Los desaciertos que suelen etiquetarse como «problemas de memoria» en agentes de inteligencia artificial (IA) suelen deberse a la falta de gestión adecuada de distintos tipos de contexto y límites claros en el manejo de información. Por ejemplo, un agente puede necesitar más contexto si un usuario vuelve al día siguiente, ya que el flujo de trabajo puede reanudarse en un paso incorrecto, recordarse una preferencia sin su ámbito pertinente o recuperarse un documento desactualizado.
Los agentes de larga duración operan con tres capas principales de contexto que deben gestionarse con propiedad: el estado del flujo de trabajo para continuar su ejecución, la información duradera que se mantiene entre sesiones y el conocimiento externo que respalda la petición actual. Cada tipo de contexto requiere un propietario definido, reglas claras sobre su ciclo de vida y límites de acceso bien establecidos para evitar confusiones y errores en el comportamiento del agente.
Herramientas como LangGraph y LangChain facilitan la abstracción del desarrollo de agentes de IA estatales, pero no eximen a la aplicación de la responsabilidad de delimitar claramente la propiedad, el ciclo de vida y los límites para cada contexto. Esta claridad simplifica la identificación de fallos y contribuye a una gestión robusta de agentes que operan durante largos periodos.

Los checkpoints reanudan ejecuciones, pero no definen la memoria del agente
Un checkpoint o punto de control responde a una pregunta concreta: ¿en qué punto debe continuar la ejecución? Por ejemplo, en LangGraph, estos checkpoints permiten guardar el estado del grafo bajo un identificador específico para pausar flujos, recuperarse tras reinicios o retomar tras fallos de herramientas. Esto incluye mensajes, resultados y progreso, facilitando ejecución duradera. Sin embargo, guardar el estado no implica por sí mismo que un agente recuerde información entre sesiones.
Para ilustrar, imagine un agente de atención al cliente que gestiona un cambio de suscripción. El checkpoint almacena el punto donde el proceso se interrumpió, pero la decisión de guardar preferencias expresadas por el usuario como memoria duradera debe ser determinada por reglas de la aplicación, estableciendo claramente su ámbito y propietario. De manera similar, el acceso a políticas actuales se controla mediante mecanismos de recuperación filtrados según permisos. Cada capa tiene reglas y propósitos específicos.
«Las capas pueden compartir una base de datos pero no un ciclo de vida común. Diferenciar estos aspectos en el modelo de datos evita confundir el historial del flujo de trabajo con la memoria del agente.»
En resumen, un checkpoint puede expirar con la ejecución, mientras que la memoria duradera se mantiene y solo es eliminada o corregida según reglas. Por su parte, la información externa puede actualizarse y cambiar. Detallar estas diferencias en el modelo de datos evita que la historia de un flujo de trabajo se convierta erróneamente en memoria del agente.
El ciclo de vida de la memoria duradera
La memoria duradera es un conjunto de datos que la aplicación decide conservar entre sesiones. Debe poder recuperarse, validarse, actualizarse o eliminarse según correspondencias, siempre registrando propietario, alcance, origen y validez.
Por ejemplo, durante una conversación puede surgir un dato candidato a recordar, pero sólo se convierte en memoria después de que las reglas o el usuario validen su inclusión. Cuando una información cambia, la versión anterior queda sustituida. Si se solicita eliminación, se debe respetar su ámbito y aplicar la acción tanto a la fuente como a memorias derivadas o datos de búsqueda relacionados. Donde se permita, las versiones antiguas pueden mantenerse como histórico, pero sin ofrecerse al contexto actual.
«Ámbito, retención, corrección y eliminación corresponden al modelo de aplicación y datos; ningún prompt por sí solo puede gobernar estas reglas al construir el contexto siguiente.»
Además, las memorias deben tener límites claros: una preferencia de un usuario no puede aplicarse globalmente, resultados de herramientas de un cliente no deben filtrarse a otro, y datos extraídos de fuentes no fiables no deben convertirse en políticas sin verificaciones. Estas reglas deben formar parte integral de la gestión para garantizar precisión y confianza.
Retrieval-augmented generation (RAG) para el conocimiento externo
La generación aumentada con recuperación (RAG) integra conocimiento externo relevante para la petición actual, como documentación de productos, casos de soporte o registros de políticas. La búsqueda puede usar desde identificadores exactos basados en palabras clave hasta búsquedas vectoriales con embeddings para aproximar conceptos similares, o consultas estructuradas como SQL para datos específicos. Incluso se pueden combinar estrategias cuando la experiencia demuestra beneficios claros.
La búsqueda vectorial ordena resultados según distancia o similitud semántica, pero esto no garantiza que los documentos sean actuales, autorizados o adecuados para el usuario. Por ello, la recuperación necesita filtros que consideren versión, fecha, metadatos, alcance de acceso y reglas de ciclo de vida. Un párrafo relevante pero de una política caducada sigue siendo inadmisible como prueba.
Es crucial entender que RAG no reemplaza la memoria del agente. Por ejemplo, un manual es conocimiento externo, una decisión en el flujo es estado del sistema, y las preferencias del usuario son memoria duradera. Aunque puedan consultarse con vectores, cada tipo posee propietarios, ámbitos y reglas distintas.
Rol de LangGraph y LangChain en la arquitectura del agente
Los frameworks simplifican la composición de aplicaciones, pero no eliminan la necesidad de definir límites claros. LangGraph es idóneo para diseñar flujos de trabajo con estados, nodos, transiciones, puntos de aprobación humana y checkpoints. LangChain abstrae modelos, recuperadores, herramientas, procesamiento documental y orquestación a nivel aplicación. Ambos pueden integrarse en un agente duradero, pero ninguno debe considerarse el sistema principal para datos empresariales ni el límite definitivo de permisos.
«Los frameworks facilitan la creación de la aplicación pero no sustituyen los límites necesarios. La propiedad clara determina dónde buscar en caso de fallos y qué capa debe corregirlos.»
Esta segmentación simplifica también la resolución de problemas: si un flujo retomó un nodo incorrecto, se investiga el checkpoint; si una preferencia está desfasada, se examina el ciclo y validez de la memoria; si una respuesta cita un manual erróneo, se revisan consultas, versiones y filtros. Los frameworks entregan herramientas; la definición explícita de propiedad es clave para diagnosticar y solucionar.

Preparar la recuperación junto al flujo principal
La presentación típica de un agente suele centrarse en el camino exitoso: el modelo recibe contexto, invoca una herramienta y devuelve una respuesta. Sin embargo, un diseño duradero también debe prever qué ocurre ante interrupciones, conflictos o falta de evidencia.
- Si una herramienta falla tras un checkpoint, ¿puede el flujo continuar sin repetir acciones no idempotentes?
- ¿Se identifica cuándo una memoria cambia y se marca su versión anterior como obsoleta?
- ¿Si se elimina un documento o cambia el ámbito de un cliente, se excluye adecuadamente en la recuperación antes de entregar el contexto?
- ¿Si falta evidencia, el agente pide aclaraciones o informa que no puede verificar la respuesta?
- En respuestas erróneas, ¿se puede localizar si la causa está en checkpoint, memoria, recuperación o generación?
Estas preguntas dictan qué datos y trazas registrar: identificadores del flujo, memorias y fuentes usadas, versiones, ámbitos, rutas de recuperación, llamadas a herramientas, permisos y respuestas. La evidencia debe mostrar cómo el sistema obtuvo cada resultado.
Partir de los límites, no sólo del almacén vectorial
Una estrategia práctica es arrancar con un caso de uso pequeño que necesite persistencia o continuidad tras reinicios. Definir qué estado permite retomar el flujo, qué hechos meritan memoria duradera y qué documentos forman parte del conocimiento externo con sus ámbitos. Luego probar cada ruta independientemente antes de integrarlas.
Elegir métodos de recuperación adecuados al tipo de información: consultas estructuradas para datos definidos, búsqueda vectorial o híbrida para contenido semántico y vagamente expresado. Promover memorias sólo con fundamento claro y mantener rutas para corrección y eliminación desde el inicio, asegurando que la información retenida siga siendo relevante.
Un sistema bien operable permite responder fácilmente tres preguntas clave:
- ¿Dónde se detuvo el flujo de trabajo?
- ¿Qué memorias mantiene la aplicación?
- ¿Qué evidencia externa respalda esta respuesta?
LangGraph y LangChain pueden facilitar estas implementaciones, mientras que una base de datos con controles de acceso adecuados permitirá almacenar y recuperar registros relacionados, respetando sus ciclos y límites. La correcta definición y separación de estos elementos es esencial para construir agentes de IA que operen con fiabilidad y trazabilidad.