La parte más difícil de construir agentes de IA no es enseñarles a recordar. Es enseñarles a olvidar. Mi colega y asombrosamente talentosa escritora @helloiamleonie acaba de publicar lo que podría ser el desglose más completo de la memoria de los agentes que he visto, y créanme, todos necesitábamos esto. Aquí está el desafío central: 𝗟𝗟𝗠𝘀 𝗮𝗿𝗲 𝘀𝘁𝗮𝘁𝗲𝗹𝗲𝘀𝘀. Cada conversación es un nuevo comienzo. No recuerdan lo que dijiste hace cinco minutos, y mucho menos lo que dijiste la semana pasada. Entonces, ¿cómo hacemos agentes que realmente recuerden? 𝗧𝘄𝗼 𝗳𝘂𝗻𝗱𝗮𝗺𝗲𝗻𝘁𝗮𝗹 𝗺𝗲𝗺𝗼𝗿𝘆 𝘁𝘆𝗽𝗲𝘀: • 𝗦𝗵𝗼𝗿𝘁-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Información en la ventana de contexto del LLM (la conversación actual) • 𝗟𝗼𝗻𝗴-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Información almacenada externamente (conversaciones pasadas, preferencias del usuario, hechos aprendidos) Pero aquí es donde se vuelve interesante - y confuso. Diferentes marcos categorizan la memoria de manera diferente, por ejemplo: 𝗖𝗼𝗔𝗟𝗔'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (inspirado en la cognición humana): • Memoria de trabajo (conversación actual) • Memoria semántica (hechos sobre el usuario) • Memoria episódica (experiencias y acciones pasadas) • Memoria procedimental (instrucciones y comportamientos) 𝗟𝗲𝘁𝘁𝗮'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (enfocado en la arquitectura): • Búfer de mensajes (mensajes recientes) • Memoria central (bloques gestionados activamente en contexto) • Memoria de recuperación (historial de conversación en bruto) • Memoria de archivo (conocimiento almacenado explícitamente) 𝗧𝗵𝗲 𝗵𝗮𝗿𝗱𝗲𝘀𝘁 𝗽𝗮𝗿𝘁? 𝗙𝗼𝗿𝗴𝗲𝘁𝘁𝗶𝗻𝗴. Gestionar lo que entra en la memoria es súper complejo. Gestionar lo que se 𝘥𝘦𝘭𝘦𝘵𝘦𝘥 es aún más difícil. ¿Cómo automatizas la decisión de qué es obsoleto? ¿Cuándo es la información antigua genuinamente obsoleta frente a aún contextualmente relevante? Aquí es donde la mayoría de las implementaciones tienen problemas. Leonie cubre todo, desde los diferentes tipos de memoria (de trabajo, semántica, episódica, procedimental) hasta estrategias de implementación prácticas y el creciente ecosistema de marcos de memoria como mem0, Letta y zep. Esta es una de esas publicaciones que querrás marcar y volver a visitar mientras construyes tus sistemas de agentes. La publicación del blog de Leonie:

Todo el mundo está hablando sobre la IA agente, pero ¿estamos todos hablando de lo mismo? He notado que la gente usa "arquitecturas agentes" y "flujos de trabajo agentes" de manera intercambiable. Pero en realidad son conceptos bastante diferentes que trabajan juntos. Aquí está la distinción: 𝗙𝗹𝘂𝗷𝗼𝘀 𝗮𝗴𝗲𝗻𝘁𝗲𝘀 = La serie de pasos que un agente toma para lograr un objetivo Piénsalo como el "qué" - el proceso real Estos pasos pueden incluir: • Usar LLMs para crear un plan • Desglosar tareas en subtareas • Usar herramientas como la búsqueda en internet • Reflexionar sobre los resultados y ajustar el plan 𝗔𝗿𝗰𝗵𝗶𝘁𝗲𝗰𝘁𝘂𝗿𝗮𝘀 𝗮𝗴𝗲𝗻𝘁𝗲𝘀 = El marco técnico y el diseño del sistema Piénsalo como el "cómo" - la estructura subyacente Estas siempre contienen: • Al menos un agente con capacidades de toma de decisiones • Herramientas que el agente puede usar • Sistemas para memoria a corto y largo plazo ¿Por qué importa esto? Porque el mismo flujo de trabajo puede implementarse utilizando diferentes arquitecturas. Es como tener múltiples formas de construir la misma receta: los pasos siguen siendo similares, pero la configuración de la cocina varía. Por ejemplo, un flujo de trabajo RAG agente (desglosar consultas, recuperar información, evaluar relevancia) podría construirse con una arquitectura de enrutador de un solo agente o un sistema de múltiples agentes. Mismo flujo de trabajo, diferente arquitectura. Entender esta distinción te ayuda a: • Diseñar sistemas más flexibles • Elegir la arquitectura adecuada para tu flujo de trabajo específico • Comunicarte más claramente sobre lo que realmente estás construyendo ¿Qué flujos de trabajo agentes te emocionan más implementar? Recursos: 📌 Ebook gratuito sobre Arquitecturas Agentes: 📌 Publicación en el blog sobre Flujos de Trabajo Agentes: