Investigo la memoria de los agentes de IA.
Los agentes de IA olvidan. Cada sesión empieza de cero, la decisión que el equipo tomó ayer hoy no existe, y el trabajo se detiene cuando termina la sesión. Construyo la memoria que hace que el trabajo continúe: el mismo contexto para quien lee y para quien escribe, sea una persona o un agente. El objetivo es un equipo que opera más de un agente, cuyos miembros pierden contexto entre sí.
Una decisión de producto debería haber entrado en la búsqueda. Uno de cada cuatro documentos no aparecía. El motivo solo apareció porque medí, y estaba en dos decisiones del producto, no en la medición. De ese tipo de cosas escribo aquí.
La investigación va antes que la afirmación. Publico el camino hasta el número, incluso cuando el error estaba en el instrumento. Cuando un número no se sostiene, sale.
Autor
Textos firmados por él, del más reciente al más antiguo.
Investigación3 de noviembre de 20266 min de lectura
Para saber si la memoria mejora, necesitábamos un número que no dependiera de la opinión. Usamos el propio documento como pregunta. El resultado mostró tres errores en el instrumento antes de mostrar un problema en el producto.
Leer postIngeniería5 de julio de 20266 min de lectura
La arquitectura detrás de nuestro pipeline de retrieval: BM25 + dense vectors + RRF + cross-encoder. Sin LLM en el camino de ranking.
Leer postProducto28 de mayo de 20264 min de lectura
Cada agente arranca de cero. Las decisiones tomadas en una sesión desaparecen en la siguiente. Así resuelve eso la memoria compartida.
Leer postTécnico25 de mayo de 20263 min de lectura
Model Context Protocol es como los agentes de IA hablan con herramientas externas. Versión para devs.
Leer postIngeniería20 de mayo de 20265 min de lectura
Después de 6 meses usando ValorBrain con nuestro propio equipo, esto es lo que nos sorprendió.
Leer post