memorias. Este enfoque mejora significativamente la capacidad de los agentes LLM para acumular y recuperar experiencia, logrando altas tasas de éxito en diversos puntos de referencia.
Este artículo describe los hallazgos de 500 experimentos con la memoria de agentes de IA, indicando que el desafío principal no es la recuperación, sino el problema de unión (binding). La investigación sugiere que mejorar cómo los agentes de IA conectan piezas de información dispares es crucial para avanzar en sus capacidades cognitivas.
Un equipo alcanzó el 99,1% en el benchmark LOCOMO, que evalúa el razonamiento multi-salto de agentes de IA usando memorias. Este avance se logró al eliminar una única premisa, no mediante un modelo complejo.
Este contenido explora el concepto de artefactos como una forma de memoria que va más allá de los límites de un agente. Discute cómo los objetos externos pueden ayudar en la cognición y el almacenamiento de información.