Memoria de agentes de IA: cómo hacer que recuerden entre sesiones

Le explicas tu proyecto a un asistente de IA: la tecnología, los objetivos de negocio y las convenciones de nombres. Al día siguiente empiezas una sesión nueva y ese contexto ya no está. Un sistema de memoria práctico guarda el trabajo actual en un archivo corto, conserva las notas detalladas fuera del prompt y recupera los datos más antiguos cuando el agente los necesita. La compactación puede liberar espacio en una conversación larga, pero no garantiza que se conserve todo.

Sin contexto persistente, tienes que explicar una y otra vez el proyecto y tus preferencias. Los productos llaman a la solución contexto persistente de IA, memoria a largo plazo de IA o contexto entre sesiones. Todos estos términos se refieren a información guardada fuera del modelo que se le vuelve a dar cuando resulta relevante.

Por qué la IA olvida de una conversación a otra

Los grandes modelos de lenguaje trabajan con una ventana de contexto, una cantidad limitada de entrada que incluye instrucciones, mensajes y resultados de herramientas. La información que deba sobrevivir a una sesión independiente tiene que guardarla y volver a cargarla la aplicación.

Los límites de contexto varían según el modelo y el proveedor, y este puede cambiarlos con el tiempo. Los resultados de herramientas, los archivos de código fuente, las capturas de pantalla y las conversaciones largas pueden consumir el espacio disponible más rápido de lo que sugiere el número de mensajes.

Tres retos de memoria distintos que tienes que resolver:

• Memoria de sesión: lo que ocurrió antes en la conversación actual
• Memoria entre sesiones: decisiones y trabajo que deben sobrevivir a un reinicio
• Preferencias y datos: convenciones que el agente debe recuperar cuando una tarea las necesite

Cada producto ofrece capas distintas. Antes de depender de la información guardada, comprueba si puedes revisarla, corregirla y borrarla.

Los 4 enfoques de memoria para la IA

Bases de datos vectoriales (búsqueda semántica)

Guardas las conversaciones y el contexto anteriores como embeddings vectoriales en una base de datos (Pinecone, Weaviate, Chroma, Qdrant). Cuando la IA necesita contexto, busca contenido semánticamente similar y lo inyecta en el prompt.

Ventajas:

• Diseñadas para buscar en colecciones que no caben en un solo prompt
• La búsqueda semántica encuentra contexto relevante aunque esté redactado de otra forma
• Disponibles en servicios alojados y herramientas autogestionadas, como Pinecone, Weaviate y pgvector

Inconvenientes:

• Añaden un paso de embeddings y de búsqueda a la recuperación
• La calidad de la recuperación varía; una búsqueda puede devolver contexto irrelevante o no encontrar el pasaje necesario
• Requieren infraestructura: pipeline de embeddings, alojamiento de la base de datos y mantenimiento del índice
• Los servicios alojados añaden costes de uso y almacenamiento que dependen del proveedor y del volumen de datos

Útiles para: bases de conocimiento grandes y aplicaciones que deben recuperar pasajes de muchos documentos.

Memoria en archivos (notas estructuradas)

Un enfoque directo consiste en escribir el contexto importante en archivos de texto que la aplicación carga o consulta cuando el agente los necesita.

Ventajas:

• Puede funcionar sin un servicio de base de datos aparte
• Legible y editable por una persona, así que puedes revisar y corregir el contexto guardado
• Predecible cuando la aplicación carga en el prompt archivos concretos
• Fácil de depurar, porque puedes revisar el texto de origen

Inconvenientes:

• Cargar todos los archivos en cada prompt deja de funcionar cuando la colección crece
• Mantenerla exige estructura y disciplina
• No permite búsqueda por similitud semántica

Útil para: asistentes personales, equipos pequeños y agentes que necesitan una memoria de proyecto revisable.

Generación aumentada por recuperación (RAG)

El RAG combina la búsqueda vectorial con la recuperación estructurada de documentos. La IA recupera fragmentos relevantes de una base de conocimiento antes de generar cada respuesta.

Ventajas: maneja bases de conocimiento grandes y cambiantes. Puede incorporar fuentes de datos externas (documentación, wikis, bases de datos).

Inconvenientes: cómo se divide el texto en fragmentos y cómo se ordenan los resultados afecta a la calidad. Los fragmentos pequeños pueden perder contexto, mientras que los grandes pueden diluir la relevancia. Un fallo de recuperación puede parecer una respuesta normal, así que los sistemas en producción necesitan evaluación y registro.

Útil para: aplicaciones con mucho conocimiento, como la investigación jurídica, los historiales médicos y la documentación técnica.

Ajuste fino

Incorpora conocimiento directamente en el modelo mediante entrenamiento adicional. El modelo aprende tus patrones, tus preferencias y conocimiento especializado.

Ventajas: puede enseñar a un modelo formatos o comportamientos recurrentes sin añadir los mismos ejemplos a cada prompt.

Inconvenientes: el entrenamiento, la evaluación y las actualizaciones posteriores requieren un conjunto de datos adecuado y que el proveedor lo admita. El ajuste fino no funciona como un almacén de conocimiento editable, y cambiar un dato puede requerir otro entrenamiento.

Útil para: formatos de salida repetidos, adaptación de estilo y lenguaje especializado cuando un proveedor admite el flujo de entrenamiento necesario.

El enfoque de noHuman Team: una memoria práctica que funciona

noHuman Team usa archivos Markdown editables como fuente de verdad duradera. Carga en cada turno un archivo corto con el estado actual y ofrece búsqueda con grep, de texto completo y vectorial para el material que queda fuera del prompt. La capa de sesión puede compactar el historial antiguo de la conversación cuando el modelo activo se acerca a su límite de contexto.

Capa 1: CURRENT.md para el trabajo en curso

Cada noHuman puede mantener un archivo CURRENT.md privado con la tarea en curso, los bloqueos y el siguiente paso:

# Developer Current Work
## Task: Implement user settings page
## Done: API routes complete, form validation working
## Next: Frontend components, tests
## Blockers: Waiting on design specs from CEO

La aplicación carga CURRENT.md en el contexto de ese noHuman en cada turno y lo limita a un tamaño pequeño. Como el archivo está en disco, una sesión reiniciada puede leer el mismo estado de la tarea.

Capa 2: entradas de diario e hilos

Las entradas de diario pueden registrar lo que pasó en un día, mientras que los archivos de hilo conservan el historial y el estado de un trabajo concreto:

• Decisiones tomadas y por qué
• Tareas completadas con rutas de archivo
• Problemas encontrados y soluciones probadas
• Lecciones aprendidas

Por defecto, estos archivos se quedan fuera del prompt. El noHuman puede buscarlos o abrirlos cuando necesite el detalle, y así el contexto activo se mantiene centrado en la tarea actual.

Capa 3: hechos y memoria compartida del equipo

Los archivos de hechos guardan las preferencias del fundador, las decisiones del proyecto, los detalles del entorno y los problemas conocidos. TEAM.md da a todo el equipo un contexto compartido breve. Ambos siguen siendo Markdown editable, no un estado oculto del modelo.

Compactación inteligente: mantener el contexto dentro de los límites

Incluso con memoria basada en archivos, una conversación en curso crece. noHuman Team puede compactar el historial antiguo de la conversación en un resumen cuando el contexto activo se acerca a su límite.

Cuando el contexto crece mucho, el sistema:

1. Toma los mensajes más antiguos de la conversación
2. Los resume, conservando las decisiones clave y los fragmentos de código
3. Sustituye los mensajes completos por el resumen
4. Libera espacio en la ventana de contexto para el trabajo nuevo

El resultado depende de la conversación y del modelo. La compactación reduce la transcripción activa, pero un resumen puede perder la redacción exacta, código o una decisión menor. Antes de confiar en un resumen, guarda en la memoria la información duradera.

Cómo construir tu propio sistema de memoria para IA

Elige la capa adecuada para cada necesidad

Haz que la memoria sea editable

Deja que el agente cuide su propia memoria

Dale al agente reglas claras para mantener la memoria. Puede revisar el trabajo reciente, convertir una decisión duradera en un hecho, actualizar el estado actual y señalarte una contradicción para que la resuelvas.

Mantén el archivo Markdown como fuente de verdad incluso cuando añadas un índice de búsqueda. Reconstruye el índice a partir de los archivos cuando se desincronice.

Empieza por lo simple y añade complejidad después

Empieza con un solo archivo corto que recoja el estado actual. Después:

• Añade notas diarias cuando necesites historial reciente
• Añade compactación cuando las sesiones se acerquen al límite de contexto del modelo
• Añade un archivo CURRENT.md distinto para cada agente cuando tengas un equipo en marcha
• Añade búsqueda de texto completo o vectorial cuando los nombres de archivo y la búsqueda directa de texto dejen de encontrar el material adecuado

Mantén la memoria revisable

Los archivos, los índices de búsqueda, el RAG y el ajuste fino tienen cada uno sus propias formas de fallar. Empieza con el sistema más pequeño que recupere el contexto que necesitan las tareas y mide los fallos de recuperación antes de añadir otra capa.

Busca un acceso fiable al contexto que importa para la tarea actual y un registro que puedas corregir.

Ideas clave

• Las sesiones independientes necesitan un sistema externo que guarde y vuelva a cargar el contexto del proyecto
• Un archivo corto con el estado actual, un historial en el que se pueda buscar y los datos duraderos cumplen funciones distintas
• Con archivos editables, las correcciones quedan claras; los índices ayudan a recuperar datos de una colección mayor
• La compactación libera espacio de contexto, pero no garantiza que no se pierda nada
• Dale al agente reglas explícitas para convertir decisiones en hechos y corregir datos obsoletos

Preguntas frecuentes

¿Qué es la memoria de un agente de IA y por qué importa? La memoria de un agente de IA guarda contexto fuera del modelo y se lo proporciona a las sesiones posteriores. Puede incluir el estado de la tarea actual, decisiones del proyecto, preferencias y un historial de trabajo en el que se puede buscar.

¿Qué diferencia hay entre la memoria de sesión y la memoria persistente de la IA? La memoria de sesión es el contexto asociado a una conversación. La memoria persistente de la IA usa almacenamiento externo, como archivos o bases de datos, para que otra sesión pueda recuperar la información más tarde. El comportamiento depende del producto, así que cerrar un chat no implica la misma política de conservación en todas partes.

¿Necesito una base de datos vectorial para la memoria de un agente de IA? En principio, no. Empieza con archivos con nombre propio y búsqueda de texto completo. Añade recuperación vectorial cuando los usuarios pidan información con palabras que la búsqueda directa no pueda encontrar, o cuando la colección sea difícil de recorrer. Aun así necesitas una fuente de verdad editable detrás del índice.

¿Cómo funciona la compactación de contexto en los agentes de IA? La compactación sustituye los turnos antiguos por un resumen más corto cuando una conversación se acerca a su límite de contexto. Deja espacio para el trabajo nuevo, pero el resultado es un resumen con pérdida de información. Guarda las decisiones, rutas y requisitos exactos en la memoria duradera antes de compactar.

¿Cuánto cuesta implementar la memoria de un agente de IA? El coste depende del volumen de almacenamiento, del uso de embeddings, de las llamadas al modelo, del alojamiento y del mantenimiento. Con archivos Markdown locales te ahorras una base de datos alojada aparte, mientras que la recuperación vectorial añade trabajo de indexación y de embeddings. El ajuste fino y la recuperación gestionada tienen precios propios de cada proveedor, así que consulta su documentación actual antes de calcular un presupuesto.

Instala noHuman Team para usar en tu ordenador archivos editables de estado actual, hilos, hechos, diarios, recuperación y compactación de sesiones. La suscripción mensual empieza con una prueba de 7 días; al contratarla se piden los datos de pago. Tu proveedor de IA cobra aparte.