La memoria de agentes de IA se refiere a la capacidad de un sistema de inteligencia artificial (IA) para almacenar y recordar experiencias pasadas a fin de mejorar la toma de decisiones, la percepción y el rendimiento general.
A diferencia de los modelos de IA que procesan cada tarea de forma independiente, los agentes de IA con memoria pueden retener el contexto, reconocer patrones a lo largo del tiempo y adaptarse en función de interacciones pasadas. Esta capacidad es esencial para las aplicaciones de IA orientadas a objetivos, donde se requieren bucles de feedback, bases de conocimiento y aprendizaje adaptativo.
La memoria es un sistema que recuerda algo sobre interacciones anteriores. Los agentes de IA no necesitan necesariamente sistemas de memoria. Los agentes reflejos simples, por ejemplo, perciben información en tiempo real sobre su entorno y actúan en consecuencia o transmiten esa información.
Un termostato básico no necesita recordar la temperatura ayer. Pero un termostato "inteligente" más avanzado con memoria puede ir más allá de la simple regulación de la temperatura de encendido o apagado mediante el aprendizaje de patrones, la adaptación al comportamiento del usuario y la optimización de la eficiencia energética. En lugar de reaccionar solo a la temperatura actual, puede almacenar y analizar datos anteriores para tomar decisiones más inteligentes.
Los modelos de lenguaje de gran tamaño (LLM) no pueden, por sí mismos, recordar cosas. Se debe agregar el componente de memoria. Sin embargo, uno de los mayores desafíos en el diseño de memoria de IA es optimizar la eficiencia de recuperación, ya que almacenar datos excesivos puede conducir a tiempos de respuesta más lentos.
La gestión optimizada de la memoria ayuda a garantizar que los sistemas de IA almacenen solo la información más relevante, a la vez que mantienen un procesamiento de baja latencia para las aplicaciones en tiempo real.
Boletín del sector
Obtenga conocimientos organizados sobre las noticias más importantes e intrigantes de la IA. Suscríbase a nuestro boletín semanal Think. Consulte la Declaración de privacidad de IBM.
Su suscripción se enviará en inglés. Encontrará un enlace para darse de baja en cada boletín. Puede gestionar sus suscripciones o darse de baja aquí. Consulte nuestra Declaración de privacidad de IBM para obtener más información.
Los investigadores categorizan la memoria agéntica de la misma manera que los psicólogos categorizan la memoria humana. El influyente artículo Cognitive Architectures for Language Agents (CoALA)1 de un equipo de la Universidad de Princeton describe diferentes tipos de memoria como:
La memoria a corto plazo (STM) permite a un agente de IA recordar entradas recientes para la toma de decisiones inmediata. Este tipo de memoria es útil en la IA conversacional, donde se requiere mantener el contexto en múltiples intercambios.
Por ejemplo, un chatbot que recuerda los mensajes anteriores dentro de una sesión puede proporcionar respuestas coherentes en lugar de tratar cada entrada del usuario de forma aislada, mejorando la experiencia del usuario. Por ejemplo, ChatGPT de OpenAI conserva el historial de chat en una sola sesión, lo que ayuda a garantizar conversaciones más fluidas y contextualizadas.
STM suele implementarse mediante un búfer rodante o una ventana de contexto, que contiene una cantidad limitada de datos recientes antes de sobrescribirse. Aunque este enfoque mejora la continuidad en las interacciones cortas, no retiene la información más allá de la sesión, lo que lo hace inadecuado para la personalización o el aprendizaje a largo plazo.
La memoria a largo plazo (MLP) permite a los agentes de IA almacenar y recuperar información en diferentes sesiones, haciéndolas más personalizadas e inteligentes con el tiempo.
A diferencia de la memoria a corto plazo, la MLP está diseñada para el almacenamiento permanente y, a menudo, se implementa mediante bases de datos, gráficos de conocimiento o incrustaciones vectoriales. Este tipo de memoria es crucial para las aplicaciones de IA que requieren conocimientos históricos, como los asistentes personalizados y los sistemas de recomendación.
Por ejemplo, un agente de atención al cliente con IA puede recordar interacciones anteriores con un usuario y adaptar las respuestas en consecuencia, mejorando la experiencia general del cliente.
Una de las técnicas más eficaces para implementar la MLP es la generación aumentada por recuperación (RAG), en la que el agente obtiene información relevante de una base de conocimiento almacenada para mejorar sus respuestas.
La memoria episódica permite a los agentes de IA recordar experiencias pasadas específicas, de forma similar a como los humanos recuerdan eventos individuales. Este tipo de memoria es útil para el razonamiento basado en casos, donde una IA aprende de eventos pasados para tomar mejores decisiones en el futuro.
La memoria episódica se suele implementar mediante información de registro de eventos clave, acciones y sus resultados en un formato estructurado al que el agente puede acceder cuando toma decisiones.
Por ejemplo, un asesor financiero con IA podría recordar las elecciones de inversión anteriores de un usuario y utilizar ese historial para ofrecerle mejores recomendaciones. Este tipo de memoria también es esencial en robótica y sistemas autónomos, donde un agente debe recordar acciones pasadas para navegar con eficacia.
La memoria semántica es responsable de almacenar el conocimiento fáctico estructurado que un agente de IA puede recuperar y utilizar para el razonamiento. A diferencia de la memoria episódica, que se ocupa de eventos específicos, la memoria semántica contiene información generalizada como hechos, definiciones y reglas.
Los agentes de IA suelen implementar la memoria semántica utilizando bases de conocimiento, IA simbólica o incrustaciones vectoriales, lo que les permite procesar y recuperar información relevante de manera eficiente. Este tipo de memoria se utiliza en aplicaciones del mundo real que requieren experiencia en el dominio, como asistentes legales de IA, herramientas de diagnóstico médico y sistemas de gestión del conocimiento empresarial.
Por ejemplo, un asistente jurídico de IA puede usar su base de conocimientos para recuperar precedentes de casos y ofrecer un asesoramiento legal preciso.
La memoria procedimental en los agentes de IA se refiere a la capacidad de almacenar y recordar habilidades, reglas y comportamientos aprendidos que permiten a un agente realizar tareas automáticamente sin un razonamiento explícito cada vez.
Está inspirado en la memoria procedimental humana, que permite a las personas realizar acciones como andar en bicicleta o escribir sin pensar conscientemente en cada paso. En la IA, la memoria procedimental ayuda a los agentes a mejorar la eficacia al automatizar secuencias complejas de acciones basándose en experiencias anteriores.
Los agentes de IA aprenden secuencias de acciones a través del entrenamiento, a menudo utilizando el aprendizaje por refuerzo para optimizar el rendimiento a lo largo del tiempo. Al almacenar procedimientos relacionados con las tareas, los agentes de IA pueden reducir el tiempo de cálculo y responder más rápido a tareas específicas sin tener que reprocesar los datos desde cero.
Los desarrolladores implementan la memoria utilizando almacenamiento externo, arquitecturas especializadas y mecanismos de feedback. Dado que los agentes de IA varían en complejidad, desde simples agentes reflejos hasta agentes de aprendizaje avanzados, la implementación de la memoria depende de la arquitectura del agente, el caso de uso y la adaptabilidad requerida.
Un marco de agentes clave para crear agentes de IA con capacidad de memoria es LangChain, que facilita la integración de memoria, API y flujos de trabajo de razonamiento. Al combinar LangChain con bases de datos vectoriales, los agentes de IA pueden almacenar y recuperar de manera eficiente grandes volúmenes de interacciones pasadas, lo que permite respuestas más coherentes a lo largo del tiempo.
LangGraph permite a los desarrolladores construir gráficos de memoria jerárquicos para agentes de IA, lo que mejora su capacidad para rastrear dependencias y aprender con el tiempo.
Mediante la integración de bases de datos vectoriales, los sistemas agentivos pueden almacenar eficazmente embeddings de interacciones anteriores, lo que permite la recuperación contextual. Esto es útil para la generación de documentos impulsada por IA, en la que un agente debe recordar las preferencias del usuario y las modificaciones anteriores.
El auge de los marcos de código abierto ha acelerado el desarrollo de agentes de IA con memoria mejorada. Plataformas como GitHub albergan numerosos repositorios que proporcionan herramientas y plantillas para integrar la memoria en los flujos de trabajo de IA.
Además, Hugging Face ofrece modelos preentrenados que se pueden ajustar con componentes de memoria para mejorar las capacidades de recuperación de la IA. Python, un lenguaje dominante en el desarrollo de IA, proporciona bibliotecas para gestionar la orquestación, el almacenamiento de memoria y los mecanismos de recuperación, lo que lo convierte en la opción preferida para implementar sistemas de memoria de IA.
1 "Cognitive Architectures for Language Agents". Universidad de Princeton. Febrero de 2024.
Cree, implemente y gestione potentes asistentes y agentes de IA que automaticen flujos de trabajo y procesos con IA generativa.
Construya el futuro de su empresa con soluciones de IA en las que puede confiar.
Los servicios de IA de IBM Consulting ayudan a reinventar la forma de trabajar de las empresas usando IA para la transformación.