Investigadores apuntan a las lagunas de memoria en agentes de IA de largo horizonte

Un conjunto de artículos recientes en arXiv examina las limitaciones de los sistemas actuales de memoria para agentes basados en LLM, y sostiene que los almacenes de recuperación, los scratchpads y la gestión del contexto suelen funcionar más como herramientas de consulta que como verdadero aprendizaje. El trabajo incluye ChronoMem, una capa de control de versiones semántico para la memoria de agentes en el Agent Development Kit de código abierto de Google; ScrubJay-MEM, un diseño de memoria de recuperación que usa decaimiento temporal condicionado por tipo; y OneDayAgent, un banco de prueba evaluado en 104 tareas de largo horizonte. Los artículos también analizan la memoria de agentes como base para agentes de largo horizonte y autoevolutivos.