Llevo un tiempo intentando construir una memoria para una inteligencia artificial.
Al principio parecía un problema bastante sencillo: guardar información, convertirla en embeddings, buscar aquello que se parece a la pregunta actual, recuperar unos cuantos fragmentos y meterlos dentro del contexto de un modelo.
Preguntar.
Responder.
Funciona.
De hecho, funciona sorprendentemente bien.
El problema empezó cuando dejé de preguntarme si el sistema podía recuperar información y empecé a preguntarme si realmente recordaba.
Una base vectorial puede contener veinte mil conversaciones, documentos, decisiones y experiencias. Puede encontrar cuáles se parecen semánticamente a una consulta. Podemos añadir fechas, entidades, metadatos, grafos y una capa de inteligencia artificial que decida qué recuperar.
Pero sigue apareciendo una pregunta incómoda:
¿tener acceso a todo lo que te ha ocurrido significa tener memoria?
Creo que no.
Al menos no en el sentido que me interesa.
Mi memoria no conserva una transcripción perfecta de todo lo que he vivido. Tampoco recupera automáticamente todos los acontecimientos asociados a una palabra cada vez que pienso en ella. Olvida detalles, conserva otros, relaciona experiencias, construye regularidades y permite que lo que ocurrió ayer modifique la forma en que interpretaré algo mañana.
Incluso recordar puede, bajo determinadas condiciones, abrir la posibilidad de actualizar aquello que recordamos. La memoria humana no funciona como una copia inmutable guardada en un archivo. La recuperación, la reconsolidación y la actualización forman parte de una literatura mucho más compleja que la metáfora del disco duro.
Eso cambia bastante el problema.
Si queremos construir una IA capaz de aprender durante meses o años, quizá no necesitemos simplemente un lugar donde guardar más información.
Necesitamos un sistema capaz de decidir qué merece convertirse en memoria, qué relación tiene con lo que ya sabe, cuándo debe recuperarse, qué puede generalizarse, qué ha perdido importancia y qué debe conservarse exactamente porque no queremos que se reescriba.
Eso es bastante más que almacenamiento.
Tener acceso al pasado no significa tener memoria
Buena parte de los sistemas que llamamos «IA con memoria» siguen una lógica parecida a esta:
texto → fragmentos → embeddings → almacenamiento → similitud → contexto → respuesta
No hay nada malo en esa arquitectura.
Es enormemente útil.
El problema es conceptual: describe muy bien recuperación de información, pero no resuelve por sí sola qué significa recordar.
Imaginemos que durante tres años voy dejando afirmaciones sobre el mismo asunto.
En enero digo:
Prefiero sistemas simples aunque pierdan alguna funcionalidad.
En junio escribo:
En este proyecto necesito priorizar control aunque aumente la complejidad.
Dos años después concluyo:
Estamos complicando demasiado el sistema. Hay que volver a simplificar.
Una base vectorial puede conservar perfectamente las tres frases y recuperarlas cuando pregunte por mis preferencias de arquitectura.
Pero todavía quedan las preguntas importantes.
¿Me contradigo?
¿He cambiado de opinión?
¿Las frases corresponden a contextos diferentes?
¿La última sustituye a la primera?
¿Existe una idea más general que explica las tres?
Quizá mi criterio no sea «simplicidad» ni «control». Quizá sea evitar complejidad que no produzca una capacidad suficientemente valiosa.
Eso no estaba escrito literalmente en ninguna de las tres memorias.
Ha aparecido al relacionarlas.
Ahí está la primera distinción que me interesa:
almacenar conserva información; aprender exige transformar experiencias en alguna estructura que permita utilizarlas de otra manera.
La ingeniería de agentes ya ha empezado a explorar esa dirección. Generative Agents, por ejemplo, no se limita a almacenar experiencias: recupera recuerdos de manera dinámica y construye reflexiones de nivel superior que después influyen en planificación y comportamiento. MemGPT, por otro camino, gestiona distintos niveles de memoria para mover información dentro y fuera de una ventana de contexto limitada. Ninguno de los dos trabajos constituye una teoría completa de memoria, pero ambos muestran que el problema ya no se reduce a «guardar chunks y hacer similarity search».
El salto importante es este:
una memoria útil no solo debería poder recuperar el pasado. Debería permitir que el pasado cambie lo que el sistema sabe hacer con el presente.
El cerebro ya nos advierte de que recordar y aprender no son exactamente lo mismo
Una de las ideas que más ha cambiado mi manera de pensar este problema viene de la teoría de los Complementary Learning Systems.
McClelland, McNaughton y O’Reilly propusieron en 1995 que el cerebro necesita sistemas de aprendizaje especializados de manera diferente. De forma simplificada, el hipocampo permite aprender rápidamente episodios concretos sin destruir continuamente las representaciones más generales adquiridas de forma lenta por sistemas neocorticales. La interacción entre ambos permite integrar progresivamente nuevas experiencias dentro de estructuras más estables de conocimiento.
La teoría se ha actualizado y matizado desde entonces. Kumaran, Hassabis y McClelland revisaron en 2016 cómo estas ideas podían ampliarse y qué tipos de sistemas de aprendizaje podían necesitar agentes inteligentes.
La distinción que me resulta útil puede expresarse así:
esto ocurrió
no es lo mismo que:
esto suele ocurrir.
La primera afirmación puede corresponder a una experiencia concreta.
La segunda exige haber encontrado algún tipo de regularidad entre experiencias.
Por ejemplo:
Ayer un cliente rechazó la propuesta porque la implantación le parecía demasiado compleja.
Eso es un episodio.
Después de veinte conversaciones quizá aparezca otra afirmación:
En este segmento, la dificultad percibida de implantación aparece con más frecuencia que el precio como objeción principal.
La segunda no estaba necesariamente escrita en ningún documento.
Ha emergido al relacionar experiencias.
Eso se parece bastante más a aprender que a recuperar.
Y aquí muchos sistemas actuales tienen un problema: una conversación, una política interna, una hipótesis, un dato confirmado y una conclusión producida por otro modelo pueden acabar convertidos en trozos de texto relativamente parecidos desde el punto de vista de la infraestructura.
Después buscamos por similitud.
Y esperamos que el modelo entienda la diferencia epistemológica.
Puede hacerlo.
También puede no hacerlo.
Una memoria no debería ser texto + embedding
Investigaciones recientes sobre consolidación siguen mostrando que la memoria no permanece necesariamente en la misma forma en que fue adquirida.
Krenz y sus colaboradores encontraron cambios temporales en la representación de recuerdos relacionados con una transformación de carácter semántico.
Spens y Burgess propusieron en 2024 un modelo computacional en el que episodios codificados rápidamente pueden utilizarse después para entrenar una representación generativa capaz de aprender regularidades de muchas experiencias. En el modelo, el conocimiento general participa además en la reconstrucción de recuerdos, lo que permite explicar tanto generalización como determinadas distorsiones.
No estoy diciendo que una base de datos deba intentar copiar el hipocampo.
Sería una conclusión demasiado grande.
La analogía que me interesa es mucho más modesta.
Quizá la unidad fundamental de una memoria artificial no debería ser únicamente:
texto + embedding
Sino algo más parecido a:
contenido + origen + momento + tipo + confianza + relaciones + evidencia + estado + historial
Y el embedding sería una representación útil para encontrar esa memoria.
No la memoria misma.
Porque una frase puede haber sido observada directamente, inferida por una IA, escrita por un cliente, extraída de un documento antiguo, sustituida posteriormente o contradicha por otras tres fuentes.
Semánticamente puede parecer lo mismo.
Epistemológicamente no lo es.
Recordar podría significar activar una pequeña red
Hay otra limitación de la recuperación puramente vectorial.
Los recuerdos no existen necesariamente como unidades completamente independientes.
La investigación sobre memory linking estudia precisamente cómo recuerdos diferentes pueden quedar asociados y cómo el solapamiento entre poblaciones neuronales puede contribuir a vincular experiencias sin eliminar necesariamente su identidad individual. La revisión de Choucry, Nomoto e Inokuchi resume distintos mecanismos de linking mediante engrams y cómo esa relación puede depender, entre otros factores, de proximidad temporal y reactivación.
No creo que eso implique que debamos fabricar engrams artificiales.
La decisión de ingeniería que extraigo es otra:
quizá una memoria debería poder activar otras memorias relacionadas, y no limitarse a devolver los registros más similares a una consulta.
Pienso en una experiencia que contiene «WordPress».
Una búsqueda vectorial puede devolver los cinco fragmentos que más se parecen a WordPress.
Una arquitectura relacional podría activar además el proyecto en el que apareció, las personas asociadas, un error recurrente, la regla que nació de ese error y una decisión posterior que sustituyó aquella regla.
La consulta inicial no ha encontrado cinco documentos.
Ha encendido un pequeño territorio de memoria.
Aquí aparece inmediatamente otra tentación bastante típica en mí.
Si los recuerdos necesitan relaciones, construyamos un grafo.
Personas, proyectos, conceptos, decisiones, documentos, experiencias y reglas conectadas entre sí.
Parece una solución preciosa hasta que dentro de tres años tenemos quince millones de relaciones y nadie sabe cuáles significan algo.
Hemos sustituido un trastero de documentos por un trastero de nodos.
El problema no es encontrar todas las conexiones posibles.
Es decidir cuáles merecen seguir influyendo.
Una relación reciente quizá sea importante. Otra se ha activado cientos de veces. Otra hace cuatro años que no aparece. Otra resultó falsa. Otra era válida únicamente para un proyecto y acabamos aplicándola a todos. Otra nació de una inferencia producida por un modelo y hemos olvidado que nunca fue observada.
La memoria necesita cambiar.
Eso ya complica bastante el grafo.
Acumular no basta: hay que consolidar
Esta es probablemente la parte del problema que más me interesa.
En neurociencia, la consolidación describe procesos mediante los cuales las memorias pueden estabilizarse, reorganizarse e interactuar con sistemas de conocimiento más amplios. El diálogo entre hipocampo y neocórtex y la reactivación de experiencias durante periodos offline ocupan un lugar importante en distintas teorías y resultados experimentales sobre memoria.
No quiero convertir el sueño humano en una metáfora tecnológica demasiado literal.
Pero hay un principio computacional que me parece extraordinariamente sugerente:
hay momentos para incorporar experiencia y momentos para reorganizar lo experimentado.
Nuestros sistemas suelen comportarse de otra manera.
Reciben algo.
Lo procesan.
Lo almacenan.
Lo vectorizan.
Esperan lo siguiente.
Podemos ejecutar tareas nocturnas, por supuesto, pero solemos considerarlas mantenimiento: limpiar registros, recalcular índices, borrar temporales.
¿Y si una fase offline fuera parte del propio aprendizaje?
Un proceso de consolidación podría revisar memorias que se repiten, contradicciones nuevas, patrones que empiezan a aparecer, reglas que han perdido vigencia, hipótesis que acumulan evidencia o conjuntos de episodios que pueden producir una abstracción nueva.
Pasaríamos de:
guardar → recuperar
a algo más parecido a:
capturar → relacionar → utilizar → revisar → consolidar → volver a utilizar
Un bucle.
No un almacén.
La investigación reciente en IA está empezando a explorar explícitamente esta metáfora. Behrouz, Hashemi y Mirrokni publicaron en junio de 2026 el preprint Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories, donde proponen fases de consolidación y dreaming para transferir conocimiento temporal hacia representaciones más estables y ensayar nuevas capacidades. Sigue siendo investigación experimental, no una arquitectura establecida para sistemas persistentes.
Me interesa precisamente por eso.
No porque demuestre que las máquinas necesiten dormir.
Sino porque plantea que aprender de manera continua puede exigir algo más que seguir acumulando contexto.
Y entonces apareció un paper con un título demasiado oportuno
En junio de 2026, Eleanor Spens y Neil Burgess publicaron en Nature Communications:
Hippocampo-neocortical interaction as compressive retrieval-augmented generation.
Los propios autores describen parte de la interacción entre memoria episódica y conocimiento cortical como una forma de retrieval-augmented generation. En su modelo, las experiencias secuenciales se codifican de forma comprimida, pueden reproducirse y contribuir al aprendizaje gradual de una red generativa; episodios y conocimiento general colaboran después en reconstrucción y resolución de nuevos problemas.
Es difícil encontrar un puente más directo entre dos mundos que normalmente tratamos por separado.
Pero la parte que me interesa no es que el cerebro sea «una especie de RAG».
Eso sería una lectura demasiado literal.
La idea importante es otra:
la memoria episódica no sirve únicamente para responder una consulta. También puede participar, mediante replay y consolidación, en cambiar progresivamente el sistema que utilizará esas memorias en el futuro.
La experiencia alimenta el conocimiento.
El conocimiento cambia cómo interpretamos nuevas experiencias.
Es ahí donde aparece la retroalimentación que estaba buscando.
No:
datos → IA
Sino:
experiencia → memoria → aprendizaje → nueva interpretación → nueva experiencia
Un sistema que cambia porque ha vivido algo.
El contexto no es la memoria
Esto también cambia mi forma de mirar las ventanas de contexto de los modelos.
128.000 tokens.
200.000.
Un millón.
Es muy tentador hablar de ellos como si ampliar contexto fuera ampliar memoria.
No lo es necesariamente.
Una biblioteca entera abierta encima de una mesa sigue sin equivaler a haberla aprendido.
Me resulta más útil tratar la ventana de contexto como una analogía funcional de memoria de trabajo, no como una equivalencia neurocognitiva.
La memoria de trabajo humana es un sistema muchísimo más complejo. Pero la comparación sirve para una cosa: el contexto contiene temporalmente aquello sobre lo que el modelo puede operar durante una inferencia concreta.
La pregunta.
Unos episodios.
Algún conocimiento consolidado.
Una regla.
Una excepción.
El objetivo actual.
Y el resto queda fuera.
MemGPT precisamente parte del límite de la ventana de contexto y construye una gestión explícita de distintos niveles de memoria, moviendo información según las necesidades de la tarea.
Esto hace que recuperar deje de significar simplemente «trae los diez chunks más parecidos».
Recencia puede importar.
Similitud también.
Pero quizá importen confianza, procedencia, relación temporal, estado del proyecto, importancia, frecuencia de activación, contradicción o relevancia para el objetivo actual.
Una memoria semánticamente poco parecida podría contener exactamente la excepción que destruye nuestra hipótesis.
Y un sistema basado únicamente en proximidad quizá nunca la encuentre.
Para aprender también hay que saber dejar cosas atrás
He pasado buena parte de mi vida construyendo sistemas para no perder información.
Guardar.
Versionar.
Hacer copias.
Registrar logs.
No borrar.
Desde la perspectiva de un sistema de información, tiene sentido.
Desde la perspectiva de una memoria, quizá no siempre.
No afirmo que olvidar sea una condición universal de todo aprendizaje. La idea que me interesa es más limitada:
conservar toda experiencia para siempre con la misma capacidad de influir tampoco parece una buena definición de memoria.
Podemos conservar físicamente el registro original y permitir, al mismo tiempo, que pierda peso cognitivo.
Olvidar no tendría que significar eliminar.
Puede significar reducir activación, disminuir prioridad, comprimir detalles, mantener el patrón consolidado o archivar un episodio sin incluirlo normalmente en la memoria operativa.
La distinción es importante:
una cosa es aquello que ocurrió y otra aquello que sigue siendo relevante ahora.
En una arquitectura artificial tenemos además una ventaja: podemos separar olvido funcional de destrucción.
El sistema puede dejar de utilizar habitualmente un episodio y conservarlo igualmente como evidencia.
No estamos obligados a copiar literalmente la fragilidad de nuestra propia memoria.
El problema realmente peligroso empieza cuando la memoria puede reescribirse
Hasta aquí todo empieza a sonar demasiado bonito.
Experiencias.
Relaciones.
Consolidación.
Olvido.
Aprendizaje continuo.
Entonces aparece la grieta.
La memoria humana no es una copia perfecta del pasado. Modelos como el de Spens y Burgess muestran precisamente cómo conocimiento general y esquemas pueden participar en la reconstrucción y producir también distorsiones.
Eso puede ser tolerable —o incluso funcional— en un sistema biológico.
Dentro de una base de conocimiento empresarial puede convertirse en una fábrica de errores perfectamente organizados.
Imaginemos una conversación:
Quizá deberíamos cambiar de proveedor.
Un primer proceso de consolidación resume:
Se está considerando un cambio de proveedor.
Meses después otra capa agrupa varias memorias:
Existe insatisfacción con el proveedor actual.
Otro agente utiliza aquella afirmación como evidencia:
El equipo quiere sustituir al proveedor.
Y finalmente alguien pregunta qué se decidió.
El sistema responde:
Se decidió cambiar de proveedor.
Nunca ocurrió.
Ninguna transformación individual parecía especialmente absurda.
Pero las sucesivas compresiones han convertido una posibilidad en un hecho.
Ahí cambia completamente mi modelo.
Si la memoria puede aprender, también puede aprender mal.
Aquí dejo de intentar copiar al cerebro
A partir de este punto ya no quiero que la biología sea la guía principal.
Quiero imponer una condición que una máquina sí puede cumplir mejor que nosotros:
procedencia.
Una memoria artificial debería poder distinguir:
«esto lo observé»,
«esto estaba escrito en este documento»,
«esto me lo dijo esta persona»,
«esto lo inferí»,
«esto resume estas experiencias»,
«esto contradice aquello»,
«esto sustituyó una regla anterior»,
«esto todavía no está confirmado».
Y, sobre todo:
esto deriva de aquí.
Esto no es una conclusión de neurociencia.
Es una decisión de arquitectura.
No permitiría que una consolidación destruyera el camino hasta las evidencias originales.
La IA podría reorganizar lo que sabe, pero debería poder reconstruir cómo llegó hasta allí.
Aquí una máquina podría tener una ventaja extraordinaria sobre nosotros.
Yo no puedo inspeccionar el log completo de cómo se formó una convicción que mantengo desde hace veinte años.
Un sistema artificial podría.
Si decidimos conservarlo.
Eso permitiría algo interesante:
olvido con archivo,
abstracción con procedencia,
inferencias con nivel de confianza,
cambios de opinión con historial,
contradicciones que pueden coexistir,
y conocimiento consolidado enlazado siempre con las experiencias que lo originaron.
No necesitamos fabricar una memoria humana.
Podríamos intentar construir una memoria auditable.
He acabado con seis procesos
Como me ocurre a menudo cuando algo empieza a desordenarse, he terminado construyendo categorías.
No pretendo que sean una taxonomía reconocida en neurociencia ni una arquitectura estándar de IA. Son el modelo provisional que ahora mismo me permite ordenar el problema.
Y, para ser precisos, tampoco los llamaría seis procesos de memoria.
Son seis procesos de un sistema cognitivo persistente.
Capturar. Registrar experiencias sin convertir automáticamente cada entrada en conocimiento.
Relacionar. Detectar entidades, tiempos, semejanzas, dependencias y contradicciones sin reducir toda relación a similitud semántica.
Activar. Recuperar una parte pequeña de la estructura según la situación actual y llevarla al contexto operativo.
Razonar. Operar sobre aquello que está activo: comparar, inferir, planificar, contrastar o producir una acción.
Consolidar. Reprocesar múltiples experiencias para reforzar relaciones, encontrar regularidades y construir representaciones más generales.
Olvidar. Reducir la influencia de información que ha perdido relevancia sin destruir necesariamente la evidencia original.
El modelo funciona hasta aquí.
Después empieza a romperse.
No explica bien el conocimiento procedural.
No explica de dónde salen los objetivos.
No resuelve cuánto debería cambiar una creencia cuando aparece evidencia nueva.
No dice quién decide qué merece consolidarse.
Y contiene un problema todavía más serio: en cuanto permitimos que la salida del sistema modifique la memoria que alimentará su próxima inferencia, construimos un bucle de retroalimentación.
Un error puede corregirse.
También puede reforzarse.
Una IA que aprende también puede aprender mal
Un RAG convencional tiene una propiedad bastante tranquilizadora.
Los documentos permanecen ahí.
El modelo puede interpretarlos mal hoy, pero mañana los documentos originales siguen diciendo lo mismo.
En una arquitectura persistente, eso cambia.
La respuesta de hoy puede convertirse en memoria.
Esa memoria puede formar parte de una inferencia mañana.
La inferencia puede consolidarse.
Y, al cabo de meses, podríamos haber perdido la separación entre aquello que provenía del mundo y aquello que el propio sistema fue produciendo.
Esta diferencia me parece crucial.
La memoria no puede ser únicamente persistente.
Tiene que ser epistemológicamente persistente.
Debe conservar no solo contenido, sino la naturaleza de ese contenido.
Observación.
Fuente.
Inferencia.
Hipótesis.
Regla.
Resumen.
Contradicción.
Supersesión.
Si no mantenemos esa distinción, un sistema que aprende puede convertirse simplemente en un sistema que se convence cada vez más de sus propias respuestas.
Y eso no es inteligencia.
Es recursividad con autoestima.
No quiero una IA que lo recuerde todo
Creo que empecé este experimento con la intuición equivocada.
Quería construir una IA que no olvidara.
Ahora no estoy seguro de quererla.
Una máquina que recuerde absolutamente todo no tiene por qué ser más inteligente. Puede parecerse a alguien intentando mantener una conversación mientras escucha simultáneamente todas las conversaciones que ha tenido en su vida.
El problema no es cuánto podemos almacenar.
El almacenamiento ya lo hacemos extraordinariamente bien.
El problema es qué hacemos con aquello que almacenamos.
Cómo una experiencia se convierte —o no— en memoria.
Cómo varias experiencias producen conocimiento sin borrar las diferencias entre ellas.
Cómo una regla puede perder vigencia.
Cómo una contradicción puede permanecer abierta.
Cómo algo puede dejar de ser relevante sin dejar de existir.
Cómo un sistema distingue entre una observación y una inferencia.
Cómo puede cambiar de opinión sin reescribir la historia para fingir que siempre pensó lo mismo.
Cómo recupera una excepción cuando todos los patrones parecen confirmar la regla.
Y cómo puede utilizar una memoria, aprender de ella y devolver una transformación al sistema sin perder el rastro de lo que acaba de hacer.
Eso ya no se parece demasiado a un disco duro.
Tampoco a una base vectorial más sofisticada.
Empieza a parecerse a un sistema que se reorganiza mediante su propia actividad.
No sé hasta qué punto esa arquitectura se acercaría realmente a nuestra manera de recordar.
Probablemente la comparación con el cerebro se rompa mucho antes de lo que ahora imagino.
Y quizá sea mejor así.
Porque el objetivo no debería ser fabricar una copia informática de nuestra memoria.
Podemos inspirarnos en algunos de sus principios —separar experiencia y regularidad, consolidar, relacionar, priorizar— y negarnos a reproducir otras propiedades que no necesitamos.
La idea que sí me cuesta abandonar es esta:
recordar no consiste únicamente en conservar el pasado. Consiste en permitir que el pasado modifique la forma en que interpretaremos lo siguiente.
Si conseguimos construir algo parecido, la memoria dejará de ser el lugar donde una inteligencia busca información.
Pasará a formar parte del mecanismo mediante el que esa inteligencia cambia.
Y entonces la pregunta realmente importante ya no será cuántos tokens puede mantener en contexto, cuántos vectores caben en su base de datos ni cuánto tiempo conserva una conversación.
Será una pregunta bastante más incómoda:
¿por qué cree lo que cree?
Y tendremos que asegurarnos de que, a diferencia de nosotros, todavía pueda reconstruir la respuesta.
Referencias
McClelland, J. L., McNaughton, B. L. y O’Reilly, R. C. (1995). Why there are complementary learning systems in the hippocampus and neocortex: insights from the successes and failures of connectionist models of learning and memory. Psychological Review, 102(3), 419–457. DOI: 10.1037/0033-295X.102.3.419.
Kumaran, D., Hassabis, D. y McClelland, J. L. (2016). What Learning Systems do Intelligent Agents Need? Complementary Learning Systems Theory Updated. Trends in Cognitive Sciences, 20(7), 512–534.
Krenz, V., Alink, A., Sommer, T. et al. (2023). Time-dependent memory transformation in hippocampus and neocortex is semantic in nature. Nature Communications, 14, 6037.
Spens, E. y Burgess, N. (2024). A generative model of memory construction and consolidation. Nature Human Behaviour, 8, 526–543. DOI: 10.1038/s41562-023-01799-z.
Choucry, A., Nomoto, M. e Inokuchi, K. (2024). Engram mechanisms of memory linking and identity. Nature Reviews Neuroscience, 25, 375–392. DOI: 10.1038/s41583-024-00814-0.
Spens, E. y Burgess, N. (2026). Hippocampo-neocortical interaction as compressive retrieval-augmented generation. Nature Communications. DOI: 10.1038/s41467-026-74357-6.
Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P. y Bernstein, M. S. (2023). Generative Agents: Interactive Simulacra of Human Behavior. El trabajo propone agentes que almacenan experiencias, recuperan recuerdos, generan reflexiones y utilizan esas representaciones para planificar comportamiento.
Packer, C., Wooders, S., Lin, K., Fang, V., Patil, S. G., Stoica, I. y Gonzalez, J. E. (2023). MemGPT: Towards LLMs as Operating Systems. Propone una gestión explícita de distintos niveles de memoria y contexto.
Behrouz, A., Hashemi, F. y Mirrokni, V. (2026). Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories. Preprint. Presenta una propuesta experimental de consolidación, destilación y dreaming para aprendizaje continuo.
Deja una respuesta