El artículo argumenta que los agentes de inteligencia artificial no requieren sistemas de memoria basados en vectores, sino documentación estructurada y auditable. La crítica central es que las herramientas actuales de 'memoria' funcionan mediante la recuperación de fragmentos de texto (RAG) a partir de transcripciones, lo que genera incertidumbre sobre la precisión y el contexto de la información. El autor señala que esta arquitectura es ineficiente porque los agentes no pueden identificar qué información es relevante ni actual, y que el almacenamiento de embeddings sin contexto hace imposible auditar el conocimiento del sistema.
La solución propuesta es un sistema de memoria basado en documentos, donde el agente accede a un espacio de trabajo estructurado (como archivos Markdown) para consultar especificaciones, decisiones y research antes de ejecutar tareas, y actualiza dicho espacio después de completarlas. Este enfoque elimina la necesidad de bases de datos vectoriales, resumizadores y demonios de fondo, permitiendo que el conocimiento sea legible, actualizable y compartible por el equipo. El texto describe la implementación de este concepto a través de una herramienta llamada Operator Memory, que permite a los agentes gestionar su conocimiento como documentos planos, mejorando la coherencia y la capacidad de razonamiento del agente a largo plazo.