Memora propone otra forma de dar memoria a los agentes de IA
El trabajo de Microsoft Research separa lo que un agente guarda de la forma en que lo recupera, para manejar historiales largos sin cargar todo el contexto.
El 29 de junio de 2026, Microsoft Research presentó en su blog una respuesta a un problema conocido: un agente de IA puede mantener una conversación convincente y, aun así, olvidar una decisión tomada hace semanas. El problema no es solo que el modelo tenga una ventana de contexto limitada: también es costoso y poco preciso reenviar todo el historial cada vez que debe resolver una tarea.
Memora, un trabajo de Microsoft Research presentado en ICML 2026, propone tratar la memoria de un agente como una estructura con dos capas. Una conserva información rica y concreta; la otra facilita encontrarla sin tener que examinarlo todo. La meta es mantener detalles relevantes cuando el historial crece, sin depender de un único resumen cada vez más impreciso.
Guardar no es recuperar
La propuesta separa lo que se almacena de cómo se recupera. Sus autores llaman abstracciones primarias a etiquetas estables que agrupan actualizaciones relacionadas. Junto a ellas usan cue anchors, o anclajes de pista: señales más finas que abren caminos adicionales hacia un recuerdo.
Puede imaginarse como un archivo. Una abstracción primaria sería la carpeta de un proyecto; los anclajes serían etiquetas que permiten encontrar una nota por un cliente, una fecha, una decisión descartada o una restricción técnica. Así, una pregunta no tiene que coincidir literalmente con el título de la carpeta para recuperar información relacionada.
El artículo plantea además una política de recuperación que aprovecha esas conexiones, en lugar de basarse solo en la similitud semántica directa. Los autores muestran que sistemas de RAG convencionales y memorias basadas en grafos de conocimiento pueden entenderse como casos particulares de este marco.
Qué dicen los resultados
El preprint informa de resultados de referencia en LoCoMo y LongMemEval, dos evaluaciones utilizadas para medir memoria y razonamiento de largo contexto. Microsoft Research afirma que Memora supera a Mem0, RAG y la inferencia con contexto completo en esas pruebas, y que en algunas configuraciones utiliza hasta un 98 % menos tokens de contexto.
Es un resultado interesante, pero debe leerse en su alcance. Un benchmark compara sistemas bajo tareas, datos y métricas definidos; no prueba por sí solo que un agente recordará correctamente en cualquier producto. La calidad de una memoria real depende también de qué se decide guardar, cómo se actualizan los hechos, cómo se resuelven contradicciones y qué permisos existen sobre información sensible.
Por qué importa
La memoria es una pieza práctica para asistentes que trabajan durante días o meses: seguimiento de proyectos, soporte técnico, investigación o automatización de procesos. Sin una estrategia, el sistema acaba reenviando demasiado contexto, perdiendo detalles o recuperando el fragmento equivocado.
Memora ofrece una forma de pensar el equilibrio. Abstraer ayuda a escalar, pero puede borrar matices; guardar cada detalle conserva precisión, pero dificulta la búsqueda. Combinar una organización estable con pistas específicas intenta evitar que el agente elija entre recordar demasiado poco o cargar demasiado.
El código está disponible públicamente en GitHub, lo que permite evaluar la propuesta. Antes de usar una memoria de este tipo en producción, aún conviene comprobar costes, latencia, privacidad, trazabilidad y el comportamiento ante información desactualizada o errónea. Una memoria más eficiente no es automáticamente una memoria más fiable, pero es una dirección útil para los agentes que deben trabajar con contexto persistente.
Fuentes
Fuentes de esta pieza
Esta pieza se apoya en 3 fuente(s) primaria(s), recogidas durante la investigación.
Este artículo se ha elaborado con inteligencia artificial bajo supervisión editorial humana.
