Componentes de la memoria en agentes de inteligencia artificial

La memoria en los agentes de inteligencia artificial se estructura mediante una división de trabajo similar a la del cerebro humano, donde la captura inmediata de experiencias se gestiona mediante registros o transcripciones, mientras que la consolidación a largo plazo ocurre durante periodos de inactividad. Este proceso, denominado 'dreaming' o computación de sueño, permite a los modelos reorganizar su contexto y corregir errores sin consumir recursos durante las interacciones activas. Anthropic define la memoria de agente como el conocimiento retenido entre sesiones, excluyendo el aprendizaje in-contexto o los cambios en los pesos internos. Los modelos evalúan la saliencia de los eventos para priorizar qué información guardar, utilizando reglas predichas para evitar repeticiones. En pruebas con el benchmark Continual Learning Bench (CL-Bench 1.0), Claude Opus 5 demostró la capacidad de cerrar el ciclo de aprendizaje al consolidar reglas validadas y advertencias sobre trampas, superando a modelos anteriores que solo generaban teorías no probadas. Además, en la simulación de Pokémon Red, Claude Fable 5 mostró una eficiencia superior a Claude Sonnet 3.7 al almacenar solo información estratégica y reglas probadas, evitando la redundancia de datos que cambian constantemente. Esta arquitectura permite a los agentes optimizar el uso de recursos y mejorar su autonomía en tareas de horizonte largo, integrando la experiencia pasada para guiar la acción futura.