Memoria de agentes de IA: cómo crear agentes de IA con contexto persistente

Si tuvieras que acompañar a un nuevo compañero hasta la impresora todas las mañanas durante seis meses, empezarías a preocuparte. Si pudiera recitar con todo detalle cada uno de los paseos anteriores pero siguiera necesitando que lo acompañaras, su memoria sería excelente…, pero tú seguirías teniendo que levantarte de tu mesa.

Hoy en día, la memoria de los agentes de IA tiene su propia versión de este eterno paseo hasta la impresora. Charles Packer, CEO de Letta, afirma en The New Stack que los benchmarks de memoria están saturados porque miden la capacidad de recordar, algo que él considera resuelto. El problema pendiente es que un agente mejore en su trabajo gracias al contexto que conserva, sin necesidad de reentrenamiento.

Su cofundadora, Sarah Wooders, lo compara con empezar en un trabajo nuevo —los benchmarks le dan al agente todo el contexto que necesita— una tarea tras otra sin relación entre sí, algo que no se parece en nada a cómo trabaja la gente. Puede que a alguien recién incorporado haya que acompañarlo a la impresora. Pero, al cabo de tres años, lo esperable sería poder darle unas indicaciones de una sola línea sin levantarte de tu mesa.

Ese es el estándar al que aspirar, y el objetivo detrás de Brain, nuestro sistema de memoria que se mejora a sí mismo para Perplexity Computer, que organiza el trabajo anterior y las correcciones en una wiki de conocimiento en constante evolución.

Veremos qué debería recordar un agente y cómo comprobar si eso le ayuda a hacer mejor su trabajo.

¿Qué es la memoria de los agentes de IA?

La memoria de los agentes de IA es la información que un agente conserva de interacciones y trabajos anteriores, junto con los mecanismos para actualizarla y utilizarla. El contexto de memoria persistente traslada esa información de una sesión a otra, de modo que cerrar una conversación no implica empezar la siguiente tarea desde cero.

La mayor parte de lo que se lanza con ese nombre recuerda al usuario. Tus preferencias, tus contactos, tu cargo, el hecho de que quieres PDF en lugar de PNG. Esa es la mitad fácil.

Cuando creamos Brain, el sistema de memoria detrás de Perplexity Computer, nos centramos en el propio trabajo. ¿Qué enfoque funcionó? ¿Qué fuente hizo perder veinte minutos? ¿Qué tuviste que corregir después de que el agente anunciara que había terminado? Ese historial le da a la siguiente tarea un mejor punto de partida.

Brain almacena esta información como archivos en el entorno aislado del agente, organizados en tres capas:

• sessions/ contiene las transcripciones sin procesar y sus resúmenes.
• notes/ contiene información destilada organizada por temas.
• knowledge/ contiene la propia wiki: páginas de Markdown enlazadas sobre personas, proyectos y conceptos.

Nada de eso mejora por sí solo. Durante la noche, unos agentes en segundo plano a los que llamamos «Dream» leen las sesiones del día, las resumen y revisan la wiki allí donde el panorama ha cambiado. Preparamos y comprobamos esas modificaciones antes de confirmarlas mediante Git, así que hay un diff que inspeccionar cuando algo no cuadra.

¿Hace que el agente trabaje mejor? En nuestra evaluación pareada de 30 días, las sesiones con Brain activado mejoraron la exactitud en 9,3 puntos porcentuales y el recall en 8,9, con aproximadamente un 15 % menos de tokens.

Ampliar

Fuente: X

¿Qué tipos de memoria agéntica existen?

Hay dos grandes tipos, y la división se parece mucho a la que harías con una persona: lo que tienes en la cabeza ahora mismo y lo que seguirás sabiendo el mes que viene.

Memoria a corto plazo

La memoria a corto plazo contiene el contexto de la conversación o tarea actual. Tu solicitud, los mensajes recientes, el resultado de una llamada a una herramienta, el documento que el agente acaba de abrir. Información suficiente para decidir qué hacer a continuación.

También verás que se le llama memoria de trabajo. En un LLM, la ventana de contexto contiene la información disponible durante una llamada concreta al modelo. La aplicación puede mantener un estado de tarea adicional y decidir qué partes proporcionar en cada paso.

Y que sea a corto plazo no significa necesariamente que sea desechable. Un framework puede guardar el estado de la conversación y reanudarlo mañana: sigue perteneciendo a ese hilo. Pero que otra tarea pueda usar esa información es una decisión de diseño aparte.

Memoria a largo plazo

La memoria a largo plazo hace que la información esté disponible entre sesiones. El artículo de CoALA tomó prestadas tres categorías de la ciencia cognitiva, lo que dio a quienes crean agentes un vocabulario para hablar de experiencias y conocimientos prácticos:

• La memoria episódica es lo que ocurrió: incluye las sesiones anteriores, los pasos que dio un agente y el resultado que obtuvo. En Brain, sessions/ proporciona este historial mediante transcripciones sin procesar y sus resúmenes.
• La memoria semántica es lo que el agente da por cierto: pueden ser datos sobre el usuario, sus proyectos y su mundo, destilados de las conversaciones. La wiki knowledge/ de Brain contiene este tipo de información, con enlaces a las pruebas que la respaldan.
• La memoria procedimental es cómo hacer las cosas: son prompts, flujos de trabajo reutilizables y las Skills que crea Perplexity para dar a los agentes las instrucciones y herramientas que requiere un trabajo. Puede que ya tengas algo de esto sin llamarlo memoria.

Lo interesante ocurre entre las capas. Una sesión registra que rechazaste un PNG. Tu instrucción de usar PDF se convierte en una preferencia que el agente puede seguir aplicando. Una corrección en el proceso de exportación se convierte en algo que puede seguir la próxima vez.

Esa conversión, de «esto ocurrió» a «esto es cierto» y a «así es como lo hacemos», forma parte del problema de aprendizaje con el que empezamos, y es en lo que invierten su esfuerzo las ejecuciones nocturnas del agente Dream de Brain.

Imagina que alguien calienta pescado en el microondas de una cocina compartida. Hay quejas, alguien abre una ventana. Al final, aparece un cartel: NADA DE PESCADO.

Seis meses después, el culpable se ha mudado, pero el cartel sigue ahí. Eso es persistencia. Puedes explicar los tipos de memoria a través de lo que perdura:

• La memoria de trabajo es aquello de lo que estás pendiente mientras preparas la comida, como que hay que remover la sopa.
• La memoria episódica es el incidente del pescado: el olor que siguió a todo el mundo hasta el pasillo.
• La memoria semántica es el conocimiento que sacaste de ello: recalentar pescado puede dejar un olor persistente en una cocina compartida.
• La memoria procedimental es la instrucción que rige lo que ocurre después. No calientes pescado en el microondas aquí. El cartel permite que alguien que se perdió todo el incidente siga la norma.

Hay además otra distinción, porque cambia lo que estamos construyendo. Un estudio publicado por primera vez en diciembre de 2025, Memory in the Age of AI Agents, señala que distinguir entre corto y largo plazo no basta; también clasifica la memoria según su forma:

• A nivel de token: es el contenido explícito que lee el agente. Archivos, registros almacenados, fragmentos recuperados.
• Paramétrica: es información codificada en pesos aprendidos. Actualizarla requiere entrenamiento o métodos de edición del modelo.
• Latente: es información retenida en representaciones internas sin plasmarse como texto legible.

Aquí nos centramos en la memoria a nivel de token, es decir, la información almacenada fuera del modelo que se incorpora a su contexto cuando hace falta. La wiki en Markdown de Brain es un ejemplo.

Ampliar

Cuando actualizamos una página, cambiamos lo que el agente puede leer en su siguiente tarea, pero sus pesos subyacentes siguen siendo los mismos. Ese es el argumento de Packer de la introducción: mejorar gracias al contexto que conserva el agente, sin reentrenamiento.

¿Cómo funcionan juntos los tipos de memoria de un agente?

Un agente puede volver a un intento anterior, ver dónde falló y cargar las instrucciones que le diste después. En una misma tarea intervienen varios tipos de memoria, y no necesitan turnarse ni tener cada uno su propia base de datos.

Aquí, la persistencia determina lo que sigue disponible cuando termina la conversación, mientras que la recuperación determina si el agente vuelve a verlo alguna vez.

En Brain, conservamos ese camino que lleva de la lección a las pruebas. Supongamos que le pides a Computer que continúe un proyecto de la semana pasada:

• El índice de Brain le indica qué páginas de memoria existen y dónde encontrarlas.
• Brain abre la página del proyecto para leer las decisiones e instrucciones guardadas.
• Si una nota indica que rechazaste un enfoque, el agente puede seguir su cita hasta la conversación y comprobar por qué.

Los enlaces a páginas relacionadas le permiten consultar las personas u otros proyectos implicados. El agente lo hace leyendo archivos y buscando en ellos. grep, por ejemplo, le permite encontrar menciones de un proyecto por su nombre.

También hemos probado qué ganan los agentes al poder explorar archivos. En un benchmark interno de 150 preguntas sobre documentos financieros, un agente de exploración que usaba herramientas de archivos estándar alcanzó una puntuación de respuesta de 0,627, frente a aproximadamente 0,37 de la búsqueda semántica sobre el mismo corpus.

Ampliar

Fuente: X

¿Cómo mejorar la memoria de los agentes de IA?

Un artículo de mayo de 2026 de Orogat y Mansour identifica cuatro fallos recurrentes en la memoria de los agentes: el almacén no deja de crecer, las creencias obsoletas no se revisan, la información se olvida cuando se agota el espacio y la recuperación lee sin aprender nada de la consulta.

La solución que proponen es dejar de tratar la memoria agéntica como almacenamiento y tratarla como un «estado» que evoluciona mediante cuatro operaciones: incorporar, revisar, olvidar y recuperar. Esa es nuestra lista de comprobación para esta sección.

Selecciona bien qué se recuerda

Una vez que entra un recuerdo «malo», todos los pasos lo heredan.

Workday AI Research probó un enfoque selectivo con unos 1500 recuerdos candidatos del benchmark LoCoMo, formulando cinco preguntas antes de conservar cualquiera de ellos:

• ¿Es útil? ¿Es probable que vuelva a surgir?
• ¿Es fiable? ¿Lo dijo realmente la conversación o lo completó el modelo?
• ¿Es nuevo o ya está almacenado?
• ¿Está actualizado?
• ¿Es un dato duradero o un estado pasajero?

Solo la primera pregunta necesitó una llamada al modelo. Las otras cuatro se ejecutaron como reglas en menos de 65 milisegundos en total. El método logró una precisión un 12 % mayor en las decisiones de conservar o descartar, a la vez que retuvo el 97 % de los recuerdos relevantes.

Lo que más contribuyó fue la última pregunta: si se elimina la distinción entre información duradera y temporal, la calidad de las decisiones cae aproximadamente un 18 %.

Revisa la respuesta sin perder el historial

Registra cuándo pasó a ser válido un dato, qué fuente lo respalda y qué sustituyó. Si las fuentes discrepan, mantén visible ese desacuerdo hasta que haya pruebas suficientes para resolverlo. El documento más reciente también puede estar equivocado.

Brain actualiza la wiki a partir de documentos fuente, resultados de conectores y correcciones de los usuarios. Cada entrada de memoria enlaza con su fuente. Necesitamos que el agente encuentre la respuesta actual y tenga dónde mirar si esa respuesta parece sospechosa.

Olvida a propósito

El artículo denomina a uno de los modos de fallo «olvido impulsado por la capacidad»: la información se elimina para cumplir un límite de almacenamiento, no porque haya dejado de ser útil.

Volvamos a la cocina compartida. Pasados seis meses, a nadie le importa quién calentó el pescado ni cuánto tiempo estuvo abierta la ventana. Pero el cartel todavía tiene una función.

Cuando la siguiente persona prepare la comida, la norma estará disponible. Simplemente archivas las quejas.

Las comprobaciones de actualidad y de tipo de información de Workday se aplican antes del almacenamiento y filtran qué merece convertirse en un recuerdo. En Brain, además, revisamos el conocimiento existente a medida que cambian los documentos fuente y los usuarios hacen correcciones. En ambos casos, es el contenido lo que hace necesario intervenir.

Haz que la recuperación alimente la siguiente actualización

El agente recupera un dato, lo usa y deja el almacén exactamente como lo encontró. Así, a menos que el sistema capture lo que ocurrió después, nada registra si ese dato ayudó o llevó al agente a otro callejón sin salida.

Registra el resultado, la fuente y cualquier corrección. Cuando creamos Brain, hicimos que ese historial de trabajo formara parte de lo que recuerda: qué enfoque funcionó, qué fuente no llevó a ninguna parte y qué corrigió el usuario después de que el agente anunciara que había terminado. Brain incorpora esa experiencia en sus actualizaciones periódicas de la wiki, para que las tareas posteriores puedan aprovecharla.

Sin embargo, nada de esto se refleja en un benchmark que mide la capacidad de recordar. La forma de saber si el ciclo funciona es darle al agente una tarea que solo pueda completar con memoria y contar con qué frecuencia la completa, teniendo en cuenta el coste y la latencia. Eso es lo que hace DolphinBench, y por eso las mejores puntuaciones siguen rondando los 70.

Cómo crear un agente con memoria persistente con Perplexity

La Agent API de Perplexity no incluye un sistema de memoria que se mantenga solo, como Brain. Preferimos dejarlo claro desde el principio. Pero lo que sí te da son las piezas de la memoria que necesitas: un lugar donde guardar procedimientos, una forma de trasladar el contexto entre turnos y herramientas para leer y escribir en un almacén que controlas tú.

Empieza por la memoria procedimental

Una Skill personalizada empaqueta instrucciones, procedimientos y archivos de apoyo bajo un número de versión. Un equipo de plataforma puede redactar una sola vez sus comprobaciones de despliegue, sus criterios de reversión y su formato de informes, y hacer que las aplicaciones hagan referencia a la misma Skill. Cuando el procedimiento cambia, el equipo sube una nueva versión.

Ampliar

Fuente: X

Un Perfil va un nivel más allá. Los Perfiles guardan el modelo, las instrucciones, las herramientas, las Skills, los conectores y la configuración de ejecución del agente bajo un único ID con control de versiones.

Añadimos ambos en septiembre, junto con los conectores gestionados, para que un administrador de proyecto pueda configurar una sola vez una conexión aprobada de GitHub o Slack y permitir que las aplicaciones hagan referencia a ella en lugar de almacenar credenciales por separado. Cuando cambia el acceso, el administrador actualiza la conexión en un solo lugar.

¿Por qué cuenta esto como memoria? Volvamos una vez más a la cocina del pescado en el microondas. Quien llegue después puede respetar el «PROHIBIDO PESCADO» sin haber presenciado las quejas.

Una Skill cumple la misma función para un agente, con espacio para los pasos, las excepciones y las comprobaciones que no caben en la puerta de un microondas. Las Skills se ponen por escrito, tienen control de versiones y están disponibles la próxima vez que surja la tarea.

También usamos Skills para guiar las actualizaciones de memoria de Dream. Pero lo que una Skill no hace es aprender por sí sola. Las instrucciones cambian cuando se sube una nueva versión, ya sea una persona o un proceso automatizado quien la suba.

Si quieres que el agente se dé cuenta de que la comprobación de reversión sigue fallando en un servicio y se adapte, eso es el bucle de sesiones a wiki que vimos antes.

Necesitas conservar lo que ocurrió, determinar qué debería cambiar y hacer que la corrección esté disponible la próxima vez. Para eso hacen falta las dos piezas siguientes.

Mantén la memoria de trabajo entre turnos

El agente ejecuta una comprobación de despliegue. Preguntas: «¿Por qué ha fallado eso?». Es una pregunta de seguimiento razonable, siempre que el agente aún pueda ver a qué se refiere «eso».

Nuestra Agent API admite dos formas de mantener el contexto de la conversación:

• Reproduce tú mismo la conversación: incluye los mensajes anteriores en el array de entrada de la siguiente solicitud. Tú decides qué conservar, resumir, ocultar o descartar antes de enviarla.
• Continúa a partir de una respuesta completada: guarda su ID y pásalo como previous_response_id con el siguiente mensaje. Nosotros mantenemos el estado de la conversación en el servidor, así que tu aplicación no tiene que volver a enviar los turnos anteriores. Puedes continuar desde la respuesta más reciente de la cadena.

Reproducir la conversación te da control sobre lo que ve el agente, y continuar mediante el ID te ahorra el trabajo de volver a montar la conversación. En cualquier caso, proporciona las nuevas instrucciones, herramientas o ajustes del modelo que necesite la siguiente respuesta.

Usa tu propio almacén episódico y semántico

Esta es la parte que la Agent API deja en tus manos.

Una vía es la llamada a funciones. Tú defines las herramientas, el agente solicita una llamada y tu aplicación la ejecuta y devuelve el resultado. Para la memoria, un punto de partida sencillo es una operación de lectura antes de que el agente actúe y una de escritura después.

Si registras solo el dato que recuperó el agente, seguirás sin saber si ayudó. Si registras el resultado, la fuente y lo que haya corregido el usuario, tendrás el inicio de una capa episódica.

Nuestra compatibilidad con MCP te ofrece otra vía. Si un servidor MCP remoto compatible expone las operaciones que necesitas, el agente puede llamarlas sin que tengas que encapsular cada una como una función personalizada.

Nuestros conectores dan al agente acceso a las evidencias en las que se basan los recuerdos. GitHub, Slack, Google Drive, Datadog, Linear y Notion forman parte de nuestro catálogo gestionado, y puedes añadir conectores personalizados para sistemas internos.

Por último, decide cuándo se revisa el historial y cuándo se actualiza la versión vigente de los hechos.

Comprueba qué se conserva en una sesión nueva

Ahora cierra la conversación. Inicia una nueva solicitud sin reproducir los mensajes anteriores ni pasar previous_response_id, pero da al agente acceso al mismo almacén de memoria. Pídele que haga un trabajo relacionado sin repetirle la corrección.

Si necesita que se lo recuerdes, aún no has terminado.

Para el agente de despliegue, crea algunas pruebas en torno a lo que debería mantenerse:

• La corrección se mantiene: recupera y usa el comando de reversión verificado para el servicio afectado.
• La corrección no sale de su ámbito: no toca los procedimientos de otros servicios.
• La información nueva sustituye a las indicaciones antiguas: cuando el comando vuelve a cambiar, usa la versión actual y puede rastrear el cambio hasta su origen.

Nuestro recetario de pruebas de regresión muestra cómo guardar los resultados del agente y las evidencias recuperadas, contrastarlos con el comportamiento esperado y comparar ejecuciones después de cambiar instrucciones o modelos.

Mantén fijas las versiones del modelo, el Perfil y la Skill mientras comparas ejecuciones con y sin memoria. Empieza cada comparación desde una instantánea conocida del almacén; de lo contrario, una prueba podría enseñarle al agente la respuesta de la siguiente.

Cuando algo falle, guarda el caso. El siguiente cambio debería tener que superarlo.

O ahórrate el desarrollo: Brain en Computer

Si lo que quieres es el bucle terminado en lugar de las piezas, eso es Computer. Brain funciona por debajo, aprendiendo de cuatro fuentes: tus sesiones, las herramientas conectadas, los archivos y artefactos que creas y tus correcciones. Las actualizaciones en segundo plano de Brain refuerzan lo que sigue siendo válido, revisan lo que ha cambiado y marcan la información obsoleta.

No tienes que crear ese bucle tú mismo. Solo tienes que hacer el trabajo.

La Memoria conserva las preferencias y los detalles que has compartido. Brain conecta proyectos, personas, decisiones y trabajo pendiente con las evidencias que los respaldan.

Puedes revisar lo que ha aprendido en la vista Memoria, rastrear las entradas hasta sus fuentes y editarlas o eliminarlas. Brain usa tu propia actividad, excluye las sesiones de incógnito y tiene su propio interruptor.

Ampliar

En Rho, por ejemplo, las decisiones de un proyecto de facturación estaban dispersas entre Slack, Notion, Jira, Figma y Google Docs. El equipo configuró Computer para revisar los cambios durante la noche, señalar incoherencias y publicar un resumen matutino en Slack.

Su ingeniero de software, Oktawian Jurkiewicz, se dio cuenta de que Computer también estaba creando memoria para el proyecto. «No lo definimos nosotros», explica. «Computer averiguó qué datos debía almacenar de cada fuente».

El equipo afirma haber reducido el tiempo de reuniones semanales de 2,5 horas a 15 minutos y calcula un ahorro de 120 horas de trabajo a lo largo del proyecto de 12 semanas.

Las 120 horas se atribuyen a todo el flujo de trabajo: los conectores, las ejecuciones nocturnas y el resumen en Slack. ¿Qué parte del tiempo ahorrado se debió solo a la memoria? Todavía no podemos cuantificarlo.

Pero lo que sí podemos recomendarte para tu propio desarrollo es que vuelvas a la prueba de antes: ejecuta tareas equivalentes con la capa de memoria activada y desactivada, y compara las tasas de finalización, el coste y el tiempo, incluido el que alguien dedica a corregir el resultado.

Preguntas frecuentes sobre la memoria de los agentes de IA

¿Pueden tener memoria los agentes de IA?

Sí. Los agentes de IA pueden conservar información entre sesiones mediante conversaciones, datos, preferencias y procedimientos reutilizables almacenados. El sistema debe recuperar esa información cuando sea relevante y actualizarla cuando cambien las circunstancias.

Brain en Perplexity Computer, por ejemplo, construye contexto de trabajo a partir de sesiones, herramientas conectadas, archivos y correcciones del usuario.

¿Cuánta RAM usa un agente de IA?

No hay un requisito único. Si tu agente llama a un modelo alojado a través de la Perplexity Agent API, no necesitas cargar ese modelo en tu propia RAM. Aun así, tu aplicación y tus herramientas locales necesitan memoria.

Ejecutar un modelo en local es distinto. Con cuatro bits por parámetro, ocho mil millones de parámetros equivalen aproximadamente a 4 GB de datos de pesos sin procesar. La memoria real necesaria es mayor si se incluyen la sobrecarga de la cuantización, el procesamiento del contexto y el software que ejecuta el modelo.

¿Cuál es la mejor memoria para un agente de IA?

La mejor configuración depende de lo que el agente necesite mantener. El estado de la conversación permite las preguntas de seguimiento; los registros episódicos conservan lo que ocurrió; la memoria semántica guarda el conocimiento actual; la memoria procedimental aporta instrucciones reutilizables.

La mayor parte del trabajo continuado se beneficia de una combinación. Para Brain usamos una wiki enlazada y respaldada por fuentes. Para tu propio desarrollo, comprueba si la configuración ayuda al agente a completar tareas, aplicar correcciones y retirar indicaciones obsoletas.