Memoria de largo plazo eficiente para agentes LLM mediante consolidacion de segmentos semanticos | Como lograr que un agente recuerde experiencias de sesiones antiguas sin desbordar la ventana de contexto | Gestion de memoria para asistentes persistentes y agentes multi-session con recuperacion semantica

Abstract

PROBLEMA: los sistemas basados en agentes necesitan recordar eventos de sesiones lejanas para mantener coherencia y preferencias, pero conservar todo el historial crudo provoca saturacion de la ventana de contexto, aumento de costos y recuperacion degradada, mientras que las compresiones ad-hoc pierden conocimiento critico de largo plazo. SOLUCION: LycheeMemory V2 propone una memoria de largo plazo eficiente para agentes LLM basada en consolidacion a nivel de segmentos semanticos: las experiencias se segmentan automaticamente en unidades logicas, se consolidan mediante resumenes que preservan hechos y decisiones clave, y se indexan semanticamente para su conversion futura; solo se guarda lo esencial, no texto bruto. METODOLOGIA: implementa una arquitectura de dos capas (memoria de sesion y memoria de largo plazo) con segmentado semantico de transcripciones, consolidacion jerarquica y recurrente, e indexacion por similitud para recuperar recuerdos relevantes; las pruebas incluyen tareas multi-session que exigen invocar eventos antiguos y preservar informacion importante en horizontes largos, comparando contra lineas de memoria que guardan todo o compresion cruda. RESULTADOS: segun reportan los autores, se obtienen mejores tasa de recuperacion de eventos remotos y mayor fidelidad de recuerdos a largo plazo con un uso de contexto y computo sensiblemente menor; la intensa adopcion en la comunidad (mas de mil estrellas en el resumen diario) la convierte en un sistema de referencia en memoria para agentes. RELEVANCIA: aporta el componente de persistencia que necesitan los agentes comerciales y de investigacion (asistentes personales, agentes de desarrollo o sistemas multi-query), mostrando ademas que consolidar la memoria por segmentos de significados es la via practica para el razonamiento de largo plazo en agentes de IA.