Inicio / Artículos

Seis herramientas de memoria para agentes clasificadas mediante una prueba: ¿Pueden manejar un hecho modificado?

Seis herramientas de memoria para agentes se enfrentan a una prueba: ¿pueden manejar un hecho modificado? Zep, Cognee, Mem0, Letta, LangChain Memory y los almacenes de vectores simples, y cuál es el lugar de cada una de ellas.

Editor: REACTAPP.TOP7 min de lectura1609 palabras

Fuentes: I Compared 6 AI Agent Memory Tools. Three Fail One Test.

Imagínese un agente al que, hace medio año, le dijeron que Python era toda la identidad del usuario. La semana pasada, el usuario mencionó un cambio a Rust. Ahora alguien pregunta en qué lenguaje debería construirse el nuevo servicio. Un almacén de vectores simple devuelve ambos datos con la misma confianza, ya que la similitud de embeddings no tiene en cuenta cuál afirmación es la actual.

Ese único fallo constituye la medida más clara para las herramientas de memoria de agentes. Seis de ellas lo superaron, mientras que tres no lo lograron.

Una prueba de tres líneas que la mayoría de las memorias no pueden superar

La evaluación es breve: almacenar el dato A, almacenar el dato B, que sustituye a A, y luego consultar el tema para ver qué dato aparece.

Un almacenamiento simple devuelve ambos datos. Una memoria real responde que es Rust y entiende que Python ya forma parte del pasado. La diferencia entre estos dos comportamientos es lo que hace que los equipos gasten una cuarta parte de su tiempo.

El dolor es tangible. Un agente de soporte insistió en venderle al cliente un plan anual, a pesar de que este había pasado a un plan mensual tres semanas antes. La opción de downgrade estaba guardada en el almacén de vectores, al igual que la oferta original de upgrade. El antiguo método, aunque menos eficaz, obtuvo un ligero puntaje más alto en similitud coseno; el agente lo utilizó, y al final hubo que disculparse. Nadie había introducido ningún error. El sistema de recuperación estaba funcionando tal como estaba diseñado, y ese era precisamente el problema.

Esto está lejos de ser una preocupación marginal. Actualmente, tres pruebas de referencia definen este campo: LoCoMo con 1,540 preguntas, LongMemEval con 500, y el más reciente BEAM, que funciona con uno y diez millones de tokens. Cada una de ellas cuenta con un seguimiento específico para actualizaciones temporales o de conocimiento. Existen exámenes estandarizados precisamente porque son los casos de contradicción los que hacen que los sistemas fallen silenciosamente.

El informe State of AI Agent Memory 2026 de Mem0 denomina al problema “obsolescencia”: un dato almacenado sobre el empleador de una persona permanece vigente hasta que cambia de trabajo, momento en el que resulta claramente falso. El informe también describe una forma más grave de este problema. La mayoría de los sistemas sobrescriben los cambios sin registrarlos como evolución, por lo que el conocimiento de que algo alguna vez fue cierto desaparece. LongMemEval evalúa directamente las actualizaciones de conocimiento y el razonamiento temporal, mientras que BEAM incluye una categoría llamada resolución de contradicciones.

Una advertencia antes de realizar la clasificación: LoCoMo y LongMemEval no se ejecutaron en hardware local. Las conclusiones se basan en las evaluaciones publicadas por cada herramienta, su documentación y la prueba manual repetible mencionada anteriormente. Las cifras de referencia de los proveedores son autoinformadas, por lo que aquí se presentan como afirmaciones y no como hechos establecidos.

Lo que sigue muestra el orden, de mejor a peor, en la prueba de contradicciones.

1. Zep: un hecho modificado se convierte en un evento, no en una sobrescritura

En esencia, Zep utiliza Graphiti, un grafo de conocimiento consciente del tiempo y no un conjunto de embeddings. La propiedad importante es que es bitemporal: cada arista registra tanto cuándo ocurrió algo como cuándo lo descubrió el sistema, y cada relación cuenta con un período de validez explícito.

Una vez que se introduce “cambiado a Rust”, Graphiti no simplemente agrega una copia casi idéntica junto a “prefiere Python”. Detecta la contradicción y retira el registro anterior en lugar de eliminarlo: la información sobre Python recibe una fecha de finalización y permanece registrada. Una consulta devuelve la respuesta actual, y aún se puede examinar el historial anterior. El diseño cuenta con tres capas de subgráfico: una para los episodios en bruto, otra para las entidades semánticas y otra para los grupos comunitarios, lo que refleja de forma aproximada cómo las personas separan lo que ocurrió de lo que saben. En el artículo de Zep, supera a MemGPT en la prueba DMR (94,8% frente al 93,4%). En la más exigente LongMemEval, afirma lograr mejoras en la precisión de dos dígitos y una latencia de respuesta aproximadamente un 90% menor que la de un modelo con contexto completo.

Úsalo cuando la reciente aparición de un hecho cambia la acción adecuada: CRM, salud, soporte técnico o cualquier cosa personalizada a lo largo de los meses. La desventaja es evidente: gestionar una base de datos gráfica implica una carga operativa considerable para un proyecto de fin de semana.

2. Cognee: memoria gráfica sin servicio gestionado

Cognee es la versión de código abierto de la misma idea. Construye un grafo de conocimiento a partir de datos no estructurados y luego realiza búsquedas mediante el análisis de relaciones así como mediante la similitud vectorial. Dado que modela las entidades y cómo se conectan entre sí, cuenta con los mecanismos necesarios para determinar que un nuevo hecho sobre una entidad reemplaza a uno anterior.

Si se hace correctamente, funciona. El segundo lugar refleja cuánta de la infraestructura temporal deja Cognee al usuario. Proporciona el grafo y las tuberías de ingesta, mientras que las reglas para determinar cuándo un hecho nuevo reemplaza a uno antiguo deben ser definidas por el equipo. Quienes deseen memoria de grafo además de un control total, sin servicio gestionado, sin costos por usuario y con los datos almacenados en su propio sistema, verán en eso todo el atractivo. Quienes esperen terminarlo para el viernes lo encontrarán más bien como un trabajo adicional.

3. Mem0: un éxito gracias al enorme volumen de recuperación, admitido abiertamente

Mem0 es la capa de memoria dedicada de uso generalizado. En su mayoría se limita a transmitir información, pero la forma en que lo hace es instructiva. No se utiliza ningún grafo; en su lugar, tres señales de recuperación funcionan simultáneamente (similitud semántica, coincidencia de palabras clave BM25 y coincidencia de entidades), y los resultados combinados se clasifican. La coincidencia de entidades suele ser el paso que permite que el hecho reciente supere al obsoleto.

Se deben créditos en varios aspectos. El propio informe del proveedor admite que los problemas relacionados con la antigüedad de los datos y la identidad entre sesiones siguen sin resolverse. Obtiene una puntuación de 92.5 en LoCoMo utilizando unos 6,956 tokens por consulta, en comparación con aproximadamente 26,000 cuando toda la historia se incluye en el contexto, lo cual se refleja claramente en los costos de inferencia. Su enfoque también es sólido: cada escritura cuenta con una etiqueta que incluye el ID del usuario, agente, sesión u organización, de modo que un único almacenamiento puede seguir a un mismo usuario a través de distintas sesiones y, al mismo tiempo, mantener separados a los diferentes usuarios. Es la opción predeterminada sensata, disponible como servicio en la nube gestionado, autohospedaje de código abierto o un servidor MCP local. Sin embargo, superar la prueba no es lo mismo que resolver el problema, algo que sus creadores señalan claramente.

4. Letta: resuelve un problema diferente y asume la responsabilidad por este

Letta deriva de MemGPT y toma prestada una idea de sistema operativo. La ventana de contexto funciona como RAM: los hechos que se necesitan con frecuencia permanecen en el contexto principal, el resto se traslada al almacenamiento externo, y el agente modifica su propia memoria al llamar a funciones. Es adecuado para situaciones en las que una conversación supera el tamaño de cualquier ventana de contexto.

Resolver contradicciones no es su propósito original. Se recurre a Rust o Python según si el agente ha reescrito el bloque de memoria relevante; por lo tanto, reemplazar hechos antiguos es un comportamiento que debe solicitarse y no una garantía del sistema. La gestión de contexto es donde brilla, mientras que la veracidad temporal recibe solo un tratamiento promedio por diseño.

5. LangChain Memory: una caja de herramientas, no una respuesta

LangChain ofrece clases de memoria para búferes, resúmenes, entidades y grafos de conocimiento, todas funcionando con cualquier almacén que se conecte. Piénselo como un cesto de piezas. Los tipos de búfer de stock y resúmenes fallan inmediatamente en la prueba, ya que acumulan o comprimen el historial y ninguno resuelve los conflictos.

Se puede armar un sistema que pase la prueba con las piezas de entidades y grafos, pero entonces la lógica temporal es tarea del desarrollador, y el framework simplemente ha proporcionado los componentes necesarios. LlamaIndex Memory pertenece a la misma categoría, orientada más a recordar documentos que a reconciliar hechos que evolucionan. Ambos son útiles como elementos de unión, pero ninguno es un sistema de memoria en el que se pueda confiar desde el primer día de pruebas.

6. Un almacén de vectores básico: por favor, no lo llamen memoria

Aquí está la opción que se debe evitar, aunque es la elección habitual en la producción: un índice bruto de Pinecone, pgvector o Chroma lleno de turnos de conversación. Eso es una capa de almacenamiento, no memoria. Falten la recencia, la sustitución y el origen de los datos. El embedding de búsqueda devuelve los k vecinos más cercanos, y tanto “prefiere Python” como “pasó a Rust” aparecen cerca de “¿qué lenguaje?”

El informe de Mem0 comienza cuestionando este reflejo, según el cual el historial de conversaciones se acumula en la ventana de contexto con la esperanza de que el modelo lo mantenga en cuenta. Un equipo que conecte una base de datos vectorial directamente a su agente y la denomine memoria verá que la prueba de contradicción falla cada vez. En la producción, esto se manifiesta como un agente que cita firmemente un hecho que el usuario corrigió hace una semana.

Por dónde empezar

Si la recencia puede cambiar alguna vez la respuesta correcta, empiece con un enfoque temporal: Zep cuando el trabajo debe ser manejado por usted, Cognee cuando es preferible poseer el grafo. Si lo que se necesita es un rendimiento económico, con un recuerdo suficientemente bueno entre sesiones y se acepta algún resultado obsoleto ocasional, Mem0 es la opción más rápida. Un almacén de vectores básico solo tiene sentido cuando se desea un índice de búsqueda y no se dispone de memoria suficiente.

No todo agente necesita un grafo de conocimiento, y nada aquí indica lo contrario. Un bot de soporte sin estado que olvida a un cliente entre tickets suele actuar correctamente al hacerlo. Un grafo temporal sería una solución sobredimensionada en ese caso, y el búfer simple, tan criticado, es la elección adecuada. La prueba solo es importante cuando se pretende que el agente conozca a una persona a lo largo del tiempo. En esa situación, elija una herramienta capaz de separar lo que se dijo de lo que sigue siendo cierto.

Leer más

  • Evaluación de Agentes de Voz en los Resultados: Una Herramienta de Prueba de Tres Capas — Las métricas de transcripción pasan por alto a los agentes de voz que actualizan en el orden incorrecto o dejan registros obsoletos. Crea una herramienta con tres capas, seis ejes y una puerta de liberación.