La memoria del agente de IA se refiere a la capacidad de un sistema de inteligencia artificial (IA) para almacenar y recordar experiencias pasadas para mejorar la toma de decisiones, la percepción y el rendimiento general.
A diferencia de los modelos de IA tradicionales 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 adaptar en función de interacciones pasadas. Esta capacidad es esencial para las aplicaciones de IA orientadas a objetivos, donde se requieren bucles de retroalimentación, bases de conocimiento y aprendizaje adaptativo.
La memoria es un sistema que recuerda algo sobre interacciones anteriores. Los agentes de IA no necesariamente necesitan 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 cuál fue la temperatura ayer. Pero un termostato "inteligente" más avanzado con memoria puede ir más allá de la simple regulación de 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 grandes (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 de memoria optimizada ayuda a garantizar que los sistemas de IA almacenen solo la información más relevante mientras mantienen un procesamiento debaja latencia para aplicaciones en tiempo real.
Boletín de la industria
Obtenga insights curados 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 entregará en inglés. En cada boletín, encontrará un enlace para darse de baja. Puede gestionar sus suscripciones o darse de baja aquí. Consulte nuestra Declaración de privacidad de IBM para obtener más información.
Los investigadores clasifican la memoria de agente de la misma manera que los psicólogos clasifican la memoria humana. El influyenteartículo 1 de Cognitive Architectures for Language Agents (CoALA)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 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 dentro de una sola sesión, lo que ayuda a garantizar conversaciones más fluidas y con mayor sentido del contexto.
La STM suele implementarse mediante un búfer rodante o una ventana de contexto , que contiene una cantidad limitada de datos recientes antes de sobrescribirse. Si bien este enfoque mejora la continuidad en interacciones cortas, no retiene 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 recordar información en diferentes sesiones, lo que las hace más personalizadas e inteligentes a lo largo del tiempo.
A diferencia de la memoria a corto plazo, la LTM está diseñada para el almacenamiento permanente, a menudo implementado mediante bases de datos, gráficos de conocimiento o incorporaciones de vectores . Este tipo de memoria es crucial para las aplicaciones de IA que requieren conocimiento histórico, como asistentes personalizados y sistemas de recomendación.
Por ejemplo, un agente de atención al cliente impulsado por 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 efectivas para implementar LTM es la generación aumentada de recuperación (RAG), donde el agente obtiene información relevante de una base de conocimientos 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 a menudo se implementa mediante el registro de eventos clave, acciones y sus resultados en un formato estructurado al que el agente puede acceder al tomar decisiones.
Por ejemplo, un asesor financiero impulsado por IA podría recordar las opciones de inversión anteriores de un usuario y utilizar ese historial para proporcionar mejores recomendaciones. Este tipo de memoria también es esencial en robótica y sistemas autónomos, donde un agente debe recordar acciones pasadas para navegar de manera eficiente.
La memoria semántica es responsable de almacenar 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 incorporaciones vectoriales, lo que les permite procesar y recuperar información relevante de manera eficiente. Este tipo de memoria se emplea en aplicaciones reales que requieren conocimientos especializados, como los asistentes jurídicos de IA, las herramientas de diagnóstico médico y los sistemas de gestión del conocimiento empresarial.
Por ejemplo, un asistente legal de IA puede usar su base de conocimientos para recuperar precedentes de casos y brindar 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 eficiencia mediante la automatización de secuencias complejas de acciones basadas en experiencias previas.
Los agentes de IA aprenden secuencias de acciones a través del entrenamiento, a menudo empleando 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 mediante almacenamiento externo, arquitecturas especializadas y mecanismos de retroalimentación. 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 agente clave para crear agentes de IA habilitados para 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, mejorando su capacidad para rastrear dependencias y aprender con el tiempo.
Al integrar bases de datos vectoriales, los sistemas agentic pueden almacenar eficientemente las incorporaciones de interacciones anteriores, lo que permite la recuperación contextual. Esto es útil para la generación de documentos impulsada por IA, donde un agente debe recordar las preferencias del usuario y las modificaciones pasadas.
El auge de los marcos de código abierto ha acelerado el desarrollo de agentes de IA mejorados con memoria. Plataformas como GitHub alojan numerosos repositorios que proporcionan herramientas y plantillas para integrar la memoria en los flujos de trabajo de IA.
Además, Hugging Face ofrece modelos previamente entrenados 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 manejar la orquestación, el almacenamiento de memoria y los mecanismos de recuperación, lo que lo convierte en una opción para implementar sistemas de memoria de IA.
1 "Cognitive Architectures for Language Agents ", Universidad de Princeton, febrero de 2024.
Cree, implemente y gestione poderosos 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 pueda confiar.
Los servicios de IA de IBM Consulting ayudan a reinventar la forma en que las empresas trabajan con IA para la transformación.