Un sistema de memoria para agentes de inteligencia artificial debe ir más allá de la ventana de contexto del modelo, que funciona como una pizarra temporal y se resetea en cada sesión. Elasticsearch Labs presenta una arquitectura de memoria persistente basada en tres índices diferenciados según categorías de la psicología cognitiva: memoria episódica (eventos con marca temporal), memoria semántica (hechos estables sobre el usuario) y memoria procedimental (playbooks de varios pasos con contadores de éxito y fracaso). Cada tipo sigue su propio ciclo de vida, lo que permite tasas de escritura, reglas de envejecimiento y de actualización independientes.
La recuperación utiliza búsqueda híbrida en dos etapas: primero se combinan resultados léxicos (BM25) y semánticos (vectores densos Jina v5) mediante Reciprocal Rank Fusion con rank_constant=30, y a continuación un cross-encoder Jina v2 rerancla los candidatos. El sistema incorpora además mecanismos de supersesión para resolver contradicciones sin perder el historial, funciones de decay para evitar que los datos más antiguos dominen las consultas, y Document Level Security para garantizar que la memoria de cada usuario sea invisible para los demás. En una evaluación de 168 preguntas, el sistema alcanzó un recall@10 promedio de 0,89 sin filtraciones entre inquilinos. La implementación completa está disponible en el repositorio de GitHub atlas-memory-demo.