Memora es un framework de memoria agentic diseñado por Microsoft Research para resolver uno de los cuellos de botella actuales de los agentes de inteligencia artificial: la ausencia de memoria persistente entre sesiones. Los modelos de lenguaje actuales son prácticamente sin estado: cada conversación larga obliga a releer todo el historial o a recurrir a textos fragmentados y resúmenes vagos, lo que destruye detalles clave como restricciones, cifras o casos límite.
Frente a sistemas existentes como Mem0, RAG, Zep o GraphRAG, que obligan a elegir entre especificidad y abstracción, Memora propone separar qué se almacena de cómo se recupera. Cada entrada de memoria combina una abstracción primaria (una frase corta de 6 a 8 palabras) con un valor que guarda el contenido rico; solo la abstracción se incrusta para búsqueda por similitud. A esto se suman cue anchors: etiquetas cortas y contextuales que funcionan como rutas alternativas de acceso sin necesidad de ontologías rígidas.
Sobre esta representación opera un recuperador guiado por políticas que refina la consulta de forma iterativa, permitiendo recorrer dependencias multi salto que la búsqueda semántica pura no captura. En los benchmarks LoCoMo (diálogos de 600 turnos) y LongMemEval (contextos de 115.000 tokens), Memora alcanza nuevos máximos de precisión (86,3% y 87,4% respectivamente), supera a RAG, Mem0, Nemori, Zep, LangMem y a la inferencia con contexto completo, y reduce el consumo de tokens hasta un 98%. Memora supone así un paso hacia agentes capaces de acumular conocimiento organizativo durante meses, con trabajos futuros como MemLoop orientados a que el sistema aprenda de sus propios errores.