Libro blanco – Memoria y contexto
La mayoría de los asistentes de IA siguen siendo reactivos: pueden responder a una pregunta, resumir un correo, crear una tarea o invocar una herramienta. Pero después de eso, gran parte del contexto útil se pierde.
Esto es un problema para los agentes de trabajo reales. Un agente de trabajo debe entender más que el comando. Cuando un usuario dice "hacerle seguimiento mañana", el agente necesita saber quién es "él", cuál era el tema y cómo suele comunicarse el usuario.
Por eso la memoria importa.
Pero memoria no debería significar almacenar todo para siempre. Eso crea ruido y riesgo. Un sistema de memoria útil debe saber qué vale la pena recordar, cuán fiable es y cuándo queda obsoleto.
En Actor, vemos la memoria como infraestructura de contexto para el trabajo autónomo.
Ayuda al asistente a actuar mejor en correo, calendario, tareas y flujos de trabajo. Puede mejorar borradores, recordatorios, seguimientos, resúmenes diarios y automatizaciones.
Por ejemplo, Actor puede aprender que las reuniones con inversores necesitan preparación, que los correos de finanzas requieren atención especial o que WhatsApp solo debe usarse para recordatorios urgentes.
Entonces surge el gran problema: la confianza. Un agente debe saber la diferencia entre una preferencia confirmada, un patrón reciente y una suposición débil. También debería explicar por qué utilizó cierta memoria.
Los mejores agentes no recordarán todo, sino las cosas correctas, en el momento adecuado, con el nivel de confianza apropiado.
He publicado el whitepaper actual aquí: Enlace: https://docs.google.com/document/d/1MNddX6o89HpGYiXkXWTX6y83ymohCT1gdctbmM8Ocik/edit?tab=t.0
No dudes en leerlo, compartirlo o usarlo si te resulta útil.
Estaré encantado de debatir el tema más a fondo, intercambiar ideas o proporcionar una referencia si esto ayuda en tu trabajo.
Conéctate en LinkedIn: Alex Rada