Resumen: Los agentes de modelo de lenguaje grande (LLM) se implementan cada vez más en flujos de trabajo de larga ejecución, donde deben preservar el estado del usuario y de la tarea en muchos turnos. Muchos sistemas de memoria de agentes existentes se comportan como bases de datos externas con reglas de lectura/escritura ad hoc, lo que puede generar una retención inestable, una consolidación limitada y vulnerabilidad al contenido distractor. Presentamos CraniMem, un diseño de memoria de múltiples etapas limitado, controlado y motivado neurocognitivamente para sistemas agentes. CraniMem combina la activación condicionada por objetivos y el etiquetado de utilidad con un búfer episódico limitado para la continuidad a corto plazo y un gráfico de conocimiento estructurado a largo plazo para un recuerdo semántico duradero. Un ciclo de consolidación programado reproduce rastros de alta utilidad en el gráfico mientras elimina elementos de baja utilidad, manteniendo bajo control el crecimiento de la memoria y reduciendo la interferencia. En puntos de referencia a largo plazo evaluados tanto con entradas limpias como con ruido inyectado, CraniMem es más robusto que una línea base Vanilla RAG y Mem0 y exhibe menores caídas de rendimiento bajo distracción. Nuestro código está disponible en esta URL https y el paquete PyPI adjunto en esta URL https.
Publicado originalmente en export.arxiv.org el 17 de marzo de 2026.
Ver fuente original
