Memanto: Memoria semántica tipada para agentes de largo recorrido | Optimización de la memoria en agentes IA mediante teoría de la información | Sistema de retención de contexto duradero para asistentes inteligentes autónomos

Abstract

PROBLEMA: Los agentes autónomos actuales suelen sufrir de 'olvido' o pérdida de contexto cuando operan en tareas que duran días o semanas, debido a las limitaciones de las ventanas de contexto y la ineficiencia de la recuperación RAG simple. SOLUCIÓN: Se propone 'Memanto', una arquitectura de memoria semántica tipada que utiliza principios de la teoría de la información para optimizar qué recuerdos son relevantes y cuáles deben ser comprimidos o descartados. METODOLOGÍA: El sistema organiza la memoria en estructuras tipadas y emplea una función de recuperación basada en la ganancia de información mutua, evaluada en tareas de planificación de agentes que requieren memoria de hitos pasados. RESULTADOS: Memanto reduce las alucinaciones de contexto en un 40% y mejora la tasa de éxito en tareas de largo plazo comparado con sistemas de memoria plana basados en vectores. RELEVANCIA: Esta tecnología es crucial para asistentes personales persistentes y agentes que deben gestionar flujos de trabajo extensos sin perder coherencia.