MemoryLake
Ingeniería y Desarrollopatrones de memoria para agentes que llaman herramientas

Construye Agentes que Llaman Herramientas con Patrones de Memoria que Realmente Mantienen el Estado

Los agentes que llaman herramientas acumulan estado a través de muchas invocaciones de herramientas. La salida de cada herramienta debe informar llamadas posteriores. Sin patrones de memoria adecuados para los flujos de herramientas, el estado se filtra entre llamadas y el agente se contradice a sí mismo. MemoryLake proporciona patrones de memoria tipados diseñados para arquitecturas de agentes que llaman herramientas.

Day 1“Los agentes que llaman herramientas acumulan estado a través”“de muchas invocaciones de herramientas.”✓ Got it, I will remember.Day 7 — new session“Same task again — can you keep the context?”× Sure — what was the context again?(forgot every detail you taught it)+ MEMORYLAKE LAYERMemory auto-loadedSalida de herramienta como memoria tipadaDesduplicar en llamadas repetidas a herramientasDetección de conflictos entre salidas de herramientasSESSION OUTPUT✓ Same prompt, on-brand answerNo re-briefing required.

Construye Agentes que Llaman Herramientas con Patrones de Memoria que Realmente Mantienen el Estado

Empezar gratis

Gratis para siempre · Sin tarjeta de crédito

El problema: los agentes que llaman herramientas necesitan patrones de estado que la memoria DIY no proporciona

La herramienta A devolvió el nivel de un cliente. La herramienta B debería respetar ese nivel; en cambio, consulta de nuevo porque las salidas de las herramientas no comparten estado. El agente que llama herramientas llama a las mismas APIs múltiples veces, pagando por llamadas a herramientas que la memoria debería haber prevenido.

Cómo MemoryLake apoya los patrones de memoria de agentes que llaman herramientas

Salida de herramienta como memoria tipada

Salida de herramienta como memoria tipada

Cada resultado de herramienta escribe memoria estructurada; las herramientas posteriores recuperan.

MEMORYDesduplicar en llamadas r…

Desduplicar en llamadas repetidas a herramientas

Si se necesita de nuevo la misma información, devolver de la memoria.

MEMORYDetección de conflictos entre salidas de herramientas

Detección de conflictos entre salidas de herramientas

Resultados contradictorios de herramientas emergen.

Auditoría por llamada a herramienta

Auditoría por llamada a herramienta

Rastrear qué herramienta produjo qué hecho.

Empezar gratis

Gratis para siempre · Sin tarjeta de crédito

Cómo funciona para patrones de memoria de llamadas a herramientas

  1. Conectar — Conectar MemoryLake en la capa de despacho de herramientas.
  2. Estructurar — Cada resultado de herramienta escribe memoria tipada; las herramientas posteriores verifican primero la memoria.
  3. Reutilizar — Llamadas repetidas devuelven de la memoria; reducir el gasto en herramientas.

Antes vs. después: estado del agente que llama herramientas

DIY tool stateMemoryLake
Repeated tool calls for same dataCommonMemory-cached
Cross-tool state sharingLossyTyped memory
Conflicting tool outputsSilentDetected
Tool spend at scaleHighReduced via memory

Para quién es esto

Equipos de ingeniería que ejecutan agentes pesados en herramientas — muchas APIs, muchas integraciones — donde las llamadas redundantes a herramientas y la pérdida de estado entre herramientas están afectando el costo y la calidad.

Demo ejecutableunos 4 minutos

Prueba este caso de uso en tu propia cuenta

Un agente de facturación que llama a herramientas recuerda sus resultados anteriores (cuentas, uso, contratos, tarifas) como hechos con campos tipados. Si se le pide un cargo, el modelo se equivoca en la aritmética con todos los números en su prompt. Con una herramienta calculadora la aritmética sale bien, pero para el único cliente cuyo uso nunca se consultó el modelo rellena él mismo la entrada que falta, justo después de que la herramienta avise de que falta, y la calculadora convierte la suposición en un cargo al céntimo. Que la herramienta lea sus propias entradas de la memoria tipada corrige ambas cosas: cada importe llega con los resultados de herramientas de los que se calculó, y un resultado que nunca se consultó vuelve como un error que nombra la herramienta.

Lo que verás

  • 13 resultados de herramientas guardados con fact add y sus campos tipados con fact update --metadata; fact list devuelve el resultado más reciente por cuenta y campo, y el código calcula cada respuesta a partir de él
  • Catorce preguntas, 3 respuestas cada una con gpt-4o-mini mediante router chat --body … --boundary, en 8 ejecuciones: haciendo la aritmética el modelo, 34 de 192 cargos correctos
  • Una herramienta compute_charge con entradas que el modelo copia de la memoria: cargos 154 de 192, pero el uso nunca consultado 0 de 48 (el modelo pasa api_calls=0 tras el aviso de la herramienta); cada entrada copiada se contrasta con la memoria tipada
  • La herramienta leyendo la memoria tipada por sí misma: cargos 192 de 192 y "No record" en el excedente 24 de 24; el modelo aún presenta medio total como el total (23 de 24). Además, subcomandos bill y ask y una interfaz web local

Necesitas: una clave de API de MemoryLake · la CLI memorylake · Python 3.9+

Ejecútalo

git clone https://github.com/memorylake-ai/memorylake-usecases.git
cd memorylake-usecases/tool-input-memory
export MEMORYLAKE_API_KEY=sk-…
python3 demo.py          # or: python3 web/server.py

Míralo en marcha · grabaciones reales, sin editar

Casos de uso relacionados

Preguntas frecuentes

¿Soporte para frameworks de herramientas?

LangChain Tools, MCP, llamada a funciones de OpenAI, personalizado — todos soportados.

¿TTL en la memoria de resultados de herramientas?

Configurable por herramienta y por tipo de memoria.

¿Autoalojado?

Sí — el nivel empresarial se despliega en tu VPC.