En este artículo técnico, Leonie Monigatti presenta la evolución arquitectónica desde el RAG básico (2020) hasta Agent Memory, trazando la progresión en la forma en que los sistemas de IA acceden y gestionan el conocimiento externo, con un enfoque en el flujo bidireccional de información hacia y desde las ventanas de contexto de los LLM.
RAG básico (2020): la capa fundacional
La memoria del agente representa un cambio de paradigma desde sistemas centrados en la recuperación hacia una gestión de datos integral
Retrieval-Augmented Generation introdujo la recuperación de un solo paso desde fuentes de conocimiento externas. Arquitectura simple: almacenamiento offline + una única recuperación por consulta. Pregunta central: «¿Cómo recuperar?». La búsqueda semántica mediante Vector Databases aumenta el LLM con información externa relevante. Limitación: recuperación determinista, de un solo paso, sin refinamiento adaptativo de la consulta.
Agentic RAG: capacidad de recuperación dinámica
La evolución introduce llamadas a herramientas (tool calls) que permiten al agente determinar si se necesita información adicional. El pseudocódigo ilustra la transición:
`
SearchTool available → The agent evaluates relevance → Multiple retrieval turns possible
`
La pregunta cambia: «¿Cómo recuperar?» se convierte en «¿Debo recuperar?». El agente decide de forma autónoma cuándo y dónde recuperar información. La recuperación se vuelve más estratégica, contextual e iterativa. Pero las operaciones siguen siendo de solo lectura: la información fluye únicamente hacia la ventana de contexto.
Agent Memory: gestión de datos completa
«El siguiente paso lógico tras la evolución de RAG básico a Agentic RAG». Introduce un WriteTool junto al SearchTool. Cambio de paradigma importante: operaciones de lectura-escritura. La pregunta pasa a ser: «¿Cómo se gestiona la información?».
El pseudocódigo muestra la transformación:
`
SearchTool (read) + WriteTool (write) → Bidirectional information flow → Persistent learning
`
La información fluye en ambas direcciones: no solo recuperación, sino también almacenamiento y modificación durante la inferencia. Como resultado, las capacidades de aprendizaje persistente de los agentes cambian de forma fundamental.
Aplicaciones prácticas demostradas
Experiencias de usuario personalizadas: el almacenamiento del historial de conversaciones garantiza la continuidad entre sesiones. Las preferencias del usuario y los patrones de interacción se conservan de forma persistente.
Creación automática de memoria: el sistema extrae y almacena detalles importantes (preferencias, fechas, nombres) sin un comando explícito del usuario. Gestión proactiva de la memoria.
Sistemas de memoria multifuente: arquitectura que admite distintos tipos de memoria: - Memoria procedimental: flujos de trabajo, know-how - Memoria episódica: interacciones pasadas, historial de contexto - Memoria semántica: hechos, conocimiento del dominio
Esta separación permite estrategias de recuperación especializadas para cada tipo de memoria.
Nuevos desafíos introducidos
El artículo, equilibrado en su tratamiento, destaca los desafíos:
Corrupción de memoria: las operaciones de escritura pueden introducir errores e información desactualizada. Se necesitan estrategias de validación.
Complejidad de gestión: el versionado, la resolución de conflictos y las políticas de retención se vuelven necesarios. Más poder = gobernanza más compleja.
Privacidad: el almacenamiento persistente plantea cuestiones de retención de datos, consentimiento y derecho al olvido.
Cambio de paradigma resumido
La evolución representa un cambio fundamental de los sistemas centrados en la recuperación hacia la gestión de datos completa. RAG recuperaba conocimiento, Agentic RAG decidía cuándo recuperar, Agent Memory gestiona todo el ciclo de vida del conocimiento.
Cita clave: «La memoria del agente representa un cambio de paradigma desde sistemas centrados en la recuperación hacia una gestión de datos integral».
Progresión del framework: aumento estático → recuperación dinámica → aprendizaje persistente. Cada etapa se construye sobre las capacidades anteriores añadiendo una capa de autonomía. Agent Memory permite a los agentes aprender de las interacciones, construir bases de conocimiento y personalizar las respuestas en función de la experiencia acumulada. La transformación de una herramienta de recuperación en una plataforma de gestión de datos redefine de forma fundamental la arquitectura de los agentes LLM.