¿Cómo recuerdan los agentes de IA? Una guía detallada desde los principios hasta la práctica

Recientemente, la memoria a largo plazo para los Agentes se ha vuelto muy popular, y todo el mundo habla de los sistemas de memoria.

Pero cuando miras esas explicaciones, la mayoría solo te lanzan un montón de términos: bases de datos vectoriales, RAG, ventanas de contexto, compresión, memoria episódica...

Después de leer, todavía no puedes explicar exactamente cómo funciona exactamente, ¿verdad?

No es tu culpa; la mayoría de los artículos asumen que ya tienes una base.

Sin embargo, los sistemas de memoria de los Agentes son actualmente el tema más candente en las entrevistas. Si no los entiendes, estarás en desventaja tanto en el trabajo como en las entrevistas.

Por eso, en este artículo, adoptaré un enfoque diferente, empezando desde lo básico sin acumular jerga. ¡Haré todo lo posible para que sea comprensible para todos!

Te garantizo que después de leer esto, podrás responder estas tres preguntas por ti mismo:

¿Qué es un sistema de memoria?

¿Cómo entendemos el sistema de memoria de OpenClaw?

¿Cómo es una solución de nivel empresarial? Elegí EverOS (github.com/EverMind-AI/EverOS

Este artículo es bastante largo y me llevó varios días escribirlo. Si tienes amigos interesados en la memoria de los Agentes, puedes marcarlo como favorito y reenviárselo más tarde.

Conocimientos básicos sobre los sistemas de memoria de los Agentes

Esta sección cubre principalmente cómo los Agentes mantienen la memoria dentro de una misma sesión y entre diferentes sesiones. Si ya lo entiendes, siéntete libre de saltarla.

Primero, no hay memoria entre dos llamadas API a un modelo grande. ¿Qué significa eso?

Por ejemplo: si dices que te gusta comer naranjas en la primera llamada, pero no agregas "Me gusta comer naranjas" al prompt en la segunda llamada, el modelo no tendrá memoria de tu preferencia.

Entonces, ¿cómo mantiene un Agente esta memoria durante una conversación?

Primero vez que preguntas algo, el sistema subyacente envía todo el historial de chat anterior. El modelo lo ve, asegurando la memoria a corto plazo.

Pero cuando el historial de chat se vuelve tan largo que supera la ventana de contexto máxima del modelo, este comprime el historial. Resume el historial de la conversación actual y lo vuelve a meter en el prompt, creando espacio para continuar la conversación.

Este es el principio de cómo un modelo mantiene la memoria en una sola conversación larga. Si estás un poco confundido, mira el diagrama a continuación:

Ahora sabes cómo se mantiene la memoria en una sola sesión, pero ¿cómo se mantiene entre diferentes sesiones de chat?

¡Ahí es donde entra el sistema de memoria a largo plazo!

Lo que hace es almacenar información importante en un espacio de almacenamiento cuando tu contexto se comprime o cuando solicitas recordar algo.

Luego, cuando inicias una nueva conversación, extrae y agrega la información relevante al prompt en el momento adecuado.

Al "intercambiar lo viejo por lo nuevo", crea la ilusión de recordar muchas cosas. Esto es similar a la memoria de trabajo humana y la memoria a largo plazo.

Bien, con este conocimiento básico de la memoria, podemos pasar a entender qué es un sistema de memoria.

A continuación, te daré un marco conceptual. Si terminas de leerlo, te garantizo que tendrás una comprensión básica de cualquier solución de sistema de memoria.

El sistema de memoria

Hay al menos docenas de soluciones que afirman dar a los Agentes memoria a largo plazo. ¿Cómo estudiamos tantas?

A continuación, desglosaré un artículo para darte una comprensión básica de la memoria a largo plazo de los Agentes, y luego compararé las diferencias entre OpenClaw y otros marcos de memoria para una mejor comprensión.

Google publicó un artículo en noviembre de 2025 titulado "Context Engineering, "Context Engineering, Sessions and Memory".

En este artículo, siguen los métodos de la ciencia cognitiva de hace medio siglo, dividiendo la memoria de los Agentes en tres categorías:

• Memoria episódica: Lo que pasó ayer, lo que se discutió la última vez.
• Memoria semántica: Cuál es tu nombre, qué te gusta, cuál es tu identidad.
• Memoria procedimental: Cómo completar una tarea, cuál es el proceso.

Juntos, estos tres tipos de memoria constituyen la memoria del Agente.

Pero eso es solo la mitad de la historia; la otra mitad trata sobre cómo mantener y usar la memoria.

Al igual que los humanos, los Agentes no pueden recordarlo todo. Por lo tanto, un sistema de memoria necesita un método confiable para extraer información importante del historial de la conversación y luego guardarla.

Llamo a este paso Extracción.

Además, necesitamos organizar y fusionar recuerdos.

Por ejemplo:

Hace tres meses, dije que estaba en Dali, pero luego me mudé a Chengdu. Si esta información no se fusiona, la memoria contendrá entradas contradictorias en la memoria.

El enfoque correcto es actualizar la memoria a "El usuario está en Chengdu" después de mudarme.

Llamo a este paso Actualización.

También está el paso de Recuperación, que involucra muchos métodos: búsqueda por palabras clave, búsqueda semántica, búsqueda híbrida, o usar modelos grandes para recuperar.

Por lo tanto, para entender un sistema de memoria, solo necesitas entender estos dos aspectos:

1. ¿Cuántas categorías de memoria hay y qué almacena cada una?
2. ¿Cómo se extrae, actualiza y recupera la memoria?

Ahora, usando este marco, descubramos cómo se implementa la memoria a largo plazo de OpenClaw.

¿Cuántas categorías de memoria tiene OpenClaw y qué almacena cada una?

Su memoria se divide en los siguientes tres tipos:

1. memory.md (Memoria): Pertenece a la memoria semántica; almacena tu identidad, preferencias y hechos estables.

1. daily logs: Pertenece a la memoria episódica; registra lo que sucedió cada día, organizado por fecha. Solo agrega nuevas entradas y nunca elimina.

1. session snapshots: Pertenece a la capa episódica; cuando usas los comandos /new o /reset para iniciar una nueva sesión, resume los últimos 15 mensajes "significativos" de la conversación anterior y los guarda como un archivo markdown.

¿Cómo se realizan la extracción, actualización y recuperación?

La extracción ocurre en tres situaciones:

1. Cuando una conversación está a punto de ser comprimida: La información valiosa se escribe en los daily logs.
2. Cuando usas /new o /reset para iniciar una nueva sesión: La información valiosa se guarda en session snapshots.
3. Cuando el usuario solicita recordar algo: El sistema decide en qué tipo de memoria almacenarlo.

La recuperación ocurre en dos situaciones:

1. Al iniciar una nueva conversación: memory.md se inyecta automáticamente en el prompt, y también lee los daily logs de hoy y ayer para contexto reciente.
2. Cuando OpenClaw considera necesario verificar la memoria: Llama a memory search, encuentra la ubicación de la memoria mediante búsqueda híbrida (palabras clave + vectores), y luego lee el contenido del archivo mediante memory get.

¿Cuándo ocurre la actualización? Mi entendimiento personal es que ocurre durante la extracción, al decidir qué recordar.

Si todavía no lo entiendes del todo, mira el diagrama a continuación:

Ahora tienes cierta comprensión de los sistemas de memoria, pero la verdad, el sistema de OpenClaw tiene varios problemas:

1. Consume muchos tokens.
2. Si el Markdown se pierde, la memoria desaparece.
3. A menudo olvida cosas.

Sin embargo, los verdaderos sistemas de memoria de nivel empresarial tienen muchas optimizaciones para garantizar la estabilidad. La tecnología detrás de ellos vale la pena entenderla para cualquier amante de la tecnología.

A continuación, ¡analizaré los sistemas de memoria de Agentes de nivel empresarial!

Sistemas de memoria de Agentes de nivel empresarial

En la era de la IA, todo programador debería entender la tecnología detrás de los sistemas de memoria de Agentes de nivel empresarial; de lo contrario, perderás tu ventaja competitiva.

¿Por qué?

Porque los modelos grandes seguirán consumiendo nuestro trabajo de programación. La única opción es construir sistemas de apoyo para ellos.

Para facilitar que sea más fácil de explicar, elegiré una solución de código abierto llamada EverOS para desglosarla.

Si estás planeando comenzar a aprender sistemas de memoria de Agentes desde este proyecto, siéntete libre de darle una estrella:

github.com/EverMind/EverOS

Como dije antes, para entender un sistema de memoria, solo necesitas responder dos preguntas.

¿Cómo responde EverOS a ellas?

Pregunta 1: ¿Cómo se categoriza la memoria?

El marco general tiene 3 tipos, pero EverOS desglosa cada uno aún más, como se muestra a continuación:

1. Memoria semántica: Memoria a largo plazo de quién eres, dividida en dos capas:
2. Rasgos estables: Eres un noctámbulo, programador, vives en Pekín—cosas que no cambian durante mucho tiempo.
3. Estados temporales: Hoy trasnochaste, esta semana estuviste ocupado, la semana pasada tuviste un resfriado.

1. Memoria episódica: Dividida en tres tipos:
2. Episode: Un resumen condensado de una conversación o tarea, no un registro diario. Ejemplo: El usuario preguntó cómo desplegar un modelo, se atascó en variables de entorno y pasó 30 minutos en ello.
3. EventLog: Extrae hechos clave de las conversaciones, cada uno con una marca de tiempo. Ejemplo: 2026-05-10 El usuario compró un Mac mini, 2026-05-12 El usuario vinculó GitHub.
4. Foresight: "Próximos pasos" relacionados con el tiempo—cosas que dijiste que harías o que infiere que harás después, con fechas de vencimiento para recordatorios. Ejemplo: Enviar la propuesta antes del próximo viernes.

1. Memoria procedimental: Dividida en dos tipos:
2. Agent Case: Después de completar una tarea, registra "lo que se pretendía + acciones paso a paso + una puntuación de calidad". Ejemplo: Enviar un correo electrónico—verifica contactos, redacta, pide confirmación, luego envía—todo este conjunto se archiva con una puntuación de calidad.
3. Agent Skill (Habilidad destilada): Después de realizar tareas similares varias veces, destila automáticamente un enfoque general de estos archivos, con una puntuación de madurez. Cuanto más se hace, más confiable se vuelve. Ejemplo: Después de 5 tareas de correo electrónico, aprende a verificar si el destinatario es una persona clave antes de decidir un tono formal o informal.

Como ves, EverOS divide las 3 categorías originales en 6 tipos, permitiendo un almacenamiento más preciso y una memoria más efectiva.

Además, es más similar a la memoria humana—predice el futuro y resume/refina habilidades.

Pregunta 2: ¿Cómo se realizan la extracción, actualización y recuperación?

¿Cómo se extrae la memoria?

EverOS juzga automáticamente si "este segmento ha terminado". Una vez terminado, lo corta y lo empaqueta en una unidad de memoria.

Cada unidad contiene 4 cosas:

• Trama: Lo que se discutió y se hizo—un resumen condensado, no palabra por palabra.
• Hechos clave: Qué hechos dentro merecen ser anotados por separado.
• Foresight: Cosas que dijiste que harías o que infiere que harás, con fechas de vencimiento para recordatorios.
• Etiquetas de contexto: Cuándo, dónde, qué tan creíble y cuál era la emoción en ese momento.

Tú solo chateas; él maneja los detalles de segmentación.

¿Cómo se actualiza la memoria?

Por ejemplo:

Hace un mes, le dijiste a la IA: Estoy planeando empezar a hacer ejercicio. Dos semanas después, dijiste: He estado ocupado, no he ido al gimnasio. Hoy dices: Olvídalo, no voy a hacer ejercicio.

Las soluciones comunes apilan las tres en el registro. Cualquiera que el modelo recupere es lo que considera el hecho. Pero en realidad, la respuesta debería ser la más reciente.

EverOS se basa en "Consolidación Semántica", que hace tres cosas:

• Determina automáticamente cuál es la más reciente (ejercicio detenido).
• Fusiona duplicados o cosas que se refieren al mismo evento.
• Mantiene un perfil de usuario, separando preferencias estables de estados temporales (oficialmente llamado Evolución del Perfil).

Los detalles se muestran a continuación:

¿Cómo se recupera la memoria?

EverOS te da 4 métodos de recuperación para elegir según el escenario:

• Palabras clave: Coincidencia exacta, adecuada para nombres o IDs específicos.
• Búsqueda vectorial: Coincidencia semántica—palabras diferentes con el mismo significado pueden coincidir.
• Híbrida: Palabras clave + vectores juntos, luego filtrados por un modelo de reordenación—la recomendada por defecto.
• Agentic: Se usa para preguntas complejas de múltiples partes; el LLM juzga qué y cómo buscar, iterando hasta encontrar (se usa cuando la híbrida no es suficiente).

Pero los 4 métodos no son la clave; la clave es la lógica de recuperación.

Las soluciones comunes son pasivas—das clave, devuelve documentos coincidentes, y ya está.

EverOS reconstruye activamente el contexto:

1. Analiza lo que quieres hacer esta vez.
2. Activa escenarios temáticos relevantes.
3. Filtra información caducada (por ejemplo, preferencias de hace un año podrían ser inválidas).
4. Busca iterativamente hasta que se recopila suficiente información.

Las soluciones comunes son como un motor de búsqueda que termina después de una búsqueda. EverOS busca repetidamente desde diferentes ángulos hasta encontrar suficiente información.

EverOS logró una precisión general del 93.05% en el benchmark de memoria a largo plazo LoCoMo (usando GPT-4o-mini), superando a la solución de comparación Zep (85.22%) por casi 8 puntos porcentuales.

Después de leer esta sección, deberías tener una buena idea de los sistemas de memoria de Agentes de grado de producción. Pero ¿cómo aterrizan en la ingeniería real y qué puedes hacer con ellos?

Implementación real en producción

Continuaré usando este proyecto de código abierto para explicar por dos razones: la API es abierta y gratuita, y el repositorio contiene 20 casos reales—perfecto para discutir la implementación.

API abierta gratuita abierta

La API en la nube de EverOS es abierta y gratuita.

Tres pasos para empezar:

1. Abre everos.evermind.ai en tu navegador para registrarte; la página te da una clave API, guárdala.
2. Instala el SDK desde la línea de comandos: pip install everos
3. Instancia el cliente en Python y empieza a usarlo.

EverOS no solo es gratuito para probar, sino que también soporta la función de Auto-Evolución de Habilidades, ¡que es popular recientemente!

¿Cómo usar la Auto-Evolución de Habilidades?

Cuando un Agente realiza tareas similares repetidamente, EverOS destila automáticamente la experiencia en habilidades reutilizables. La próxima vez que surja una tarea similar, usa la habilidad directamente en lugar de empezar desde cero.

Usarlo en código implica encadenar 3 APIs:

Dos puntos a tener en cuenta:

• La primera vez que introduces una trayectoria, solo genera un caso (trajectory), solo genera un caso (archivo de una sola tarea). Las habilidades solo se agrupan y destilan después de varias tareas similares.
• Debes usar el endpoint /memories/agent; los /memories regulares no extraerán habilidades.

Si no entiendes la función de Auto-Evolución de Habilidades, mira el diagrama a continuación:

He mencionado brevemente el uso del código, pero como infraestructura para Agentes, este proyecto tiene casos de uso reales extremadamente valiosos.

¡Y estos casos son todos de código abierto y listos para aprender!

20 casos de uso reales

El README del repositorio enumera 20 casos de uso, aquí hay algunos:

• MemoCare (Asistente de memoria para Alzheimer): Proporciona una memoria externa que nunca olvida para pacientes con deterioro cognitivo—este es uno de los proyectos de bienestar público más conmovedores.
• Plugin para Claude Code: Agrega memoria a largo plazo a Claude Code, recordando entre sesiones.
• Juego de Tronos: Alimenta las tramas de GoT a la IA para interpretar personajes que recuerdan quiénes son a largo plazo.
• OpenHer: Novia IA, compañía emocional + evolución de la memoria.
• Computer-Use con Memoria: Permite que el Agente controle una computadora y recuerde experiencias de cada operación.
• Visualización de Grafos de Memoria: Visualiza el sistema de memoria como un grafo.

La lista completa está en el README de github.com/EverMind/EverOS.

Por cierto, aquí hay algunos complementos oficiales:

Las API no son suficientes, por lo que EverOS empaquetó las capacidades de memoria en varios complementos listos para usar:

• Plugin para Claude Code: Agrega memoria a largo plazo a Claude Code—se guarda automáticamente después de cada respuesta y recuerda el contexto para cada pregunta, con un panel visual de Memory Hub. Instálalo con un solo comando.
• Plugin para OpenClaw: Conecta EverOS como un "slot de memoria" para OpenClaw—el Agente recupera automáticamente la memoria relevante (tramas, perfiles, casos, habilidades) antes de ejecutarse y guarda la conversación y las llamadas a herramientas después.
• Habilidad para OpenClaw: Conecta las herramientas de memoria de EverOS a OpenClaw / Claude Code como "habilidades", permitiendo que el Agente llame a la memoria según sea necesario en lugar de tenerla permanentemente adjunta.

Volviendo a las tres preguntas del principio:

¿Qué es un sistema de memoria? ¿Cómo es el sistema de memoria de OpenClaw? ¿Cómo es una solución de nivel empresarial?

Ahora deberías tener las respuestas.

EverMind es un proyecto excelente:

1. Todo el proyecto es de código abierto bajo Apache 2.0, actualmente con más de 4500 estrellas.
2. EverMind tiene sólidas raíces académicas y algorítmicas, publicando constantemente artículos; su anterior MSA también fue un concepto muy avanzado.
3. EverMind es una empresa nativa de IA bajo Shanda, con muchos recursos.

Si estás planeando comenzar a aprender sistemas de memoria de Agentes desde este proyecto, siéntete libre de darle una estrella:

github.com/EverMind/EverOS

También tienen nuevos productos que se lanzarán a finales de mes, ¡estamos ansiosos!

Este es mi primer intento de explicar conceptos técnicos en un artículo. Para hacerlo comprensible para la mayoría, he omitido muchos detalles.

La tecnología involucrada es compleja; siéntete libre de señalar errores en los comentarios para corregirlos.

Si te gusta mi artículo, puedes marcarlo como favorito, comentar, reenviarlo a amigos y seguirme.