Zero-Mem es un sistema de memoria para agentes basados en modelos de lenguaje (LLM) que elimina el uso de tokens y de llamadas adicionales a modelos durante las operaciones de recuerdo. La idea central es que ninguna etapa del proceso de memoria —fuera de la respuesta final a la pregunta del usuario— recurre a un LLM ni consume tokens de entrada o salida; el coste del codificador se contabiliza aparte. Para lograrlo, el sistema conserva los registros originales de cada interacción como fuente de verdad y los organiza en dos vistas complementarias: un grafo entidad-contexto, que expone conexiones entre interacciones distintas, y una jerarquía temporal, que preserva la localidad conversacional y el estado de cada sesión. Ante una consulta, Zero-Mem pondera ambas vistas, recupera información de las dos y sigue su estructura para reconstruir relaciones de apoyo o contexto circundante. Una calibración determinista descarta primero la evidencia en conflicto y mantiene después la respuesta anclada en los fragmentos recuperados. Solo el lector final de QA invoca al LLM. En pruebas sobre benchmarks de memoria larga y respuesta a preguntas con contexto extenso, Zero-Mem alcanza un rendimiento competitivo y, con el mismo lector y presupuesto de contexto, reduce el tiempo de las operaciones de memoria un 57,6 % frente a la línea base más rápida. Las ablaciones confirman la aportación de cada vista y de su coordinación según la consulta. Los autores concluyen que la memoria estructurada de un agente no necesita generar una representación intermedia del pasado. Tras la revisión por pares, el código estará disponible en el repositorio de GitHub indicado en el artículo.
Noticias agregadas con IA