La memoria de los agentes se volvió más precisa conservando menos: lo que demostró un árbol de memoria con puntuación de retención (2026)

La estructura: tareas, subtareas, acciones y una puntuación por memoria

WMT organiza la ejecución en una jerarquía de "tareas, subtareas y acciones, asignando a cada memoria una puntuación de retención dinámica". Dos fuerzas mueven esa puntuación: "Las actualizaciones basadas en eventos y el decaimiento basado en la selección revisan estas puntuaciones, lo que permite a WMT preservar la información útil, plegar las trayectorias completadas, suprimir el contenido de baja utilidad y conservar el acceso al contexto plegado".

Lea esa lista de cuatro verbos, porque es el diseño. Preservar lo que es útil. Plegar el trabajo terminado en un resumen. Suprimir lo que no se está ganando su lugar. Y aun así conservar el acceso al material plegado en lugar de desecharlo. Nada se elimina; las cosas se degradan.

La regla de decaimiento es mecánica en lugar de semántica: una memoria que sigue entrando en el grupo de candidatas y sigue sin ser elegida pierde puntuación, mientras que "seleccionar la memoria restablece a cero su contador de selecciones perdidas" y "una memoria que no entra en el grupo de candidatas no decae".

Por qué perjudica un historial creciente, en las propias palabras del artículo

La declaración del problema es el resumen breve más claro que he leído sobre la necesidad de gestionar la memoria: "los historiales de ejecución crecientes aumentan el costo de inferencia y exponen el razonamiento a información desactualizada, irrelevante o engañosa, lo que potencialmente degrada la calidad del razonamiento".

Tres costos distintos —dinero, obsolescencia y ser activamente engañado— provenientes de la misma causa. La mayoría de las discusiones sobre la memoria de los agentes abordan el primero y tratan los otros dos como casos aislados.

El experimento de envenenamiento es el resultado más sólido

Aquí es donde el artículo respalda sus conclusiones. Construyeron una evaluación controlada de "100 escenarios de largo horizonte con 297 subtareas y 1,118 entradas de memoria, incluyendo 709 memorias benignas y 409 intencionalmente envenenadas", y midieron qué tan lejos viajaba el veneno utilizando métricas de tasa de éxito del ataque, tasa de recuperación de veneno, radio de impacto, factor de amplificación y persistencia de la infección.

El resultado de la línea base es la frase que hay que recordar: la memoria lineal "obtuvo el peor desempeño en casi todas las métricas de seguridad porque todo el historial de ejecución permaneció continuamente accesible, lo que permitió que las memorias envenenadas persistieran e influyeran repetidamente en el razonamiento posterior". Produjo "la mayor tasa de éxito de ataque, radio de impacto, factor de amplificación y persistencia completa de la infección".

Persistencia completa de la infección. Una vez que una entrada dañina entra en un registro de solo adición (append-only), sigue reapareciendo.

El WMT completo registró la menor tasa de éxito de ataque (0.419), tasa de recuperación de veneno (0.097), radio de impacto (0.315) y factor de amplificación (0.965), "al tiempo que igualó la persistencia de infección más baja (0.009)".

Las ablaciones muestran qué parte hace el trabajo

Esto es útil porque le indica qué copiar, en lugar de solo saber que algo funcionó.

Mantener la jerarquía pero eliminar la puntuación de retención y la priorización de ramas "mejoró sustancialmente la robustez frente a la memoria lineal" —la estructura por sí sola ayuda—, pero su mayor tasa de éxito de ataque demostró que "tratar todas las memorias retenidas por igual permite que la información de menor valor o engañosa continúe afectando el razonamiento".

Eliminar el controlador de memoria, de modo que nada se pliegue ni se suprima, produjo una "persistencia completa de la infección a pesar de mejoras moderadas", lo que los autores interpretan como: "reducir la exposición inmediata por sí solo es insuficiente si las memorias maliciosas siguen estando disponibles a lo largo de una ejecución de largo horizonte".

Y eliminar la selección semántica manteniendo la gestión del ciclo de vida resultó contraproducente de una manera específica: "recuperar ramas enteras de tareas aumentó el tamaño del prompt y reintrodujo información irrelevante o envenenada".

El ejemplo práctico es toda la idea en miniatura

Su recorrido sigue a un agente que identifica un artículo académico. Una acción "consulta un blog de clasificación no oficial. La observación contiene una afirmación no respaldada y la acción se registra explícitamente como un fallo".

Lo que sucede a continuación es la decisión de diseño que vale la pena imitar: "WMT preserva esta acción fallida como una advertencia, pero la puntuación más baja reduce su prioridad como evidencia de respaldo". Y cuando la rama se completa, el plegado conserva el residuo útil: el resumen "puede preservar la identidad del artículo respaldado, la fuente oficial y la advertencia sobre la búsqueda fallida en el blog sin tener que reproducir la rama completa en los prompts posteriores".

Un registro de que intentó algo y no funcionó es valioso. Simplemente no debería competir con sus fuentes verificadas.

Definir bien los límites importa más que los números, y la sección de limitaciones del artículo es inusualmente directa.

No prueba la memoria entre sesiones. Esto descarta la interpretación más tentadora. En sus palabras: "la evaluación de referencia inicializa un nuevo árbol de tareas para cada pregunta y, por lo tanto, no evalúa el modo de memoria global entre conversaciones descrito en la Sección 2.3". Así pues, esto es evidencia sobre la gestión del historial de ejecución de un agente dentro de una tarea, no sobre una capa de memoria persistente que abarca semanas de conversaciones. Cualquiera que lo cite como prueba de que los almacenes de memoria a largo plazo deben decaer lo está extendiendo más allá de lo medido —incluyéndonos a nosotros, por lo que se declara aquí primero.

Solo modelos pequeños de pesos abiertos. Qwen3-8B, Gemma 4 E4B y Llama-3.1-8B. Los autores lo analizan en ambos sentidos: "Los modelos más grandes pueden ser más capaces de ignorar el contexto obsoleto o irrelevante, lo que podría reducir las ganancias de precisión relativas de WMT. Sin embargo, su mayor costo de procesamiento de prompts puede preservar o aumentar los beneficios de eficiencia de la construcción selectiva de contexto". Concluyen que la interacción "sigue siendo una pregunta abierta".

Una sola familia de benchmarks. "Nuestra evaluación se limita a la familia de benchmarks GAIA", y ambos conjuntos "comparten la misma construcción de tareas y formato de respuestas". Mencionan lo que podría diferir: "entornos web interactivos, agentes de ingeniería de software, tareas encarnadas (embodied) o conversaciones prolongadas".

⭐ Las puntuaciones de retención miden la utilidad, no la verdad. La frase más honesta del artículo, y la que tiene la mayor implicación práctica: "las puntuaciones de retención estiman la utilidad operativa en lugar de la corrección fáctica. Una memoria útil puede ser suprimida tras no ser seleccionada repetidamente, mientras que la información engañosa puede conservar una puntuación alta si contribuye a acciones aparentemente exitosas". Una respuesta incorrecta expresada con seguridad que ayude al agente a parecer exitoso puede ser promovida.

Los parámetros están ajustados a mano. Los valores de inicialización, las actualizaciones basadas en eventos, los coeficientes de agregación de ramas y los umbrales de obsolescencia están "especificados a mano" y "pueden no ser óptimos para otras arquitecturas de agentes o distribuciones de tareas".

La ganancia de eficiencia no es gratuita en todas partes. "El selector basado en LLM y el generador de resúmenes también pueden introducir errores de selección o compresión y requerir llamadas adicionales al modelo, por lo que la ventaja de eficiencia de WMT puede ser menor para tareas cortas con historiales de ejecución limitados".

MemoryLake no formó parte de este estudio, y nada de lo aquí expuesto evalúa un producto de memoria, el nuestro o el de cualquier otro.

Se encuadra en una serie de resultados que no apuntan todos en la misma dirección. Trabajos anteriores midieron ganancias reales a partir de la recuperación curada de directrices que escalaban con la capacidad del modelo — cuánta memoria deberías darle a un agente de IA. Tres días antes, una reevaluación encontró que las ganancias reportadas de los agentes de memoria auto-mejorables eran ruidosas y dependían del orden — ¿realmente mejora el rendimiento la memoria de los agentes?. Este artículo es una respuesta parcial a la preocupación de aquel: si el ruido se compone porque una entrada dañina permanece activa permanentemente, entonces degradar las entradas no seleccionadas es un mecanismo exactamente contra eso. Parcial, en una familia de benchmarks, a escala de 8B.

"Entonces la memoria de los agentes debería olvidar cosas". Aquí no se elimina nada. Las entradas se degradan, se pliegan y se mantienen accesibles; una afirmación más conservadora que el olvido.

"Esto demuestra que las capas de memoria persistente necesitan decaimiento". El modo que habría probado eso explícitamente no fue evaluado. Es una hipótesis razonable, pero no es el hallazgo de este artículo.

"La estructura es suficiente". La ablación dice lo contrario: la jerarquía sin puntuación de retención permitió que el contenido engañoso siguiera influyendo en el razonamiento.

"La puntuación resuelve el envenenamiento de la memoria". Lo redujo sustancialmente, pero no lo eliminó. Una tasa de éxito de ataque de 0.419 es mejor que la línea base, pero sigue sin ser pequeña.

"Se puede confiar en la puntuación". Los autores advierten específicamente que no se puede: la puntuación rastrea la utilidad operativa, por lo que una memoria engañosa que contribuya a acciones aparentemente exitosas puede mantener una puntuación alta.

"Este es un truco para modelos pequeños". Posiblemente sea lo contrario. Los autores califican la interacción con la escala como no probada y argumentan que el beneficio de eficiencia podría crecer con modelos más grandes, incluso si el beneficio de precisión disminuye.

La idea transferible no es el algoritmo. Es que un historial de solo adición (append-only) es el peor de los casos en cada eje medido por el artículo —costo, obsolescencia y qué tan lejos viaja una entrada errónea— y que la solución es un ciclo de vida en lugar de una ventana de contexto más grande.

De ello se deducen tres cosas que no requieren implementar WMT.

Deje de tratar su almacén de memoria como de solo adición. Si nada en su configuración puede degradar una entrada, una entrada dañina será permanente. Ese es el resultado de "persistencia completa de la infección", y es una propiedad del diseño más que del contenido.

Conserve los fallos como advertencias, no como evidencia. El ejemplo práctico es el patrón: registre que la afirmación del blog no se sostuvo y asegúrese de que ese registro no pueda citarse como respaldo. La mayoría de las configuraciones de memoria descartan los fallos por completo o los almacenan de forma indistinguible de los hechos confirmados.

No permita que el uso sea la única señal. Esta es la propia advertencia del artículo convertida en práctica. La puntuación basada en la utilidad a veces promoverá un error expresado con seguridad y enterrará un hecho que rara vez necesita pero que debe ser correcto. Algo tiene que ser capaz de anular la puntuación, y en producción ese algo es una persona que lee la entrada.

Ese último punto es la razón por la que importa un almacén inspeccionable: la memoria como entradas que se pueden leer, corregir y eliminar, en lugar de un registro que solo crece o una puntuación que no se puede inspeccionar. La configuración consta de tres pasos.

Paso 1: Cree una clave de API

Inicie sesión en MemoryLake y cree una clave de API. Una sola credencial para todas las herramientas que conecte.

Paso 2: Suba sus primeras memorias

Entradas cortas, una sola afirmación cada una, lo que también hace que la entrada sea corregible más adelante:

Hechos verificados, expresados con claridad. Una afirmación por entrada significa que una errónea se puede corregir sin tener que reescribir un párrafo de contexto.

Enfoques que fallaron, etiquetados como fallos. "El endpoint por lotes parecía correcto y descarta silenciosamente registros de más de 10k". Consérvelo como una advertencia, no como un hallazgo.

Restricciones con el motivo adjunto. El motivo es lo que evita que alguien que piense que está obsoleta elimine una entrada correcta.

Una fecha en cualquier elemento sensible al tiempo. La obsolescencia es uno de los tres costos que menciona el artículo, y es el que una persona puede ver de un vistazo.

Paso 3: Conecte su IA y sus agentes

Conecte las herramientas que utiliza. Se puede acceder a MemoryLake a través de MCP y de una API, por lo que los agentes nativos de MCP —entre ellos Claude Code, Codex y OpenClaw— se conectan apuntando al servidor MCP, mientras que otros asistentes leen la misma memoria a través de la API. La recuperación se realiza por consulta en lugar de reproducir un historial completo en cada prompt.

Tres límites honestos, y el primero es el punto de este artículo. MemoryLake no es una implementación de WMT, no formó parte de este estudio y no puntúa ni decae sus entradas de la manera descrita en el artículo —lo que le ofrece es la supervisión humana que la propia advertencia del artículo implica, ya que no se puede confiar en la puntuación para distinguir lo útil de lo verdadero. Solo contiene lo que usted o sus agentes introducen en él. Y no gestiona el historial de ejecución de un agente dentro de una tarea, que es de lo que trata realmente este artículo.

El modo de solo adición deja de ser el predeterminado. Si nada puede degradar una entrada, una entrada dañina es para siempre. Eso ahora es un resultado medido, no una preocupación.

Los fallos obtienen una categoría. Registrar que algo no funcionó, de manera que no pueda citarse como respaldo, es barato y casi nadie lo hace.

Las ventanas de contexto más grandes dejan de ser la respuesta a esto. Los costos aquí son la obsolescencia y el desvío, no la capacidad —la distinción en por qué una ventana de contexto grande no es memoria.

El costo del prompt y la precisión dejan de estar en conflicto. Un −32.8% de tokens con +9.97 puntos indica que la suposición habitual de que un mejor contexto significa más contexto es errónea, al menos en algún punto.

Revisar las entradas se convierte en un trabajo real. Una puntuación basada en el uso no puede distinguir lo útil de lo verdadero, por lo que una persona tiene que hacerlo —el problema general detrás de cómo se detectan los conflictos de memoria de la IA.

Haga posible la degradación antes de agrandar el almacenamiento. Un almacén de solo adición es el peor de los casos en cuanto a costo, obsolescencia y propagación de errores.

Pliegue el trabajo terminado en un resumen y mantenga el acceso al detalle. Ese es el diseño del artículo, y es la razón por la que disminuyó el conteo de tokens.

Etiquete los intentos fallidos como advertencias. Preservados como precaución, despriorizados como evidencia.

No confíe en una puntuación de uso como señal de verdad. Los autores dicen que estima la utilidad operativa, no la corrección fáctica.

Lea sus entradas de forma programada. Una entrada errónea es peor que una faltante porque compite con el contexto correcto.

Recupere de forma selectiva en lugar de por ramas, y ponga fecha a cualquier cosa que pueda quedar obsoleta. Volver a traer una rama entera aumentó el tamaño del prompt y reintrodujo contenido envenenado.

Trate los resultados de un solo benchmark a escala de 8B como direccionales. Útiles, no definitivos —y este no probó en absoluto la memoria entre sesiones.

Mantenga el razonamiento junto con el hecho. Una conclusión sin su restricción se elimina o se vuelve a discutir; esa es la estructura cubierta en por qué RAG no es memoria.

Frente a un historial lineal, una memoria jerárquica con puntuaciones de retención por entrada fue 9.97 puntos más precisa en GAIA-Text utilizando un 32.8% menos de tokens de prompt, y en el conjunto más amplio de GAIA, 10.10 puntos y 32.2%. No se eliminó nada para lograrlo: las entradas se preservaron, plegaron, suprimieron o degradaron, manteniendo accesible el contexto plegado.

El experimento de envenenamiento es la mitad más útil. Con 409 entradas deliberadamente envenenadas entre 1,118, la memoria lineal obtuvo el peor desempeño en casi todas las métricas de seguridad por una razón estructural: todo el historial permaneció continuamente accesible, por lo que las entradas dañinas siguieron resurgiendo, produciendo una persistencia completa de la infección. La puntuación y la gestión del ciclo de vida redujeron el éxito del ataque, la recuperación de veneno, el radio de impacto y la amplificación, y las ablaciones muestran que se necesitaban los tres componentes.

Dos advertencias determinan hasta dónde se puede llevar esto. La evaluación inicializó un nuevo árbol de tareas por pregunta, por lo que el modo de memoria entre conversaciones nunca se probó —esto se refiere al historial de ejecución dentro de una tarea. Y las puntuaciones de retención "estiman la utilidad operativa en lugar de la corrección fáctica", lo que significa que un error expresado con seguridad que ayude a un agente a parecer exitoso puede mantener una puntuación alta mientras que un hecho importante pero raramente utilizado decae.

Lo cual nos deja la lección práctica. Dé a su memoria un ciclo de vida en lugar de un registro de solo adición, conserve los fallos como advertencias en lugar de como evidencia y mantenga a una persona capaz de anular la puntuación —porque la propia limitación del artículo dice que la puntuación puede decirle qué se usó, no qué era correcto.