Durante tareas largas, los agentes de IA olvidan restricciones que ellos mismos identificaron, repiten comandos que ya fracasaron y vuelven a diagnosticar errores que habían resuelto hace veinte pasos. Investigadores de Meta AI publicaron un paper que propone atacar ese problema con un módulo de memoria que no solo almacena información, sino que decide cuándo vale la pena traerla de vuelta.
El paper describe con precisión cómo se manifiestan estas fallas. Un agente reconoce una restricción al comienzo de la tarea y la viola más tarde, mientras arregla un error sin relación. Ve que un comando falló y poco después intenta una versión casi idéntica. Diagnostica un patrón de error y luego trata ese mismo patrón como si fuera nuevo.
Los autores llaman a esto deterioro del estado conductual. El estado que guía las decisiones del agente se dispersa a lo largo de un historial de tarea que no para de crecer: puede quedar sepultado en el fondo de la ventana de contexto o directamente salirse de ella. Y aunque la información siga presente en la transcripción, ya no necesariamente influye en el comportamiento. Según Meta AI, darle a los agentes acceso a historiales más largos no resuelve el problema.
¿Por qué no basta con guardar más información?
Los sistemas de memoria existentes se concentran en almacenar, actualizar y recuperar. De acuerdo con el paper, eso funciona bien para personalización y para recordar cosas entre sesiones distintas. Pero un agente que está en medio de una tarea enfrenta otro problema: el sistema tiene que decidir cuándo una memoria es lo bastante útil como para reinyectarla. Muy pocos recordatorios llevan a repetir errores; demasiados agregan latencia, consumen tokens y distraen al agente de lo que está haciendo.
La distinción con un resumidor es explícita. Un resumidor decide qué información conservar, mientras que el sistema de Meta decide si un estado de ejecución guardado debería influir en el próximo movimiento del agente. Como los modos de falla varían mucho según la tarea, una regla fija de resumen no puede tomar esa decisión de forma confiable.
¿Cómo funciona el agente de memoria?
El diseño aparea un action agent sin modificar con un memory agent separado. A intervalos fijos, el agente de memoria revisa una ventana deslizante con los pasos más recientes y actualiza un banco de memoria estructurado. Después decide si agrega un recordatorio breve a la siguiente llamada del agente de acción o si se mantiene en silencio.
Los autores sostienen que el módulo funciona con agentes y arneses existentes como componente enchufable. A diferencia de un modelo asesor de propósito general, entrega únicamente recordatorios basados en memoria y no ofrece consejos estratégicos más amplios.
El banco de memoria tiene tres secciones:
- Un campo de estado privado que registra el progreso y los riesgos pendientes, y que nunca se le muestra al agente de acción.
- Memoria de conocimiento, con hechos estables como requisitos, rutas de archivos y configuraciones.
- Memoria procedural, que guarda qué intentó el agente y qué pasó: comandos fallidos, arreglos exitosos e hipótesis descartadas.
En cada paso de memoria, el agente solo puede modificar el banco a través de llamadas a herramientas predefinidas, en lugar de sobrescribir su contenido libremente. Recién entonces decide si reactiva un estado guardado y, si corresponde, escribe un recordatorio dirigido. Optar por no intervenir es parte explícita de la política.
¿Cuánto mejora el rendimiento en los benchmarks?
El sistema se evaluó en Terminal-Bench 2.0, que mide agentes autónomos en entornos de línea de comandos realistas, y en tau2-Bench, que prueba el uso conversacional de herramientas en los rubros de aerolíneas, retail y telecomunicaciones. Claude Opus 4.6 cumplió el rol de agente de memoria, aunque el modelo ha recibido varias actualizaciones desde entonces.
Con el más antiguo Claude Sonnet 4.5 como agente de acción, el sistema resolvió el 46% de las tareas de Terminal-Bench en el primer intento, contra 38% de la línea base. En tau2-Bench, el promedio ponderado por tarea subió de 55% a 62%.
Los resultados variaron según el dominio. Las tareas de aerolíneas y retail subieron alrededor de 10 puntos porcentuales cada una, mientras que telecomunicaciones mejoró apenas 3 puntos. Los investigadores señalan que esa disparidad sugiere que el agente de memoria interviene con distinta frecuencia según la tarea, en vez de aplicar una regla fija.
| Configuración | Terminal-Bench 2.0 | tau2-Bench |
|---|---|---|
| Sonnet 4.5 sin memoria | 38% | 55% |
| Sonnet 4.5 con agente de memoria | 46% | 62% |
| Opus 4.6, ganancia sobre su base | +2,4 puntos | +2,5 puntos |
Las ganancias fueron mayores con el agente más débil, pero no desaparecieron con el más fuerte. Opus 4.6 mejoró 2,4 puntos porcentuales en Terminal-Bench y 2,5 en tau2-Bench. El resultado sugiere que el sistema de memoria hace algo más que compensar la capacidad limitada de un modelo chico.
¿Qué parte del diseño explica la mejora?
El equipo removió una capacidad a la vez para aislar qué componentes producían la ganancia. Cuando el agente de acción recibía el banco de memoria completo en cada paso, el rendimiento cayó por debajo del sistema completo. Una versión sin la opción de "guardar silencio", que devolvía una memoria en cada paso, se mantuvo competitiva pero con ganancias menos consistentes entre dominios.
Una versión tipo asesor, sin banco de memoria persistente, ayudó en algunas áreas y perjudicó en otras. El diseño completo, que combina un banco mantenido con recordatorios selectivos, fue el que mejor rindió. El enfoque también superó a Mem0, una capa de memoria de uso productivo que recupera registros mediante búsqueda.
Un ejemplo del dominio "Airline" de tau2-Bench ilustra la diferencia. Un usuario afirmaba tener estatus Gold, pero la herramienta lo identificaba como cliente regular. La línea base otorgó la compensación basándose en lo que el usuario decía. El agente de memoria, en cambio, emitió un recordatorio para atenerse a los datos verificados por la herramienta.
La mayoría de los errores restantes tuvo que ver con calibración más que con memoria. En algunos casos, el agente de memoria trató una inferencia especulativa con demasiada confianza.
¿Sirve con modelos abiertos más chicos?
La versión principal no requiere un modelo entrenado especialmente: corre como un agente guiado por prompt. El equipo probó además si podía enseñarle la política de intervención a un modelo abierto, entrenando al más pequeño Qwen3.5-27B como agente de memoria mientras mantenía congelado un modelo de acción mucho más grande.
Sin entrenamiento, el agente de memoria chico empeoró el rendimiento. El ajuste fino supervisado recuperó esa pérdida, y el aprendizaje por refuerzo posterior mejoró sus decisiones sobre cuándo recuperar un estado guardado.
Meta AI enumera varias preguntas abiertas, entre ellas entrenar los agentes de memoria y de acción en conjunto, enseñarle al sistema a invocar la memoria cuando haga falta en lugar de seguir un calendario fijo, y determinar cuándo las memorias literales funcionan mejor que las abstracciones específicas de la tarea. El código del proyecto está publicado en GitHub.
Meta no es la única que choca con este muro, y la industria todavía no tiene un enfoque estándar. El framework de código abierto Mastra usa dos agentes en segundo plano que monitorean y comprimen la conversación en vez de mantener todo el historial en contexto. El sistema GAM apunta a prevenir la degradación del contexto en conversaciones largas y, igual que la propuesta de Meta, se compara contra la capa de memoria Mem0. Otros grupos trabajan en sistemas de memoria de por vida capaces de agregar, revisar y olvidar conocimiento de forma activa.
