Memòria dels agents d’IA: com crear agents d’IA amb context persistent

Si haguessis d’acompanyar un company nou a la impressora cada matí durant sis mesos, començaries a preocupar-te. Si fos capaç de recitar amb tot detall cada trajecte anterior però encara necessités que l’acompanyessis, la seva memòria seria excel·lent… però tu continuaries havent d’aixecar-te de la taula.

Actualment, la memòria dels agents d’IA té una versió d’aquest trajecte etern fins a la impressora. El CEO de Letta, Charles Packer, afirma a The New Stack que les proves de referència de memòria estan saturades perquè mesuren la capacitat de recordar, una qüestió que ell considera resolta. El problema obert és que un agent millori en la seva feina gràcies al context que conserva, sense cap reentrenament.

La seva cofundadora, Sarah Wooders, ho compara amb començar una feina —les proves de referència donen a l’agent tot el context que necessita— una tasca rere l’altra sense cap relació, cosa que no s’assembla gens a la manera com treballen les persones. Potser cal acompanyar una persona nouvinguda fins a la impressora. Però al cap de tres anys, esperaries poder-li donar un encàrrec d’una sola línia sense aixecar-te de la taula.

Aquest és l’estàndard cap al qual cal avançar, i l’objectiu de Brain, el nostre sistema de memòria automillorable per a Perplexity Computer, que organitza la feina feta i les correccions en una wiki de coneixement en evolució.

Explicarem què hauria de recordar un agent i com comprovar si l’ajuda a fer millor la seva feina.

Què és la memòria dels agents d’IA?

La memòria dels agents d’IA és la informació que un agent conserva d’interaccions i feines anteriors, juntament amb els mecanismes per actualitzar-la i utilitzar-la. El context de memòria persistent transporta aquesta informació entre sessions, de manera que tancar una conversa no implica començar la tasca següent des de zero.

La major part del que es comercialitza amb aquest nom recorda l’usuari. Les teves preferències, els teus contactes, el teu rol, el fet que vols PDF en lloc de PNG. Aquesta és la meitat fàcil.

Quan vam crear Brain, el sistema de memòria de Perplexity Computer, ens vam centrar en la feina en si. Quin enfocament va funcionar? Quina font va fer perdre vint minuts? Què vas haver de corregir després que l’agent anunciés que havia acabat? Aquest historial dona a la tasca següent un millor punt de partida.

Brain emmagatzema aquesta informació com a fitxers a l’entorn de proves de l’agent, organitzats en tres capes:

• sessions/ conté les transcripcions en brut i els seus resums.
• notes/ conté informació destil·lada organitzada per temes.
• knowledge/ conté la wiki en si: pàgines Markdown enllaçades sobre persones, projectes i conceptes.

Res d’això millora per si sol. Durant la nit, uns agents en segon pla que anomenem «Dream» llegeixen les sessions del dia, les resumeixen i revisen la wiki allà on la situació ha canviat. Preparem i comprovem aquestes edicions abans de confirmar-les amb Git, de manera que hi ha un diff per inspeccionar quan alguna cosa no quadra.

Fa que l’agent faci millor la seva feina? En la nostra avaluació aparellada de 30 dies, les sessions amb Brain activat van millorar l’exactitud en 9,3 punts percentuals i la capacitat de recordar en 8,9, alhora que van utilitzar aproximadament un 15 % menys de tokens.

Amplia

Font: X

Quins tipus de memòria agèntica hi ha?

N’hi ha de dos grans tipus, i la divisió s’assembla molt a la que faries per a una persona: el que tens al cap ara mateix i el que encara sabràs el mes que ve.

Memòria a curt termini

La memòria a curt termini conté el context de la conversa o la tasca actual. La teva sol·licitud, els missatges recents, el resultat d’una crida a una eina, el document que l’agent acaba d’obrir. Prou informació per decidir què cal fer a continuació.

També la trobaràs amb el nom de memòria de treball. Per a un LLM, la finestra de context conté la informació disponible durant una crida concreta al model. L’aplicació pot mantenir un estat de tasca addicional i decidir quines parts proporciona a cada pas.

I que sigui a curt termini no vol dir necessàriament que sigui d’un sol ús. Un marc de treball pot desar l’estat de la conversa i reprendre-la demà: continua pertanyent a aquest fil. Però si una altra tasca pot utilitzar la informació és una decisió de disseny independent.

Memòria a llarg termini

La memòria a llarg termini fa que la informació estigui disponible entre sessions. L’article de CoALA va manllevar tres categories de la ciència cognitiva i va donar als creadors d’agents un vocabulari per a les experiències i el saber fer:

• La memòria episòdica és el que va passar: inclou sessions anteriors, els passos que va fer un agent i el resultat que va obtenir. A Brain, sessions/ proporciona aquest historial mitjançant transcripcions en brut i els seus resums.
• La memòria semàntica és el que l’agent considera cert: poden ser fets sobre l’usuari, els seus projectes i el seu món, destil·lats a partir de les converses. La wiki knowledge/ de Brain conté aquest tipus d’informació, amb enllaços a les proves.
• La memòria procedimental és com fer les coses: són indicacions, fluxos de treball reutilitzables, les Skills que crea Perplexity per donar als agents les instruccions i les eines que requereix una feina. Potser ja en tens una part sense anomenar-ho memòria.

La feina interessant passa entre les capes. Una sessió registra que vas rebutjar un PNG. La teva instrucció d’utilitzar PDF es converteix en una preferència que l’agent pot aplicar d’ara endavant. Una correcció del procés d’exportació es converteix en una cosa que pot seguir la propera vegada.

Aquesta conversió, de «això va passar» a «això és cert» i a «així és com ho fem», forma part del problema d’aprenentatge amb què hem començat, i és aquí on les execucions nocturnes de l’agent Dream de Brain concentren el seu esforç.

Imagina que algú escalfa peix al microones en una cuina compartida. Hi ha queixes, s’obre una finestra. Al final, apareix un cartell: PROHIBIT EL PEIX.

Sis mesos després, el culpable ja no hi és, però el cartell sí. Això és persistència. Pots explicar els tipus de memòria a través del que perdura:

• La memòria de treball és allò de què estàs pendent mentre prepares el dinar, com ara que cal remenar la sopa.
• La memòria episòdica és l’incident del peix; l’olor que va seguir tothom fins al passadís.
• La memòria semàntica és el coneixement que en vas treure: escalfar peix pot deixar una olor persistent en una cuina compartida.
• La memòria procedimental és la instrucció que regeix el que passa després. No escalfeu peix al microones aquí. El cartell permet que algú que es va perdre tot l’incident segueixi la norma.

També hi ha una distinció més, perquè canvia el que estem construint. Una revisió publicada per primera vegada el desembre del 2025, Memory in the Age of AI Agents, afirma que distingir entre curt i llarg termini no és suficient: també classifica la memòria segons la forma:

• A nivell de token: és el contingut explícit que llegeix l’agent. Fitxers, registres emmagatzemats, fragments recuperats.
• Paramètrica: és la informació codificada en pesos apresos. Actualitzar-la requereix mètodes d’entrenament o d’edició del model.
• Latent: és la informació retinguda en representacions internes sense que s’escrigui com a text llegible.

Aquí ens centrem en la memòria a nivell de token, és a dir, la informació emmagatzemada fora del model i carregada al seu context quan cal. La wiki en Markdown de Brain n’és un exemple.

Amplia

Quan actualitzem una pàgina, canviem el que l’agent pot llegir en la tasca següent, però els seus pesos subjacents continuen sent els mateixos. Aquesta és la idea de Packer que esmentàvem a la introducció: millorar gràcies al context que conserva l’agent, sense reentrenament.

Com funcionen conjuntament els tipus de memòria dels agents?

Un agent pot tornar a un intent anterior, veure on es va equivocar i carregar les instruccions que li vas donar després. En una mateixa tasca hi intervenen diversos tipus de memòria, i no cal que cadascun tingui el seu torn ni una base de dades separada.

Aquí, la persistència determina què continua disponible quan s’acaba la conversa, mentre que la recuperació determina si l’agent ho tornarà a veure mai.

A Brain, preservem aquest camí que va de la lliçó fins a les proves. Imagina que demanes a Computer que continuï un projecte de la setmana passada:

• L’índex de Brain li indica quines pàgines de memòria existeixen i on trobar-les.
• Brain obre la pàgina del projecte per llegir les decisions i instruccions desades.
• Si una nota diu que vas rebutjar un enfocament, l’agent pot seguir-ne la cita fins a la conversa i comprovar-ne el motiu.

Els enllaços a pàgines relacionades li permeten consultar les persones o altres projectes implicats. L’agent ho fa llegint i cercant fitxers. Per exemple, grep li permet trobar mencions d’un projecte pel nom.

També hem provat què guanyen els agents quan poden explorar fitxers. En una prova de referència interna de 150 preguntes sobre documents financers, un agent d’exploració que utilitzava eines de fitxers estàndard va assolir una puntuació de resposta de 0,627, en comparació amb aproximadament 0,37 de la cerca semàntica sobre el mateix corpus.

Amplia

Font: X

Com millorar la memòria dels agents d’IA?

Un article de maig del 2026 d’Orogat i Mansour identifica quatre errors recurrents en la memòria dels agents: el magatzem no para de créixer, les creences obsoletes no es revisen, la informació s’oblida quan s’acaba l’espai i la recuperació llegeix sense aprendre res de la consulta.

La solució que proposen és deixar de tractar la memòria agèntica com a emmagatzematge i tractar-la com un «estat» que evoluciona mitjançant quatre operacions: incorporar, revisar, oblidar i recuperar. Aquesta és la nostra llista de comprovació per a aquesta secció.

Sigues selectiu amb el que es recorda

Un cop hi entra un record «dolent», cada pas l’hereta.

Workday AI Research va provar un enfocament selectiu amb aproximadament 1.500 records candidats de la prova de referència LoCoMo, plantejant cinc preguntes abans de conservar-ne cap:

• És útil? És plausible que torni a sortir?
• És fiable? La conversa realment ho va dir, o ho va completar el model?
• És nou o ja està emmagatzemat?
• És actual?
• És un fet durador o un estat passatger?

Només la primera pregunta necessitava una crida al model. Les altres quatre es van executar com a regles en menys de 65 mil·lisegons en total. El mètode va aconseguir una precisió un 12 % superior en les decisions de conservar o descartar, i va retenir el 97 % dels records rellevants.

El factor que més hi va contribuir va ser l’última pregunta: en eliminar la distinció entre informació duradora i temporal, la qualitat de les decisions va baixar aproximadament un 18 %.

Revisa la resposta sense perdre l’historial

Registra quan un fet va passar a ser vàlid, quina font el sustenta i què va substituir. Si les fonts discrepen, mantén visible aquesta discrepància fins que hi hagi prou proves per resoldre-la. El document més recent també pot estar equivocat.

Brain actualitza la wiki a partir de documents font, resultats dels connectors i correccions dels usuaris. Cada entrada de memòria enllaça amb la seva font. Necessitem que l’agent trobi la resposta actual i tingui on mirar si aquesta resposta sembla sospitosa.

Oblida a consciència

L’article anomena un dels modes d’error «oblit impulsat per la capacitat»: s’elimina informació per complir un límit d’emmagatzematge, i no perquè hagi deixat de ser útil.

Tornem a la cuina compartida. Al cap de sis mesos, a ningú li importa qui va escalfar el peix al microones ni quanta estona va estar oberta la finestra. Però el cartell encara té una funció.

Si la propera persona prepara el dinar, la norma estarà disponible. Només cal arxivar les queixes.

Les comprovacions d’actualitat i de tipus d’informació de Workday comencen abans de l’emmagatzematge i filtren què mereix convertir-se en un record. A Brain, també revisem el coneixement existent a mesura que canvien els documents font i els usuaris fan correccions. En tots dos casos, és el contingut el que fa necessari intervenir.

Fes que la recuperació alimenti la següent actualització

L’agent recupera un fet, l’utilitza i deixa el magatzem exactament com l’ha trobat. Ara bé, si el sistema no captura què passa després, res no registra si aquest fet ha ajudat o ha portat l’agent a un altre carreró sense sortida.

Registra el resultat, la font i qualsevol correcció. Quan vam crear Brain, vam fer que aquest historial de feina formés part del que recorda: quin enfocament va funcionar, quina font no va portar enlloc i què va corregir l’usuari després que l’agent anunciés que havia acabat. Brain incorpora aquesta experiència a les actualitzacions periòdiques de la wiki, perquè les tasques posteriors la puguin aprofitar.

Tanmateix, res d’això es reflecteix en una prova de referència que mesuri la capacitat de recordar. La manera de saber si el bucle funciona és donar a l’agent una tasca que només pot completar amb memòria i comptar quantes vegades la completa, tenint en compte el cost i la latència. Això és el que fa DolphinBench, i per això les puntuacions més altes encara es mouen per la setantena.

Com crear un agent amb memòria persistent amb Perplexity

L’Agent API de Perplexity no inclou un sistema de memòria que es mantingui sol com Brain. Preferim dir-ho d’entrada. Però el que sí que et dona són les peces de memòria que necessites: un lloc on desar procediments, una manera de mantenir el context entre torns i eines per llegir i escriure en un magatzem que tu controles.

Comença per la memòria procedimental

Una Skill personalitzada empaqueta instruccions, procediments i fitxers de suport amb un número de versió. Un equip de plataforma pot escriure una sola vegada les comprovacions de desplegament, els criteris de reversió i el format dels informes, i després fer que les aplicacions facin referència a la mateixa Skill. Quan el procediment canvia, l’equip puja una versió nova.

Amplia

Font: X

Un Perfil va un nivell més enllà. Els Perfils desen el model, les instruccions, les eines, les Skills, els connectors i la configuració d’execució de l’agent amb un únic ID versionat.

Vam afegir totes dues coses al setembre, juntament amb els connectors gestionats, perquè un administrador del projecte pugui configurar una sola vegada una connexió aprovada de GitHub o Slack i deixar que les aplicacions hi facin referència en lloc d’emmagatzemar credencials per separat. Quan l’accés canvia, l’administrador actualitza la connexió en un sol lloc.

Per què compta això com a memòria? Tornem un cop més a la cuina del peix escalfat al microones. Qui arribi després pot seguir la norma PROHIBIT EL PEIX sense haver presenciat les queixes.

Una Skill fa la mateixa feina per a un agent, amb espai per als passos, les excepcions i les comprovacions que no cabrien a la porta d’un microones. Les Skills queden per escrit, tenen versions i estan disponibles la propera vegada que torna a sortir la tasca.

També fem servir Skills per guiar les actualitzacions de memòria de Dream. Però el que una Skill no fa és aprendre pel seu compte. Les instruccions canvien quan es puja una versió nova, ja sigui per part d’una persona o d’un procés automatitzat.

Si vols que l’agent s’adoni que la comprovació de reversió continua fallant en un servei i s’hi adapti, això és el bucle de sessions a wiki que hem vist abans.

Cal conservar el que ha passat, determinar què hauria de canviar i fer que la correcció estigui disponible la propera vegada. Per a això calen les dues peces següents.

Mantén la memòria de treball entre torns

L’agent executa una comprovació de desplegament. Tu preguntes: «Per què ha fallat això?». És una pregunta de seguiment raonable, sempre que l’agent encara pugui veure a què es refereix «això».

La nostra Agent API admet dues maneres de mantenir el context de la conversa:

• Reprodueix la conversa tu mateix: inclou els missatges anteriors a la matriu d’entrada de la sol·licitud següent. Tu decideixes què conserves, resumeixes, censures o descartes abans d’enviar-la.
• Continua a partir d’una resposta completada: desa’n l’ID i passa’l com a previous_response_id amb el missatge següent. Nosaltres mantenim l’estat de la conversa al servidor, de manera que la teva aplicació no ha de tornar a enviar els torns anteriors. Pots continuar a partir de la resposta més recent de la cadena.

La reproducció et dona control sobre el que veu l’agent, i continuar per ID t’estalvia la feina de tornar a muntar la conversa. En tots dos casos, proporciona les instruccions, les eines o la configuració del model noves que calguin per a la resposta següent.

Porta el teu propi magatzem episòdic i semàntic

Aquesta és la part que l’Agent API deixa a les teves mans.

Una via és la crida de funcions. Tu defineixes les eines, l’agent sol·licita una crida i la teva aplicació l’executa i en retorna el resultat. Per a la memòria, un punt de partida senzill és una operació de lectura abans que l’agent actuï i una operació d’escriptura després.

Si només registres el fet recuperat per l’agent, continues sense saber si ha estat útil. Si registres el resultat, la font i tot el que l’usuari hagi corregit, ja tens l’inici d’una capa episòdica.

La nostra compatibilitat amb MCP t’ofereix una altra via. Si un servidor MCP remot compatible exposa les operacions que necessites, l’agent les pot cridar sense que hagis d’embolcallar cadascuna com a funció personalitzada.

Els nostres connectors donen a l’agent accés a les evidències en què es basen els records. GitHub, Slack, Google Drive, Datadog, Linear i Notion formen part del nostre catàleg gestionat, i pots afegir connectors personalitzats per a sistemes interns.

Finalment, decideix quan es revisa l’historial i quan es reescriu la versió vigent.

Prova què sobreviu a una sessió nova

Ara tanca la conversa. Comença una sol·licitud nova sense reproduir els missatges antics ni passar previous_response_id, però dona a l’agent accés al mateix magatzem de memòria. Demana-li que faci una feina relacionada sense repetir la correcció.

Si necessita que li ho recordis, encara no has acabat.

Per a l’agent de desplegament, crea unes quantes proves al voltant del que s’hauria de mantenir:

• La correcció perdura: recupera i fa servir l’ordre de reversió verificada per al servei afectat.
• La correcció es manté dins del seu àmbit: no toca els procediments dels altres serveis.
• La informació nova substitueix les indicacions antigues: quan l’ordre torna a canviar, fa servir la versió actual i pot rastrejar el canvi fins a la seva font.

El nostre receptari de proves de regressió mostra com desar les sortides de l’agent i les evidències recuperades, contrastar-les amb el comportament esperat i comparar execucions després de canviar instruccions o models.

Mantén fixes les versions del model, del Perfil i de la Skill mentre compares execucions amb memòria i sense. Comença cada comparació des d’una instantània coneguda del magatzem; si no, una prova pot ensenyar a l’agent la resposta de la següent.

Quan alguna cosa falli, desa el cas. El canvi següent l’haurà de superar.

O estalvia’t la construcció: Brain a Computer

Si el que vols és el bucle acabat i no les peces, això és Computer. Brain hi funciona per sota, aprenent de quatre fonts: les teves sessions, les eines connectades, els fitxers i artefactes que crees i les teves correccions. Les actualitzacions en segon pla de Brain reforcen el que encara és vàlid, revisen el que ha canviat i marquen la informació obsoleta.

No cal que construeixis aquest bucle tu mateix. Només has de fer la feina.

La memòria conserva les preferències i els detalls que has compartit. Brain connecta projectes, persones, decisions i feina pendent amb les evidències que els sustenten.

Pots consultar què ha après a la vista de memòria, rastrejar les entrades fins a les seves fonts i editar-les o suprimir-les. Brain fa servir la teva pròpia activitat, exclou les sessions d’incògnit i té el seu propi interruptor.

Amplia

A Rho, per exemple, les decisions d’un projecte de facturació estaven disperses entre Slack, Notion, Jira, Figma i Google Docs. L’equip va configurar Computer perquè revisés els canvis durant la nit, assenyalés incoherències i publiqués un resum matinal a Slack.

El seu enginyer de programari Oktawian Jurkiewicz es va adonar que Computer també estava creant memòria per al projecte. «No ho vam definir nosaltres», explica. «Computer va deduir quines dades havia d’emmagatzemar de cada font.»

L’equip afirma que ha reduït el temps de reunions setmanals de 2,5 hores a 15 minuts i calcula que ha estalviat 120 hores de feina al llarg del projecte de 12 setmanes.

Les 120 hores s’atribueixen a tot el flux de treball: connectors, execucions nocturnes i el resum de Slack. Quina part del temps estalviat es deu només a la memòria? Encara no ho podem quantificar.

Però el que sí que podem recomanar per a la teva pròpia implementació és tornar a la prova d’abans: executar tasques equivalents amb la capa de memòria activada i desactivada, i després comparar les taxes de finalització, el cost i el temps, inclòs el temps que algú dedica a corregir el resultat.

Preguntes freqüents sobre la memòria dels agents d’IA

Els agents d’IA poden tenir memòria?

Sí. Els agents d’IA poden conservar informació entre sessions mitjançant converses, fets, preferències i procediments reutilitzables emmagatzemats. El sistema ha de recuperar aquesta informació quan és rellevant i actualitzar-la quan les circumstàncies canvien.

Brain a Perplexity Computer, per exemple, construeix context de treball a partir de sessions, eines connectades, fitxers i correccions dels usuaris.

Quanta RAM fa servir un agent d’IA?

No hi ha un requisit únic. Si el teu agent crida un model allotjat mitjançant la Perplexity Agent API, no cal que carreguis aquest model a la teva pròpia RAM. Tot i així, la teva aplicació i les eines locals continuen necessitant memòria.

Executar un model en local és diferent. A quatre bits per paràmetre, vuit mil milions de paràmetres equivalen aproximadament a 4 GB de dades de pesos en brut. La memòria real necessària és més alta si hi afegeixes la sobrecàrrega de la quantització, el processament del context i el programari que executa el model.

Quina és la millor memòria per a un agent d’IA?

La millor configuració depèn del que l’agent necessiti mantenir. L’estat de la conversa permet fer preguntes de seguiment; els registres episòdics conserven el que ha passat; la memòria semàntica conté el coneixement actual; la memòria procedimental aporta instruccions reutilitzables.

La majoria de feines continuades es beneficien d’una combinació. Per a Brain fem servir un wiki enllaçat i basat en fonts. Per a la teva pròpia implementació, comprova si la configuració ajuda l’agent a completar tasques, aplicar correccions i retirar indicacions obsoletes.