¿Qué debería recordar la IA y qué debería olvidar?
¿Qué debería recordar la IA y qué debería olvidar?
Ayer le dijiste a la IA: «Esta vez, guarda primero un borrador». Hoy le has pedido expresamente que publique, pero sigue insistiendo en que no puede hacerlo.
Hay otra situación más sutil: solo dijiste que una solución «podría probarse» y, unos días después, la IA trata esa frase como una regla permanente y sigue actuando en consecuencia por ti.
Estos dos escenarios hipotéticos no son simplemente casos de «mala memoria». Es posible que la información se haya conservado íntegra. El problema es que la IA no distinguió entre una instrucción temporal, una preferencia duradera y una decisión que ya ha quedado obsoleta.
En el artículo anterior sobre el contexto, hablamos de qué información darle a la IA en cada ocasión. La memoria a largo plazo debe responder a otra pregunta: qué información merece pasar a la siguiente ocasión y cuándo deja de ser aplicable.
El historial de chat, la documentación del proyecto y las preferencias duraderas no tienen por qué guardarse juntos
La documentación de LangGraph distingue entre la memoria a corto plazo, limitada a una conversación, y la memoria a largo plazo, que puede abarcar varias conversaciones. La primera mantiene el estado del diálogo y de la tarea actuales; la segunda permite guardar información del usuario o de la aplicación en espacios de nombres personalizados.[1]
Esta es una forma de diseñar un sistema dentro de un framework; no significa que todos los productos de IA funcionen igual. Aun así, la distinción resulta útil para organizar el propio trabajo.
Por ejemplo, las preferencias de formato al escribir artículos pueden conservarse a largo plazo; las fuentes de un artículo concreto encajan mejor en la documentación del proyecto; y el identificador de borrador devuelto tras una carga pertenece al registro de ejecución de esa tarea.
| Información | Dónde encaja mejor | Qué comprobar antes de usarla |
|---|---|---|
| Se prefiere que el cuerpo del texto exponga primero el problema y después el método | Preferencias de escritura | Si esta vez hay requisitos particulares |
| La ruta de despliegue y la estructura de directorios de un proyecto | Documentación del proyecto | Si han cambiado o se han migrado |
| Este artículo debe guardarse solo como borrador | Restricción de la tarea actual | No extenderla automáticamente a otros artículos |
| El identificador de un objeto en una plataforma y su acuse de recibo | Registro de ejecución | Comprobar el objeto y la versión del contenido |
| El precio y las funciones actuales de un producto | Registro de información con fecha | Volver a verificarlos antes de usarlos |
Si todo esto se mete en una única «memoria sobre el usuario», mantenerla se vuelve cada vez más difícil. La tarea termina, pero el estado temporal permanece; el proyecto cambia, pero la ruta antigua sigue ahí; y una conjetura, al aparecer repetidamente, puede acabar pareciendo un hecho.
Una buena memoria debería permitir responder «¿de dónde salió esta afirmación?»
«Al usuario le gusta la concisión» suena razonable, pero quizá sea solo una deducción de la IA a partir de una única corrección.
Si el usuario pidió acortar un párrafo, no se puede concluir directamente que «todos los artículos futuros deben ser breves». Del mismo modo, que haya autorizado la ejecución automática de un paso en un proyecto no permite extender esa autorización a otros proyectos.
Yo preferiría guardar un registro como este:
Proyecto de escritura: el usuario quiere que los artículos comiencen exponiendo directamente un problema concreto. La fuente es una instrucción editorial explícita. Se aplica a los artículos posteriores de este proyecto; si una instrucción puntual es distinta, prevalece esa instrucción.
Esto aporta un alcance y una fuente que una etiqueta vaga no ofrece. También facilita corregir el registro después: si resulta ser erróneo, se puede volver a la decisión original, en vez de dejar que la IA siga explicando por qué lo interpretó así en su momento.
La información incierta debe conservar esa incertidumbre. Por ejemplo, «es posible que el usuario prefiera gráficos» solo puede ser una observación pendiente de confirmación, no una regla que obligue a incluir gráficos en todos los artículos.
Este formato de registro es una sugerencia de diseño, no un conjunto de campos estandarizados que ya ofrezca algún producto.
Modificar la memoria suele ser más importante que añadir recuerdos
La documentación de LangGraph analiza dos formas de guardar información: actualizar continuamente un perfil o mantener una colección de recuerdos independientes. En el primer caso, las actualizaciones pueden fallar con más facilidad a medida que crece el contenido; en el segundo, la dificultad pasa a estar en encontrar, borrar, actualizar y relacionar los registros antiguos.[1]
Dicho de otro modo, añadir un registro es fácil; averiguar cómo se relaciona con los anteriores es lo que cuesta.
Supongamos que la regla anterior era «poner todas las imágenes del artículo al final» y que la nueva instrucción pasa a ser «poner la imagen de portada después de la introducción». Si solo se añade la nueva instrucción al final, una búsqueda posterior que recupere ambas dejará un conflicto sin resolver.
Una solución más clara es actualizar la regla vigente, indicar que la anterior ha sido sustituida y, si hace falta, conservar el motivo del cambio en el historial. Así, el pasado sigue siendo rastreable, pero no compite con la regla actual por ocupar el mismo lugar.
También puede tratarse de una excepción para una sola ocasión. Que un artículo no lleve imagen de portada no significa necesariamente que el formato habitual haya cambiado para siempre. En ese caso, conviene registrar la excepción de ese artículo y mantener la regla duradera.
Por eso, antes de escribir en la memoria merece la pena preguntarse: ¿es una preferencia nueva, una modificación de una regla anterior o una excepción puntual?
Que algo esté guardado en la memoria no significa que vaya a usarse bien la próxima vez
Muchas aplicaciones tienen que recuperar primero los recuerdos pertinentes y después entregárselos al modelo. Guardar, recuperar e interpretar correctamente son etapas distintas.
Un artículo de Anthropic sobre ingeniería de contexto presenta una estrategia de lectura bajo demanda: conservar referencias ligeras, como rutas de archivos, consultas o enlaces, y leer los detalles cuando la tarea los requiera.[2] Esto recuerda que no hace falta incluir permanentemente toda la documentación en un mismo prompt.
Pero «poder encontrarlo» tampoco significa que «siga siendo válido». Una guía para operar un panel de administración de hace un mes puede estar desactualizada, aunque sea muy pertinente para la pregunta actual. Por eso, además de la similitud del contenido, hay que tener en cuenta el proyecto, el objeto, la fecha y su vigencia.
Las preferencias estables no tienen por qué caducar cada día. En cambio, a la información que cambia con facilidad le conviene llevar una fecha de verificación o una indicación explícita de que debe revisarse antes de usarla. No es necesario imponer el mismo plazo de conservación a todos los recuerdos.
En el caso de datos como las claves de una cuenta, la memoria ordinaria debería guardar cómo acceder a la configuración controlada, no copiar el secreto. Suele ser más adecuado que el modelo sepa «dónde utilizar una capacidad ya autorizada» que hacerle recordar las credenciales.
Cómo comprobar que realmente ha aprendido, y no solo ha dicho «lo recordaré»
Se puede observar su comportamiento con unas cuantas pruebas pequeñas: abrir otra conversación y comprobar si una preferencia sigue aplicándose en el mismo proyecto; cambiar de proyecto y comprobar si la aplica indebidamente; modificar una regla y ver si la anterior sigue influyendo en el resultado.
Hay otra prueba fácil de pasar por alto: cuando termina una excepción temporal, ¿puede volver a la forma de actuar habitual?
Al registrar estas pruebas, no basta con mirar si la respuesta menciona el recuerdo; también hay que comprobar si la acción cumple los requisitos. Que la IA pueda repetir «guardar solo como borrador» no garantiza que una operación posterior de publicación quede efectivamente restringida.
Este artículo no ha realizado experimentos comparativos con sistemas de memoria, por lo que no puede ofrecer cifras de mejora de la precisión. Guardar y recuperar información externamente tampoco significa que los parámetros del modelo se hayan entrenado de nuevo.
Para la colaboración cotidiana, una memoria a largo plazo útil debería permitir al usuario ver, corregir y borrar su contenido. Solo ayudará de verdad si puede actualizarse con precisión cuando cambien los requisitos la próxima vez.
Referencias
Fecha de verificación: 11 de noviembre de 2026. Los escenarios y métodos de organización del artículo son ejemplos de diseño.
- LangChain: Memory overview, memoria a corto y largo plazo, y compromisos de mantenimiento entre perfiles y colecciones de recuerdos.
- Anthropic: Effective context engineering for AI agents, 2025-09-29, lectura bajo demanda, referencias ligeras y mantenimiento del contexto.
Ilustración conceptual generada con IA, no una fotografía de pruebas ni un diagrama de topología de red.
Discussion
Share a question or your experience. Comments appear after moderation. Your email is never displayed publicly. Comment privacy
Loading comments…