AutoMem: Aprendizaje automatizado de la memoria como habilidad cognitiva | Gestión dinámica de información en agentes autónomos | Cómo los agentes de IA aprenden a gestionar su propia memoria a largo plazo

Abstract

PROBLEMA: La gestión de la memoria en agentes actuales suele ser manual o basada en reglas fijas (como RAG simple), lo que impide que el agente adapte su capacidad de recuerdo a la dificultad de la tarea. SOLUCIÓN: Presentan 'AutoMem', un sistema que trata el 'acto de recordar' como una habilidad cognitiva que el agente debe aprender a optimizar de forma autónoma. METODOLOGÍA: Emplean un marco de aprendizaje por refuerzo donde el agente es recompensado por recuperar información que minimiza el error en subtareas futuras, aprendiendo dinámicamente qué experiencias archivar. RESULTADOS: Los agentes con AutoMem superaron a sistemas con memoria estática en entornos de largo horizonte, demostrando un uso más eficiente de los límites de tokens y mayor tasa de éxito en tareas multi-paso. RELEVANCIA: Es un paso hacia la creación de agentes con una 'conciencia' de sus propios recursos de memoria, esencial para IA que opera durante largos periodos.