ai-agents-for-beginners
Memoria para Agentes de IA
Al hablar de los beneficios únicos de crear Agentes de IA, se discuten principalmente dos cosas: la capacidad de llamar a herramientas para completar tareas y la capacidad de mejorar con el tiempo. La memoria está en la base de la creación de agentes auto-mejorables que pueden crear mejores experiencias para nuestros usuarios.
En esta lección, veremos qué es la memoria para los Agentes de IA y cómo podemos gestionarla y usarla en beneficio de nuestras aplicaciones.
Introducción
Esta lección cubrirá:
• Comprender la Memoria de Agentes de IA: Qué es la memoria y por qué es esencial para los agentes.
• Implementación y almacenamiento de la Memoria: Métodos prácticos para agregar capacidades de memoria a sus agentes de IA, centrándose en la memoria a corto y largo plazo.
• Hacer que los Agentes de IA se Auto-mejoren: Cómo la memoria permite a los agentes aprender de interacciones pasadas y mejorar con el tiempo.
Implementaciones Disponibles
Esta lección incluye dos tutoriales completos en notebooks:
• 13-agent-memory.ipynb: Implementa memoria usando Mem0 y Azure AI Search con Microsoft Agent Framework
• 13-agent-memory-cognee.ipynb: Implementa memoria estructurada usando Cognee, construyendo automáticamente un grafo de conocimiento respaldado por embeddings, visualizando el grafo y recuperación inteligente
Objetivos de Aprendizaje
Después de completar esta lección, sabrás cómo:
• Diferenciar entre varios tipos de memoria de agentes de IA, incluyendo memoria operativa, a corto plazo y a largo plazo, así como formas especializadas como la memoria de persona y episódica.
• Implementar y gestionar memoria a corto y largo plazo para agentes de IA usando Microsoft Agent Framework, aprovechando herramientas como Mem0, Cognee, memoria Whiteboard e integrando con Azure AI Search.
• Comprender los principios detrás de los agentes de IA auto-mejorables y cómo los sistemas robustos de gestión de memoria contribuyen al aprendizaje continuo y a la adaptación.
Comprendiendo la Memoria de Agentes de IA
En esencia, la memoria para agentes de IA se refiere a los mecanismos que les permiten retener y recordar información. Esta información puede ser detalles específicos sobre una conversación, preferencias del usuario, acciones pasadas o incluso patrones aprendidos.
Sin memoria, las aplicaciones de IA suelen ser sin estado, lo que significa que cada interacción comienza desde cero. Esto conduce a una experiencia de usuario repetitiva y frustrante donde el agente “olvida” el contexto o las preferencias previas.
¿Por qué es importante la Memoria?
La inteligencia de un agente está profundamente ligada a su capacidad para recordar y utilizar información pasada. La memoria permite que los agentes sean:
• Reflexivos: Aprendiendo de acciones y resultados pasados.
• Interactivos: Manteniendo el contexto durante una conversación en curso.
• Proactivos y Reactivos: Anticipando necesidades o respondiendo adecuadamente basándose en datos históricos.
• Autónomos: Operando con mayor independencia al extraer conocimiento almacenado.
El objetivo de implementar la memoria es hacer que los agentes sean más fiables y capaces.
Tipos de Memoria
Memoria Operativa
Piense en esto como un papel de borrador que un agente usa durante una única tarea o proceso de pensamiento en curso. Contiene información inmediata necesaria para calcular el siguiente paso.
Para los agentes de IA, la memoria operativa a menudo captura la información más relevante de una conversación, incluso si el historial completo del chat es largo o está truncado. Se enfoca en extraer elementos clave como requisitos, propuestas, decisiones y acciones.
Ejemplo de Memoria Operativa
En un agente de reservas de viajes, la memoria operativa podría capturar la solicitud actual del usuario, como “Quiero reservar un viaje a París”. Este requisito específico se mantiene en el contexto inmediato del agente para guiar la interacción actual.
Memoria a Corto Plazo
Este tipo de memoria retiene información durante la duración de una única conversación o sesión. Es el contexto del chat actual, permitiendo que el agente se refiera a turnos previos en el diálogo.
En las muestras del SDK Python de Microsoft Agent Framework, esto se corresponde con AgentSession, creado con agent.create_session(). La sesión es la memoria a corto plazo incorporada del framework: mantiene disponible el contexto de la conversación mientras se reutilice esa misma sesión, pero ese contexto no se persiste cuando la sesión termina o la aplicación se reinicia. Use memoria a largo plazo para hechos y preferencias que necesitan sobrevivir a través de sesiones, típicamente a través de una base de datos, índice vectorial u otro almacén persistente.
Ejemplo de Memoria a Corto Plazo
Si un usuario pregunta, “¿Cuánto costaría un vuelo a París?” y luego añade “¿Y qué hay del alojamiento allí?”, la memoria a corto plazo asegura que el agente sabe que “allí” se refiere a “París” dentro de la misma conversación.
Memoria a Largo Plazo
Esta es información que persiste a lo largo de múltiples conversaciones o sesiones. Permite a los agentes recordar preferencias de usuario, interacciones históricas o conocimientos generales por períodos extendidos. Esto es importante para la personalización.
Ejemplo de Memoria a Largo Plazo
Una memoria a largo plazo podría almacenar que “Ben disfruta del esquí y actividades al aire libre, le gusta el café con vista a la montaña, y quiere evitar pistas de esquí avanzadas debido a una lesión pasada”. Esta información, aprendida en interacciones previas, influye en recomendaciones durante futuras sesiones de planificación de viajes, haciéndolas altamente personalizadas.
Memoria de Persona
Este tipo especializado de memoria ayuda a un agente a desarrollar una “personalidad” o “persona” consistente. Permite que el agente recuerde detalles sobre sí mismo o su rol previsto, haciendo las interacciones más fluidas y enfocadas.
Ejemplo de Memoria de Persona
Si el agente de viajes está diseñado para ser un “planificador experto de esquí”, la memoria de persona podría reforzar este rol, influyendo en sus respuestas para alinearlas con el tono y conocimiento de un experto.
Memoria de Flujo de Trabajo/Episódica
Esta memoria almacena la secuencia de pasos que un agente toma durante una tarea compleja, incluyendo éxitos y fallos. Es como recordar “episodios” específicos o experiencias pasadas para aprender de ellas.
Ejemplo de Memoria Episódica
Si el agente intentó reservar un vuelo específico pero falló por falta de disponibilidad, la memoria episódica podría registrar este fallo, permitiendo al agente intentar vuelos alternativos o informar al usuario sobre el problema de forma más informada en un intento posterior.
Memoria de Entidad
Esto implica extraer y recordar entidades específicas (como personas, lugares o cosas) y eventos de las conversaciones. Permite al agente construir una comprensión estructurada de los elementos clave discutidos.
Ejemplo de Memoria de Entidad
De una conversación sobre un viaje pasado, el agente podría extraer “París”, “Torre Eiffel” y “cena en el restaurante Le Chat Noir” como entidades. En una interacción futura, el agente podría recordar “Le Chat Noir” y ofrecer hacer una nueva reserva allí.
RAG Estructurado (Generación Aumentada por Recuperación)
Aunque RAG es una técnica más amplia, el “RAG Estructurado” se destaca como una tecnología potente de memoria. Extrae información densa y estructurada de varias fuentes (conversaciones, correos electrónicos, imágenes) y la usa para mejorar precisión, recall y velocidad en las respuestas. A diferencia del RAG clásico que se basa solo en similitud semántica, RAG Estructurado trabaja con la estructura inherente de la información.
Ejemplo de RAG Estructurado
En lugar de solo coincidir palabras clave, RAG Estructurado podría analizar detalles de vuelo (destino, fecha, hora, aerolínea) de un correo y almacenarlos de forma estructurada. Esto permite consultas precisas como “¿Qué vuelo reservé a París el martes?”.
Implementación y Almacenamiento de la Memoria
Implementar memoria para agentes de IA implica un proceso sistemático de gestión de memoria, que incluye generar, almacenar, recuperar, integrar, actualizar e incluso “olvidar” (o borrar) información. La recuperación es un aspecto particularmente crucial.
Herramientas Especializadas de Memoria
Mem0
Una forma de almacenar y gestionar la memoria del agente es usando herramientas especializadas como Mem0. Mem0 funciona como una capa de memoria persistente, permitiendo a los agentes recordar interacciones relevantes, almacenar preferencias de usuario y contexto factual, y aprender de éxitos y fracasos con el tiempo. La idea aquí es que los agentes sin estado se conviertan en agentes con estado.
Funciona mediante un pipeline de memoria en dos fases: extracción y actualización. Primero, los mensajes añadidos al hilo de un agente se envían al servicio Mem0, que usa un Modelo de Lenguaje Grande (LLM) para resumir el historial de la conversación y extraer nuevas memorias. Posteriormente, una fase de actualización impulsada por LLM determina si agregar, modificar o eliminar estas memorias, almacenándolas en un almacén de datos híbrido que puede incluir bases de datos vectoriales, de grafos y de clave-valor. Este sistema también soporta varios tipos de memoria y puede incorporar memoria en grafo para gestionar relaciones entre entidades.
Cognee
Otro enfoque potente es usar Cognee, una memoria semántica de código abierto para agentes de IA que transforma datos estructurados y no estructurados en grafos de conocimiento consultables respaldados por embeddings. Cognee ofrece una arquitectura de doble almacén que combina búsqueda por similitud vectorial con relaciones de grafo, permitiendo a los agentes entender no solo qué información es similar, sino cómo los conceptos se relacionan entre sí.
Destaca en la recuperación híbrida que mezcla similitud vectorial, estructura de grafo y razonamiento LLM - desde consulta de fragmentos sin procesar hasta respuestas basadas en grafo. El sistema mantiene una memoria viva que evoluciona y crece mientras permanece consultable como un grafo conectado, soportando tanto el contexto de sesión a corto plazo como la memoria persistente a largo plazo.
El tutorial en notebook de Cognee (13-agent-memory-cognee.ipynb) demuestra cómo construir esta capa unificada de memoria, con ejemplos prácticos de ingestión de fuentes de datos diversas, visualización del grafo de conocimiento y consulta con diferentes estrategias de búsqueda adaptadas a necesidades específicas del agente.
Almacenando Memoria con RAG
Más allá de herramientas especializadas como Mem0, puedes aprovechar servicios robustos de búsqueda como Azure AI Search como backend para almacenar y recuperar memorias, especialmente para RAG estructurado.
Esto permite fundamentar las respuestas de tu agente con tus propios datos, asegurando respuestas más relevantes y precisas. Azure AI Search puede usarse para almacenar memorias de viaje específicas del usuario, catálogos de productos o cualquier otro conocimiento específico de dominio.
Azure AI Search soporta capacidades como RAG Estructurado, que sobresale en extraer y recuperar información densa y estructurada de grandes conjuntos de datos como historiales de conversación, correos electrónicos o incluso imágenes. Esto proporciona “precisión y recall sobrehumanos” en comparación con enfoques tradicionales de fragmentación de texto y embeddings.
Haciendo que los Agentes de IA se Auto-mejoren
Un patrón común para agentes auto-mejorables implica introducir un “agente de conocimiento”. Este agente separado observa la conversación principal entre el usuario y el agente principal. Su rol es:
-
Identificar información valiosa: Determinar si alguna parte de la conversación merece guardarse como conocimiento general o preferencia específica del usuario.
-
Extraer y resumir: Destilar el aprendizaje o preferencia esencial de la conversación.
-
Almacenar en una base de conocimiento: Persistir esta información extraída, a menudo en una base de datos vectorial, para que pueda recuperarse luego.
-
Aumentar consultas futuras: Cuando el usuario inicia una nueva consulta, el agente de conocimiento recupera información relevante almacenada y la añade al prompt del usuario, proporcionando contexto crucial al agente principal (similar a RAG).
Optimización para la Memoria
• Gestión de Latencia: Para evitar ralentizar las interacciones del usuario, se puede usar inicialmente un modelo más barato y rápido para comprobar rápidamente si la información es valiosa para almacenar o recuperar, invocando el proceso más complejo de extracción/recuperación solo cuando sea necesario.
• Mantenimiento de la Base de Conocimiento: Para una base de conocimiento en crecimiento, la información menos usada con frecuencia puede trasladarse a “almacenamiento en frío” para gestionar los costos.
¿Tienes más preguntas sobre Memoria de Agentes?
Únete al Microsoft Foundry Discord para encontrarte con otros aprendices, asistir a horas de oficina y resolver tus preguntas sobre Agentes de IA.
Descargo de responsabilidad: Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.