Memoria de agente

Memoria a corto plazo

La memoria a corto plazo (MCP) almacena el historial de conversaciones en orden cronológico. La plataforma registra cada intervención en tiempo real a medida que ocurre. Cuando el agente necesita contexto conversacional inmediato de las intervenciones recientes, lo consulta en la MCP.

De la conversación a la memoria

El motor Atlas Agent convierte los turnos conversacionales en memoria duradera a través de un ciclo de vida de tres etapas:

• Registro de turnos: A medida que el agente interactúa con los usuarios, la plataforma registra cada turno en la memoria a corto plazo.

• Generación de instantáneas: Cuando una sesión alcanza un número de mensajes configurado o un umbral de inactividad, un proceso en segundo plano recopila el historial de la conversación en una instantánea resumida.

• Extracción LLM: Un modelo de lenguaje extenso (LLM, por sus siglas en inglés) analiza la instantánea y extrae el conocimiento duradero en los tipos de memoria a largo plazo apropiados.

Dado que la extracción se realiza de forma asíncrona, la grabación de los turnos nunca bloquea la respuesta del agente. El conocimiento extraído de una sesión se almacena en la memoria a largo plazo para conversaciones posteriores, en lugar de estar disponible en el siguiente turno inmediato. Los turnos recientes permanecen disponibles de inmediato a través de la memoria a corto plazo, y el conocimiento extraído aparece poco después.

Memoria a largo plazo

La memoria a largo plazo perdura entre sesiones y retiene el conocimiento duradero extraído de las conversaciones. La plataforma crea memoria a largo plazo mediante la síntesis de la memoria a corto plazo o a través de la escritura directa.

Para los agentes implementados en la plataforma, esta registra automáticamente las conversaciones como memoria a corto plazo y extrae la memoria a largo plazo a partir de ella, aunque los agentes pueden escribir directamente en la memoria a largo plazo cuando sea necesario. Las aplicaciones externas suelen escribir en la memoria a corto plazo utilizando el kit de desarrollo de software (SDK) para la extracción de datos de la plataforma. También pueden escribir directamente en la memoria a largo plazo, a través del SDK o del protocolo de contexto del modelo de memoria (MCP).

Memoria semántica

La memoria semántica almacena información etiquetada sobre un usuario o una aplicación. Un dato es conocimiento que se mantiene relevante más allá de la conversación que lo generó. Por ejemplo, un dato puede registrar el aeropuerto de origen de un usuario o su preferencia por los asientos de ventanilla.

El motor de agentes Atlas crea memoria semántica mediante extracción en segundo plano y escrituras directas:

• Extracciónde antecedentes: Extrae información de instantáneas de conversaciones y consolida la información duplicada o actualizada a lo largo del tiempo.

• Direct escribe: Guarda un dato con save_semantic(label=..., text=...).

Para recuperar un dato, utilice get_semantic para buscarlo por etiqueta o search_semantic para encontrar datos por significado. La memoria semántica se incluye por defecto en build_context, por lo que los datos relevantes aparecen en el contexto que recupera su agente.

El siguiente ejemplo guarda un dato, lo recupera por su etiqueta y busca en el chat por su significado:

from agentic_platform_memory import (
    Memory,
    MemoryRequestContext,
)
memory = Memory(
    api_key="<your-access-token>",
    project_id="<your-project-id>",
)
chat = memory.bind(
    MemoryRequestContext(
        user_id="user_1",
        session_id="thread_123",
    )
)
chat.save_semantic(
    label="home-airport",
    text="The user's home airport is Boston.",
)
fact = chat.get_semantic("home-airport")
hits = chat.search_semantic("home airport")

Memoria episódica

La memoria episódica almacena conversaciones pasadas como episodios resumidos. Un episodio registra lo sucedido en una conversación, incluyendo las decisiones tomadas y sus consecuencias. La memoria episódica responde a la pregunta de qué debería saber un agente sobre las interacciones pasadas de un usuario.

El motor Atlas Agent crea memoria episódica mediante extracción en segundo plano y escrituras directas:

• Extracciónde fondo: Extrae los episodios y sus participantes de las instantáneas de las conversaciones.

• Direct escribe: Guarda un episodio con save_episode(title=..., content=...).

Los episodios persisten a lo largo de las conversaciones. Un agente puede recordar lo sucedido en una conversación durante otra posterior.

Para recuperar episodios, utilice search_episodes para buscarlos por significado o list_episodes para listar los episodios de un usuario. La memoria episódica es una de las fuentes predeterminadas en build_context, por lo que se incluyen los episodios relevantes.

El siguiente ejemplo guarda un episodio, lo busca y muestra una lista de los episodios del usuario:

from agentic_platform_memory import (
    Memory,
    MemoryRequestContext,
)
memory = Memory(
    api_key="<your-access-token>",
    project_id="<your-project-id>",
)
chat = memory.bind(
    MemoryRequestContext(
        user_id="user_1",
        session_id="thread_123",
    )
)
chat.save_episode(
    title="Vacation planning",
    content="Planned a summer trip to Lisbon.",
)
episodes = chat.search_episodes("trip to Lisbon")
recent = chat.list_episodes()

Memoria procedimental

La memoria procedimental almacena procedimientos reutilizables: los flujos de trabajo paso a paso que sigue un agente para completar una tarea específica. Un procedimiento describe cómo realizar una acción, como comparar opciones de vuelo o procesar una solicitud de reembolso.

El motor de agentes Atlas crea memoria procedimental mediante extracción en segundo plano y escrituras directas:

• Extracción de fondo: Extrae procedimientos reutilizables de instantáneas de conversaciones.

• Escrituras directas: Guarda un procedimiento con save_procedure(procedure=..., description=..., content=...).

Para recuperar procedimientos, utilice discover_procedures para buscar candidatos mediante consulta o get_procedure para cargar el procedimiento completo por nombre. La memoria procedimental requiere una activación explícita en build_context, no las opciones predeterminadas semánticas y episódicas.

El siguiente ejemplo guarda un procedimiento y lo recupera:

from agentic_platform_memory import (
    Memory,
    MemoryRequestContext,
)
memory = Memory(
    api_key="<your-access-token>",
    project_id="<your-project-id>",
)
chat = memory.bind(
    MemoryRequestContext(
        user_id="user_1",
        session_id="thread_123",
    )
)
chat.save_procedure(
    procedure="compare-flights",
    description="Compare flight options.",
    content="Rank flights by price, stops, and total travel time.",
)
candidates = chat.discover_procedures("compare flights")
full = chat.get_procedure("compare-flights")

Memoria taxonómica

La memoria taxonómica almacena términos de dominio y sus definiciones. Un término define el significado de una palabra dentro de un dominio, como por ejemplo, qué es un red-eye en la gestión de viajes. A diferencia de las memorias específicas de cada usuario, la memoria taxonómica es un conocimiento compartido del dominio, disponible para todos los usuarios y conversaciones de un proyecto.

El motor Atlas Agent crea memoria taxonómica mediante extracción en segundo plano y escrituras directas:

• Extracción de contexto: Extrae términos y sus dominios de instantáneas de conversaciones.

• Escritura directa: Guarda un término con save_taxonomic(domain=..., term=..., definition=...).

Para recuperar un término, utilice get_taxonomic_term para buscarlo por dominio y término, o search_taxonomic para buscar términos por significado. Utilice list_domains para listar los dominios de su proyecto. La memoria taxonómica requiere una activación explícita en build_context.

El siguiente ejemplo guarda un término, lo lee y lo busca:

from agentic_platform_memory import (
    Memory,
    MemoryRequestContext,
)
memory = Memory(
    api_key="<your-access-token>",
    project_id="<your-project-id>",
)
chat = memory.bind(
    MemoryRequestContext(
        user_id="user_1",
        session_id="thread_123",
    )
)
chat.save_taxonomic(
    domain="airline",
    term="red-eye",
    definition="An overnight flight that lands the next morning.",
)
definition = chat.get_taxonomic_term("airline", "red-eye")
matches = chat.search_taxonomic("overnight flight", domain="airline")
domains = chat.list_domains()

Distinguir entre tipos

Si la información parece abarcar varias categorías, evalúe en qué punto de estos límites operativos se ubica:

• Hecho versus Evento (Memoria Semántica versus Episódica): La memoria semántica almacena un estado o verdad actual, como el asiento preferido de un viajero o su aeropuerto de origen. La memoria episódica almacena la narrativa histórica de la interacción en la que se discutió o utilizó esa preferencia, como una conversación pasada sobre la reserva de un vuelo.

• Conocimiento versus ejecución (semántica versus procedimental): La memoria semántica proporciona información que el agente recuerda, como los límites de equipaje permitidos. La memoria procedimental proporciona instrucciones que el agente ejecuta, como la secuencia de pasos necesarios para buscar y comparar vuelos.

• Contexto del usuario frente a estándares del dominio (semántico frente a taxonómico): La memoria semántica registra detalles específicos del usuario, como el nivel de viajero frecuente. La memoria taxonómica define la terminología estándar compartida en todo el proyecto, como los criterios que definen un nivel élite o un vuelo nocturno.

Combinación de tipos de memoria

Los tipos de memoria son complementarios, no mutuamente excluyentes. Un mismo agente suele consultar varios tipos de memoria dentro del mismo flujo de trabajo. Por ejemplo, un agente de reservas de viajes podría consultar:

• Memoria semántica para recordar el aeropuerto de origen del viajero, su preferencia de asiento y su número de viajero frecuente.

• Memoria episódica para repasar conversaciones, itinerarios reservados y vuelos cancelados de viajes anteriores.

• Memoria procedimental para ejecutar el flujo de trabajo paso a paso para comparar opciones de vuelo o volver a reservar una conexión cancelada.

• Memoria taxonómica para interpretar la terminología de la industria aérea, como open-jaw routing, layover o red-eye.

Si sus datos no se ajustan a ninguno de los cuatro tipos predefinidos, puede declarar tipos de memoria personalizados. Para obtener más información, consulte la sección «Declarar tipos de memoria personalizados» en la guía «Agregar memoria a su agente».