La parte más difícil de construir agentes de IA no es enseñarles a recordar. Les enseña a olvidar. Mi compañero y escritor increíblemente talentoso @helloiamleonie acaba de publicar lo que quizá sea el análisis más completo de la memoria de los agentes que he visto, y créeme, todos necesitábamos esto. Aquí está el reto principal: los LLM son sin estado. 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? Dos tipos fundamentales de memoria: • Memoria a corto plazo: Información en la ventana de contexto del LLM (la conversación actual) • Memoria a largo plazo: Información almacenada externamente (conversaciones pasadas, preferencias del usuario, datos aprendidos) Pero aquí es donde se pone interesante —y confuso. Diferentes frameworks categorizan la memoria de forma distinta, por ejemplo: El enfoque de CoALA (inspirado en la cognición humana): • Memoria de trabajo (conversación actual) • Memoria semántica (datos sobre el usuario) • Memoria episódica (experiencias y acciones pasadas) • Memoria procedimental (instrucciones y comportamientos) El enfoque de Letta (centrado en la arquitectura): • Búfer de mensajes (mensajes recientes) • Memoria de núcleo (bloques en contexto gestionados activamente) • Recordar memoria (historial bruto de conversación) • Memoria archivística (conocimiento almacenado explícitamente) ¿La parte más difícil? Olvidar. Gestionar lo que se mete en la memoria es súper complejo. Gestionar lo que se elimina es aún más difícil. ¿Cómo automatizas la decisión de qué está obsoleto? ¿Cuándo la información antigua está realmente desactualizada en comparación con la que sigue siendo relevante en el contexto? Aquí es donde la mayoría de las implementaciones tienen dificultades. Leonie abarca desde los diferentes tipos de memoria (funcional, semántica, episódica, procedural) hasta estrategias prácticas de implementación y el creciente ecosistema de marcos de memoria como mem0, Letta y zep. Esta es una de esas publicaciones que querrás guardar en favoritos y a las que volverás mientras construyes tus sistemas de agentes. Entrada de blog de Leonie:

Todo el mundo habla de IA agencial, pero ¿estamos todos hablando de lo mismo? He notado que la gente usa "arquitecturas agenciales" y "flujos de trabajo agenticos" indistintamente. Pero en realidad son conceptos bastante diferentes que funcionan juntos. Aquí está la distinción: Flujos de trabajo agénticos = La serie de pasos que toma un agente para lograr un objetivo Piense en ello como el "qué", el proceso real Estos pasos pueden incluir: • Uso de LLM para crear un plan • Dividir las tareas en subtareas • Uso de herramientas como la búsqueda en Internet • Reflexionar sobre los resultados y ajustar el plan Arquitecturas agénticas = El marco técnico y el diseño del sistema Piense en ello como el "cómo", la estructura subyacente Estos siempre contienen: • Al menos un agente con capacidad 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 se puede implementar utilizando diferentes arquitecturas. Es como tener varias formas de crear la misma receta: los pasos siguen siendo similares, pero la configuración de la cocina varía. Por ejemplo, un flujo de trabajo RAG agencial (desglose de consultas, recuperación de información, evaluación de la relevancia) podría construirse con una arquitectura de enrutador de un solo agente o un sistema multiagente. Mismo flujo de trabajo, diferente arquitectura. Comprender esta distinción le ayuda a: • Diseñar sistemas más flexibles • Elija la arquitectura adecuada para su flujo de trabajo específico • Comunicar más claramente lo que realmente está construyendo ¿Qué flujos de trabajo agenciales le entusiasma más implementar? Recursos: 📌 Ebook gratuito de Arquitecturas Agentic: 📌 Publicación de blog de Agentic Workflows: