Evolución de Grafos de Memoria para Agentes mediante RL | Optimización de memoria agentica a largo plazo | Sistema HAGE para organización dinámica de conocimiento en agentes autónomos

Abstract

PROBLEMA: Los agentes autónomos suelen tener dificultades para organizar y recuperar información relevante de sus interacciones pasadas, lo que degrada su rendimiento a largo plazo. SOLUCIÓN: Proponen HAGE (Harnessing Agentic Memory), un sistema que organiza la memoria como un grafo ponderado que evoluciona mediante Aprendizaje por Refuerzo (RL). METODOLOGÍA: Se implementó un ciclo de retroalimentación donde el agente recibe recompensas basadas en la utilidad de la información recuperada, ajustando los pesos y las conexiones del grafo de memoria. RESULTADOS: HAGE mejora la tasa de éxito en tareas de larga duración en un 18% al permitir al agente 'olvidar' información ruidosa y priorizar conexiones semánticas críticas. RELEVANCIA: Esencial para el desarrollo de asistentes de IA persistentes que deben aprender de la experiencia continua sin saturar su contexto.