Resumen: El aumento de las plataformas de código bajo/sin código de bajo código nativo de AI (LCNC) permite a agentes autónomos capaces de ejecutar procesos comerciales complejos de larga duración. Sin embargo, sigue siendo un desafío fundamental: la gestión de la memoria. A medida que los agentes operan durante períodos prolongados, enfrentan problemas de “inflación de la memoria” y “degradación contextual”, lo que lleva a un comportamiento inconsistente, la acumulación de errores y un mayor costo computacional. Este documento propone un nuevo sistema de memoria híbrida diseñado específicamente para agentes LCNC. Inspirada en la ciencia cognitiva, nuestra arquitectura combina componentes de memoria episódicos y semánticos con un mecanismo proactivo de “decadencia inteligente”. Este mecanismo poda o consolida de manera inteligente las memorias basadas en un factorización de puntaje compuesto en la actualidad, la relevancia y la utilidad especificada por el usuario. Una innovación clave es una interfaz de visualización centrada en el usuario, alineada con el paradigma LCNC, que permite a los usuarios no técnicos administrar la memoria del agente directamente, por ejemplo, etiquetando visualmente qué hechos deben retener o olvidar. A través de experimentos simulados de tareas de larga duración, demostramos que nuestro sistema supera significativamente los enfoques tradicionales como las ventanas deslizantes y el trapo básico, produciendo tasas de finalización de tareas superiores, consistencia contextual y rentabilidad de tokens a largo plazo. Nuestros hallazgos establecen un nuevo marco para construir agentes de IA confiables y transparentes capaces de un aprendizaje y adaptación efectivos a largo plazo.
Publicado Originalme en export.arxiv.org El 30 de septiembre de 2025.
Ver Fuente Original
