Una limitación significativa de los LLM actuales es su incapacidad para mantener el contexto entre sesiones. Este artículo propone una solución: un repositorio autogestionado construido sobre bases de conocimiento Markdown. La idea central es que la memoria a largo plazo para los LLM no debería depender únicamente de ventanas de contexto más grandes, sino de un sistema de ingeniería de conocimiento estructurado, mantenible y en evolución. El autor argumenta que cada nueva sesión con un LLM es como iniciar un proceso temporal, perdiendo identidad, contexto del proyecto y conocimientos acumulados. Al crear un repositorio autogestionado, los desarrolladores pueden permitir que los LLM accedan y actualicen un almacén de conocimiento persistente, dándoles efectivamente una forma de memoria a largo plazo. Este enfoque es particularmente valioso para agentes de IA, asistentes personales y cualquier aplicación que requiera continuidad entre interacciones.
Este artículo aborda el desafío de la memoria a largo plazo de los LLM proponiendo un enfoque de repositorio autogestionado utilizando bases de conocimiento Markdown. Argumenta que el contexto efectivo a largo plazo requiere un sistema de ingeniería de conocimiento personal mantenible, corregible y en evolución.