Los sistemas de memoria para agentes de inteligencia artificial son fundamentales para superar la brecha entre sesiones de conversación, permitiendo que una IA actúe de manera coherente y personalizada a lo largo del tiempo. Sin embargo, el término "memoria" en el contexto de las librerías de código es engañoso; la mayoría de estas herramientas no replican la memoria humana completa, sino que implementan sistemas de "memoria autobiográfica" que almacenan hechos sobre el usuario (dónde vive, qué prefiere, qué está trabajando).
La arquitectura técnica de estos sistemas se desglosa en tres componentes clave. El Extractor utiliza un modelo de lenguaje para decidir qué información guardar de una conversación. Aquí surge un desafío técnico crítico: la compresión. Al transformar un evento situado ("di que prefiere TypeScript el martes") en un hecho descontextualizado, se pierden pistas vitales como referencias temporales ("ayer") o análogos de pronombres ("él"). El Almacén actúa como la base de datos (vectorial, relacional o gráfica) y debe resolver contradicciones, como cuando un usuario cambia de ciudad. Finalmente, el Recuperador busca la información relevante mediante técnicas de RAG (Retrieval-Augmented Generation).
Estas librerías se utilizan principalmente en el desarrollo de software para crear asistentes virtuales que recuerden preferencias del usuario, detalles de proyectos o ubicaciones geográficas, asegurando una experiencia fluida. Sin embargo, existen consideraciones importantes. Aunque se mencionan tipos como "procedimental" (saber cómo hacer algo), a menudo se implementan mal o se mezclan con la memoria semántica. La "memoria episódica" (eventos específicos) se pierde en la compresión. Además, la "memoria prospectiva" (recordar tareas futuras) es casi inexistente en la industria actual. En conclusión, estas herramientas son sistemas de almacenamiento de hechos sobre el usuario, no verdaderas memorias cognitivas.