Una publicación de blog de ingeniería china que invita a la reflexión desafía el enfoque predominante para construir memoria a largo plazo para agentes de IA. El autor argumenta que la mayoría de las implementaciones actuales tratan la memoria del agente como un simple pipeline RAG: dividir mensajes históricos en fragmentos, generar embeddings, almacenarlos en una base de datos vectorial y recuperar los resultados Top-K bajo demanda. Si bien esto funciona para MVP, fundamentalmente no satisface las necesidades de los agentes de grado de producción que requieren seguimiento de evidencia, control de versiones y gestión del ciclo de vida de las memorias. El artículo propone una arquitectura más robusta donde la memoria del agente se trata como un sistema de datos de primera clase con su propio esquema, versionado y garantías de consistencia. Esto incluye mantener la procedencia de cada entrada de memoria, admitir actualizaciones y eliminaciones con un historial adecuado, e implementar recolección de basura para memorias obsoletas o irrelevantes. El autor también discute las compensaciones entre diferentes backends de almacenamiento (relacional, gráfico y vectorial) y sugiere un enfoque híbrido.
Este artículo argumenta que la memoria a largo plazo de los agentes no debe tratarse como un sistema RAG ligero. En su lugar, propone un sistema de datos que mantenga evidencia, versionado y gestión del ciclo de vida para las memorias de los agentes, yendo más allá de la simple búsqueda de similitud vectorial.