Memoria activa frente a memoria persistente en la IA: cómo recuerda, recupera y olvida la IA

La memoria activa es la información de la que dispone un sistema de IA para realizar la tarea que tiene entre manos. La memoria persistente es la información que conserva la aplicación que lo rodea para poder volver a utilizarla más adelante. La relación entre ambas determina si un asistente puede continuar un proyecto, aplicar una preferencia, corregir una suposición desactualizada o dejar de volver a sacar a colación algo que debería haber olvidado.

Imagina un asistente que te ayuda a preparar un informe de investigación. Durante una conversación, puede consultar el esquema, tus últimas ediciones y las fuentes que acabas de proporcionarle. Si abres otra conversación una semana después, esa continuidad depende de un mecanismo distinto: que la aplicación haya guardado la información pertinente, pueda encontrarla y se la proporcione de nuevo al modelo.

Por eso, una IA puede parecer recordar un detalle y olvidar otro de ese mismo intercambio. Recordar es una cadena de operaciones. Puede producirse un fallo al capturar, almacenar, buscar, seleccionar, interpretar o actualizar la información.

Esta guía analiza esa cadena en detalle. Para conocer una taxonomía más amplia de la memoria episódica, semántica y procedimental, consulta nuestra introducción a los tipos de memoria de los agentes de IA. Aquí nos centramos en el límite entre lo que está activo ahora y lo que puede perdurar más allá de la tarea actual.

¿Qué significan realmente la memoria activa y la memoria persistente?

Estos términos describen distinciones arquitectónicas útiles, pero no conforman una pareja universalmente estandarizada. Las interfaces de productos y los artículos de investigación utilizan «memoria de trabajo», «memoria a corto plazo», «contexto», «estado» y «memoria a largo plazo» con significados que se solapan. Por eso, para explicarlos con precisión, primero hay que definirlos.

En este artículo, contexto activo se refiere a la información que se proporciona al modelo para generar su respuesta actual: instrucciones, mensajes, resultados seleccionados de herramientas, material recuperado y otras entradas que el modelo puede procesar. El estado de la tarea activa es más amplio. Puede incluir un plan, una lista de comprobación o variables que la aplicación mantiene, pero que aún no ha incorporado al contexto del modelo. Utilizamos memoria activa como término general práctico para este conjunto de trabajo actual, y distinguimos entre ambos conceptos cuando es pertinente.

La memoria persistente es información conservada que perdura más allá de una respuesta o del límite entre sesiones y sigue disponible para su uso posterior. Puede tratarse de una preferencia guardada, una nota sobre un proyecto, el registro de un evento, un campo estructurado de una base de datos o un punto de control que permite reanudar una tarea inconclusa. La persistencia describe la conservación de la información, pero no garantiza que se comparta en todas las conversaciones.

Por tanto, hay dos preguntas distintas: ¿Sigue existiendo la información? y ¿Recibirá el modelo esa información cuando la necesite? Una transcripción guardada puede responder a la primera pregunta sin resolver la segunda.

La excepción importante: el estado a corto plazo puede guardarse

«A corto plazo» no siempre significa «almacenado únicamente en RAM volátil». El estado de trabajo de una conversación puede guardarse en un punto de control de una base de datos y reanudarse después de una interrupción. Por ejemplo, la documentación de memoria de LangChain distingue entre el estado limitado a un hilo, que se conserva mediante puntos de control, y la memoria a más largo plazo, organizada en espacios de nombres independientes.

Imagina un agente de atención al cliente que hace una pausa mientras espera que un cliente suba un recibo. Su punto de control guardado pertenece a ese caso de atención. El punto de control es duradero, pero no debería convertirse automáticamente en un dato general sobre el cliente ni aparecer en solicitudes no relacionadas.

Una forma útil de evaluar cualquier función de memoria es examinar tres dimensiones: su duración, su alcance y su disponibilidad para la llamada actual al modelo. Una etiqueta como «a largo plazo» no responde por completo a ninguna de esas preguntas.

Memoria activa frente a memoria persistente: resumen

Un mismo dato puede aparecer en ambas columnas. Una preferencia de proyecto guardada es persistente; la copia que se incluye en la instrucción de hoy es activa. Eliminar esa copia de la instrucción no necesariamente elimina el original guardado.

¿Qué ocurre durante una única respuesta de IA?

En una aplicación típica de modelos de lenguaje, el software que la rodea prepara una entrada, el modelo genera una salida y el software decide qué sucede después. La entrada puede incluir la conversación visible, pero también instrucciones del sistema, descripciones de herramientas, notas recuperadas e información que el usuario no ve en la transcripción del chat.

Este contexto ensamblado constituye las pruebas inmediatas del modelo. Si un mensaje anterior ya no está incluido, el modelo no puede recuperar de forma fiable su contenido exacto solo porque la aplicación lo haya mostrado antes. Puede inferir una respuesta plausible a partir de las pistas del contexto, pero inferir no es lo mismo que recordar.

Una herramienta amplía aquello a lo que el sistema puede acceder. El modelo podría solicitar un archivo del proyecto, recibir su contenido y utilizarlo en una respuesta posterior. La aplicación ya tenía acceso al archivo antes de que este se convirtiera en una prueba activa. Esa distinción explica por qué un agente puede acceder a un archivo extenso sin leerlo entero en cada turno.

Internamente, las implementaciones de transformadores también mantienen un estado computacional, que incluye memorias caché para evitar repetir operaciones. Estos mecanismos son útiles para realizar inferencias de forma eficiente, pero no deben confundirse con un registro editable y sujeto a permisos de las preferencias o el historial de proyectos de un usuario. Una respuesta más rápida no demuestra que se haya creado una memoria personal.

Por qué una ventana de contexto más amplia no resuelve el problema de la memoria

Una ventana de contexto más amplia permite que una aplicación proporcione más material a la vez. Esto puede ser valioso cuando la respuesta depende de las relaciones entre distintas partes de un documento extenso o de varias fuentes relacionadas. Sin embargo, no determina qué material merece conservarse, qué versión es la oficial ni si un usuario puede acceder a él.

Tampoco el hecho de que la información quepa en una ventana de contexto garantiza que el modelo vaya a utilizarla correctamente. El estudio Perdidos en el medio demostró que los modelos evaluados podían rendir de manera diferente según dónde aparecieran las pruebas pertinentes en entradas extensas. El resultado advierte que se debe evaluar el uso efectivo del contexto, en lugar de tratar la capacidad anunciada como garantía de recuerdo; no es una predicción fija del rendimiento de todos los modelos más recientes.

Supongamos que el archivo de un proyecto contiene cuarenta conversaciones sobre una fecha de lanzamiento. En treinta y nueve se menciona la fecha original, y la última modificación aprobada la cambia. Proporcionar las cuarenta conversaciones plantea un problema de lectura y de autoridad. Un registro actualizado con cuidado sobre el estado actual, vinculado a la modificación aprobada, puede facilitar la determinación de la respuesta pertinente.

Por tanto, el contexto extenso y la recuperación selectiva pueden complementarse. La recuperación encuentra un conjunto útil de pruebas; un contexto lo bastante amplio permite que el modelo las examine en conjunto. La decisión de diseño depende de la tarea, el tamaño del material de origen y las consecuencias de pasar por alto una salvedad.

Cómo se convierte la información en memoria persistente

Una memoria duradera empieza con una decisión de almacenamiento. Una aplicación puede guardar una instrucción explícita del usuario, deducir un posible dato de una conversación, conservar un suceso o crear un resumen. Cada una de estas vías produce un tipo distinto de prueba.

«Para el Proyecto Cedar, usa unidades métricas» es una preferencia explícita del proyecto. «Al parecer, el usuario prefiere las unidades métricas» es una inferencia. «Los tres últimos informes de Cedar usaron unidades métricas» es una observación. Un registro útil conserva estas diferencias en lugar de reducirlas a una afirmación sin matices sobre todas las tareas futuras.

Qué contiene un registro útil

Para un asistente hipotético de proyectos, un registro podría incluir la afirmación, el identificador del proyecto, el usuario o la organización a los que corresponde, la interacción de origen, una marca de tiempo, un estado de validez y cualquier excepción. Estos campos permiten preguntar de dónde procede la información y si sigue siendo válida.

{
  "scope": "project:cedar",
  "statement": "Use metric units in project reports",
  "source_type": "explicit_user_instruction",
  "source_ref": "conversation_17/message_8",
  "status": "current",
  "exception": "Client edition may require dual units"
}

Este es un esquema ilustrativo, no un estándar universal. Su propósito es mostrar por qué un recuerdo debería contener algo más que una frase. Una referencia a la fuente facilita la verificación; el ámbito evita las generalizaciones excesivas; y un campo de estado permite corregir la información.

Escrituras inmediatas frente a procesamiento en segundo plano

Una escritura inmediata puede hacer que una corrección explícita esté disponible en la solicitud siguiente. El procesamiento en segundo plano puede analizar una interacción ya finalizada, combinar duplicados o elaborar un resumen más meditado. La documentación de LangChain describe ambos enfoques y sus contrapartidas, incluido el trabajo adicional que se introduce en el flujo de respuesta inmediata.

Un diseño práctico podría guardar de inmediato una preferencia confirmada y procesar más tarde una larga sesión de investigación. Aun así, debe gestionar el intervalo entre ambos pasos. Si el sistema le dice al usuario que ha guardado una preferencia antes de que la escritura se complete correctamente, la siguiente conversación puede poner de manifiesto un fallo de continuidad.

Las escrituras en la memoria también necesitan una política para los fallos. Si el almacenamiento no está disponible temporalmente, la aplicación puede informar de que no se completó el guardado o mantener una operación pendiente claramente identificada. Tratar un intento de escritura como si fuera un recuerdo guardado genera una experiencia engañosa para el usuario.

Cómo vuelve la memoria persistente al contexto activo

La recuperación es una secuencia de decisiones sobre elegibilidad, pertinencia y evidencia. Primero, el sistema debe identificar al usuario, al inquilino, al proyecto o a la tarea cuyos registros puede consultar. Después, encuentra registros candidatos y selecciona cuáles incluir en el contexto de la respuesta.

El método de recuperación debe adecuarse a la pregunta. «¿Cuál es la fecha límite aprobada para Cedar?» podría responderse mejor consultando directamente un campo del proyecto. «¿Hemos visto antes este error de implementación?» podría beneficiarse de una búsqueda por palabras clave y de la similitud semántica en incidentes anteriores. Una base de datos vectorial es una opción dentro de ese proceso, no un requisito para todos los tipos de memoria.

La búsqueda semántica resulta especialmente útil cuando cambia la redacción. Una consulta sobre «mantener concisos los informes» podría coincidir con una preferencia guardada por «resúmenes ejecutivos breves». Sin embargo, una afirmación relacionada podría referirse a otro cliente o a una versión abandonada del proyecto. La similitud permite identificar candidatos, pero no demuestra que sean ciertos ni que se tenga permiso para usarlos.

La recuperación necesita una respuesta cuando no encuentra resultados

Pensemos en la pregunta: «¿Qué límite de gasto aprobé el mes pasado?». Si no se encuentra ningún importe aprobado, una respuesta útil señala la falta de evidencia y pide una aclaración. Dar una cifra verosímil transforma la ausencia de un recuerdo en una autorización inventada.

Por lo tanto, la interfaz de memoria debe distinguir entre una coincidencia confirmada, una coincidencia incierta, un conflicto y la ausencia de registros que respalden la información. Cada resultado puede dar lugar a una conducta distinta: responder directamente, matizar la respuesta, pedir una aclaración o negarse a actuar basándose en una suposición sin fundamento.

Después de recuperar la información, también hay que interpretarla. Un registro que diga «presupuesto máximo propuesto: $5,000; aprobación pendiente» no debe convertirse en «presupuesto aprobado: $5,000». Conservar los matices tanto en la representación almacenada como en el contexto proporcionado es tan importante como encontrar el documento correcto.

Ejemplo práctico: recordar un proyecto a lo largo del tiempo

Imaginemos a un asistente que ayuda a un equipo a elaborar el informe de investigación Cedar. El siguiente ejemplo es hipotético, pero pone de manifiesto varias decisiones habituales sobre el diseño de la memoria.

Sesión uno: definir el proyecto

El usuario pide un informe, especifica que se usen unidades métricas, proporciona tres fuentes y dice que el borrador debe estar listo el viernes. El contexto activo incluye esas instrucciones y los extractos de las fuentes. El estado activo de la tarea registra qué secciones se han completado y qué afirmaciones aún deben verificarse.

Los posibles registros persistentes pueden tener distintas finalidades. La preferencia por las unidades métricas corresponde al proyecto. La fecha límite del borrador corresponde al hito actual. Las fuentes proporcionadas deben archivarse en el repositorio de evidencias del proyecto. Las afirmaciones sin verificar deben incluirse en una lista de investigaciones pendientes, conservando su incertidumbre.

Sesión dos: retomar el trabajo con las evidencias adecuadas

Tres días después, el usuario pide que se termine la sección de métodos. El asistente necesita el esquema más reciente, las fuentes pertinentes, el estado actual de la tarea y la regla de formato aplicable. No necesariamente necesita todas las frases descartadas durante la sesión anterior de lluvia de ideas.

Si el punto de control indica que la revisión bibliográfica está completa, el asistente debe abrir el documento guardado antes de editar el resto en función de esa información. «Completada» es una afirmación sobre el progreso; el documento en sí demuestra qué se completó. Los enlaces persistentes a los documentos pueden ser más útiles que un resumen que intente reproducir todo su contenido.

Sesión tres: aplicar una excepción sin reescribirlo todo

El usuario solicita una edición para clientes que incluya tanto unidades métricas como imperiales. La tarea actual debe emplear ambos sistemas. Que cambie o no la regla general del proyecto depende de las palabras del usuario y del alcance de la instrucción: «para esta edición» tiene un alcance más limitado que «a partir de ahora, usa ambos sistemas».

Un asistente cuidadoso registra una excepción específica para esa edición. Un asistente que generaliza en exceso modifica la preferencia global e introduce errores en informes posteriores. Esto constituye un fallo de memoria aunque todas las operaciones de escritura y recuperación de la base de datos se realicen correctamente.

Sesión cuatro: terminar y retirar el estado temporal

Después de entregar el trabajo, el hito debe marcarse como completado. Una instrucción como «continúa el informe» debería llevar al asistente a la versión entregada y a preguntarle qué revisión hace falta, en lugar de reanudar una lista de tareas obsoleta. Las notas temporales de trabajo pueden caducar según las políticas del proyecto, mientras que el informe final y las decisiones importantes siguen disponibles.

Aquí se aprecia el valor de la memoria persistente: se repiten menos explicaciones y hay una mayor continuidad. También se aprecia su costo: la aplicación debe mantener las relaciones entre las preferencias, las excepciones, los documentos y el estado cambiante de las tareas.

Resumen, compactación y el riesgo de perder la excepción

Las interacciones prolongadas pueden acumular más información de la que resulta útil para la siguiente respuesta. La compactación sustituye parte de ese historial por una representación más breve. Un resumen puede conservar el objetivo, las decisiones, las preguntas sin resolver y los enlaces al trabajo subyacente.

Las directrices de Anthropic sobre ingeniería del contexto describen la compactación y las notas almacenadas fuera de la ventana de contexto como métodos para mantener la continuidad durante trabajos prolongados. Ambas técnicas modifican la información disponible para las respuestas futuras, por lo que su calidad es importante.

La compresión es selectiva. Un resumen como «Usa unidades métricas» es más breve que «Usa unidades métricas, excepto en la edición para clientes, que requiere ambos sistemas». También es incorrecto en uno de los casos importantes del proyecto. La excepción omitida puede mantenerse inadvertidamente en resúmenes posteriores y volverse difícil de rastrear.

En el caso de nuestro asistente Cedar, una transferencia de información más completa conservaría la regla general, su excepción, las secciones terminadas, las tareas de verificación pendientes y las referencias a los archivos más recientes. Los detalles exactos, como las cantidades aprobadas o los identificadores, deben permanecer en registros estructurados o documentos fuente cuando una aproximación pueda ser perjudicial.

Los resúmenes también deben conservar la incertidumbre. «Se consideró usar la encuesta B» no debe convertirse en «Se seleccionó la encuesta B». Si el historial comprimido hace que las decisiones provisionales parezcan definitivas, el sistema ha creado un recuerdo falso al intentar ahorrar espacio en el contexto.

Cómo debe gestionar la memoria de la IA las correcciones y los conflictos

La memoria persistente pierde utilidad si no puede cambiar. Los proyectos avanzan, las preferencias evolucionan y la información anterior resulta estar equivocada. Añadir una corrección como otro registro sin matices puede hacer que el sistema de recuperación tenga que elegir entre dos afirmaciones contradictorias.

Una actualización más útil identifica qué reemplaza la nueva evidencia. Si la persona responsable del proyecto cambia la fecha de lanzamiento del 15 de noviembre al 29 de noviembre, el registro anterior puede marcarse como reemplazado y vincularse a la nueva decisión. Las preguntas sobre la fecha límite vigente utilizan la nueva versión; para las preguntas sobre el plan original se puede consultar la versión histórica.

La actualidad de la información no basta para resolver todos los conflictos. Una nota reciente en un borrador puede tener menos autoridad que una política aprobada hace tiempo. Un usuario puede estar autorizado a cambiar una preferencia personal, pero no una norma que se aplica a toda la organización. La política de actualización debe tener en cuenta el tipo de dato y la autoridad de su fuente.

Algunas contradicciones deben quedar sin resolver hasta que una persona las aclare. Si dos responsables de proyecto proporcionan fechas incompatibles sin indicar explícitamente que una reemplaza a la otra, el asistente puede mostrar ambas fuentes y preguntar cuál debe prevalecer. Elegir en silencio el registro más parecido o más reciente oculta una decisión que quizá el sistema no esté autorizado a tomar.

¿Qué significa que la IA olvide?

Olvidar no consiste en accionar un único interruptor. Un producto puede dejar de incluir un dato en las indicaciones, excluirlo de las búsquedas habituales, marcarlo como obsoleto, eliminar su registro de memoria o borrar otras copias conservadas. Estas operaciones tienen efectos distintos en el comportamiento futuro y en los datos retenidos.

Dejar de formar parte del contexto activo

Un dato puede desaparecer de la siguiente entrada del modelo porque se omitieron o resumieron mensajes anteriores. Esto reduce la información que el modelo puede utilizar de inmediato. La transcripción original o el registro de memoria pueden seguir existiendo y reaparecer en una recuperación posterior.

Hacer que caduque o impedir su recuperación

Una fecha límite vencida puede permanecer en un archivo y, al mismo tiempo, quedar excluida de las consultas sobre el trabajo actual. Impedir la recuperación es útil cuando existe un motivo para conservar el historial, pero no debe describirse como una eliminación completa. Una búsqueda histórica o un procedimiento administrativo aún pueden acceder al registro.

Eliminar la memoria almacenada

Eliminar un registro permanente también debería abarcar las representaciones de recuperación derivadas de él. Si se quita una frase de un perfil, pero permanece en un resumen consultable, el asistente podría reconstruir más adelante la misma preferencia. Según la arquitectura, los registros de origen, las representaciones vectoriales, los resúmenes, las cachés y las réplicas pueden requerir tareas de eliminación independientes.

Las copias de seguridad y los registros pueden regirse por sus propios plazos de retención. El producto debe explicar claramente esos límites e impedir que el material eliminado vuelva a activarse al restaurar los datos. «Ya no utilizaremos esta memoria» y «se han eliminado todas las copias conservadas» son promesas distintas.

Modificar los pesos del modelo

Eliminar la memoria externa no modifica por sí mismo los parámetros del modelo. Si la información se utilizó durante el entrenamiento, abordarla en el modelo es un problema distinto que implica el proceso de entrenamiento y despliegue. Del mismo modo, eliminar una memoria personal no garantiza que el modelo nunca genere un dato parecido a partir de conocimientos generales o de indicios incluidos en una nueva indicación.

Por tanto, una prueba significativa de olvido pregunta tanto si el sistema sigue almacenando la información como si las vías habituales de recuperación pueden volver a introducirla. Una sola respuesta en un chat que diga «Lo he olvidado» no demuestra ninguna de las dos cosas.

Memoria, RAG, entrenamiento y almacenamiento en caché: dónde están los límites

La generación aumentada por recuperación, o RAG, proporciona evidencia externa a un modelo durante la generación. La investigación original sobre RAG combinó los parámetros del modelo con un índice de documentos recuperables. Un sistema de memoria personal también puede usar la recuperación, pero además necesita políticas para crear, actualizar y retirar registros de las interacciones.

Es posible recuperar un manual de una empresa sin que este sea un recuerdo del usuario. También se puede recuperar una nota sobre una interacción anterior desde un archivo sencillo, sin un índice vectorial. La recuperación es un mecanismo; el propósito y el ciclo de vida de los registros subyacentes determinan qué tipo de sistema se está creando.

El entrenamiento y el ajuste fino modifican los parámetros del modelo. En cambio, la memoria externa convencional modifica la evidencia que se proporciona a un modelo. Un asistente que sigue una preferencia guardada recientemente puede comportarse de forma distinta aunque los pesos de su modelo no cambien.

El almacenamiento en caché de las instrucciones y de la inferencia reutiliza cálculos previos cuando es posible. Puede mejorar la eficiencia, pero por sí solo no determina si una afirmación recordada está vigente, autorizada o es adecuada para tareas futuras. Estas capas pueden coexistir, y para solucionar problemas hay que identificar cuál es responsable del comportamiento observado.

MemGPT ofrece un ejemplo arquitectónico influyente: exploró cómo mover información entre un contexto limitado y niveles de memoria externa mediante una analogía con los sistemas operativos. La lección útil es que el movimiento de la información debe gestionarse de forma explícita, en lugar de suponer que el almacenamiento amplía automáticamente y sin límites el contexto inmediato del modelo.

Por qué la memoria persistente puede hacer que los errores perduren más

Una respuesta equivocada puede afectar a una interacción. Un recuerdo equivocado puede afectar a muchas. Si un asistente deduce que un usuario aprobó una decisión, guarda esa deducción como un hecho y luego cita el registro guardado, su propio error anterior puede adquirir la apariencia de una evidencia independiente.

En nuestro asistente para proyectos, la fuente original debe poder distinguirse de la interpretación del modelo. Un resumen de una decisión puede facilitar la navegación, pero cualquier acción importante debe basarse en la decisión aprobada en sí. Repetir una inferencia sin fundamento en varias notas generadas no la convierte en varias confirmaciones independientes.

La memoria persistente también crea una vía para la contaminación de instrucciones. Un documento no confiable podría contener una frase que indique al asistente que modifique su comportamiento futuro. Guardar esa frase como regla operativa permitiría que contenido externo cruzara un límite de autoridad. La aplicación debe tratarla según su origen, en lugar de elevarla a la categoría de instrucción confiable por el mero hecho de aparecer en un almacén de memoria.

Los entornos compartidos añaden otro límite. Un dato puede ser pertinente para una pregunta y, aun así, pertenecer a otro cliente o proyecto. Los controles de acceso deben restringir la recuperación antes de que la información llegue al modelo. Pedirle al modelo que ignore registros no autorizados después de que ya se le hayan proporcionado es un diseño menos sólido.

Cómo evaluar si la memoria funciona realmente

En una demostración convincente, a menudo se pide al asistente que repita una preferencia guardada. Una evaluación rigurosa sigue la evolución de la información a lo largo de varias sesiones y comprueba si la memoria mejora la tarea completada.

LongMemEval evalúa la extracción de información, el razonamiento entre sesiones, el razonamiento temporal, la actualización de conocimientos y la abstención. Estas categorías ilustran por qué la calidad de la memoria a largo plazo va más allá de recuperar una sola oración coincidente. Los resultados publicados de las pruebas comparativas deben interpretarse en función de los sistemas y las configuraciones evaluados, en lugar de asumir que describen todos los productos actuales.

En el flujo de trabajo de Cedar, una evaluación podría introducir una preferencia, reanudar el proyecto, añadir una excepción, modificar una fecha límite, eliminar una nota y, después, plantear preguntas diseñadas para revelar recuerdos obsoletos o sin fundamento. También habría que probar el mismo modelo sin la función de memoria para determinar si el sistema añadido mejora los resultados.

• Precisión al guardar: ¿Guardó el sistema la afirmación prevista con su alcance y sus matices?
• Utilidad de la recuperación: ¿Encontró la evidencia necesaria para la tarea sin saturar el contexto con información histórica irrelevante?
• Gestión de actualizaciones: ¿Una corrección sustituyó el dato vigente y, al mismo tiempo, conservó las distinciones históricas útiles?
• Abstención: ¿Reconoció el asistente que no existía ningún registro que respaldara la respuesta?
• Aislamiento: ¿Se mantuvieron los registros restringidos al usuario, al inquilino y al proyecto correspondientes?
• Olvido: ¿La eliminación o el vencimiento impidieron que la información se recuperara posteriormente como estaba previsto, incluso a través de resúmenes derivados?
• Coste operativo: ¿Las mejoras justificaron la latencia, las llamadas al modelo, el almacenamiento y el mantenimiento adicionales?

Los fallos deben rastrearse hasta la etapa en la que se producen. La falta de una respuesta podría deberse a un error al guardar, a un ámbito de búsqueda incorrecto, a una decisión de clasificación deficiente, a una salvedad omitida o a que el modelo interpretó mal pruebas válidas. Aumentar el tamaño del contexto no resolverá todos esos fallos.

Cómo elegir el diseño de memoria adecuado

Para resumir un documento una sola vez, quizá solo hagan falta el documento actual y las instrucciones. Si un análisis se interrumpe, puede resultar útil guardar un punto de control de la tarea. Un asistente para proyectos recurrentes quizá necesite decisiones con control de versiones y referencias a los artefactos. Un asistente que trabaja en muchas sesiones de usuario quizá necesite un almacén de preferencias independiente y editable.

Empieza por definir qué pregunta futura debe responder la memoria. «¿Qué queda por terminar?» requiere el estado de la tarea. «¿Qué formato exige este cliente?» requiere una preferencia de ámbito específico. «¿Por qué rechazamos este enfoque?» requiere un registro de la decisión con pruebas que la respalden. Las distintas preguntas requieren representaciones distintas.

Es preferible contar con pocos registros claros y atribuibles que con un archivo indiscriminado presentado como personalización. Mantén el estado actual separado de los hechos históricos, conserva los enlaces a los artefactos de origen e incluye desde el principio las correcciones y la eliminación como parte del diseño.

La memoria activa proporciona a un sistema de IA una visión coherente del presente. La memoria persistente puede darle continuidad a lo largo del tiempo. La calidad de esa continuidad depende de las decisiones que median entre ambas: qué se guarda, qué se recupera, qué versión prevalece y qué puede desaparecer.