Los desarrolladores están trabajando intensamente para lanzar agentes de inteligencia artificial al mercado, pero uno de los grandes desafíos ha sido la falta de memoria. Sin la capacidad de recordar interacciones anteriores, estos agentes abordan cada conversación como si fuera la primera, lo que genera preguntas repetitivas, no recuerdan las preferencias del usuario y carecen de personalización. Esto provoca frustración tanto para los usuarios como para los desarrolladores.
Tradicionalmente, se ha intentado solucionar esto incluyendo todo el diálogo de una sesión dentro de la ventana de contexto del modelo de lenguaje. Sin embargo, este método resulta costoso y poco eficiente a nivel computacional, aumentando los costos de procesamiento y haciendo que las respuestas sean más lentas. Además, saturar al modelo con mucha información, especialmente si no es relevante, puede afectar la calidad del resultado, causando problemas conocidos como “perderse en el medio” o “degradación del contexto”.
Para superar estas limitaciones, Google Cloud ha presentado en vista previa pública Memory Bank, un nuevo servicio gestionado dentro de Vertex AI Agent Engine. Este servicio está pensado para construir agentes conversacionales mucho más personalizados, que logren interacciones más naturales, contextuales y continuas.
Por ejemplo, un agente de salud personalizado podría usar información clave sobre alergias o síntomas previos que el usuario haya mencionado en sesiones anteriores, para ofrecer respuestas más acertadas en la conversación actual.
Memory Bank resuelve el problema fundamental de la memoria con varias ventajas importantes: - Personalización: Recuerda las preferencias del usuario, eventos destacados y decisiones anteriores, adaptando cada respuesta en función de esa información. - Continuidad: Permite retomar la conversación justo donde quedó, incluso si las sesiones están separadas por días o semanas. - Mejor contexto: El agente dispone del historial necesario para ofrecer respuestas más relevantes, claras y útiles. - Mejor experiencia para el usuario: Evita que el usuario tenga que repetir información, haciendo las conversaciones más fluidas, naturales y efectivas.
¿Cómo funciona Memory Bank? Este sistema opera a través de un proceso inteligente y en etapas, apoyado en los modelos Gemini de Google y nueva investigación:
- Comprende y extrae recuerdos: Memory Bank analiza el historial de conversaciones almacenado en Agent Engine Sessions para identificar hechos clave, preferencias y contexto. Este análisis se realiza en segundo plano, sin que los desarrolladores tengan que crear complejos sistemas de extracción. - Almacena y actualiza recuerdos de forma inteligente: La información importante, como por ejemplo “prefiero los días soleados”, se guarda y organiza según un criterio, como el ID de usuario. Cuando surgen datos nuevos, Gemini ayuda a combinarlo con la memoria previa, resolviendo posibles contradicciones y manteniendo los recuerdos actualizados. - Recupera información relevante: Al comenzar una nueva sesión, el agente puede acceder a estos recuerdos guardados. La recuperación puede ser una simple consulta de todos los datos almacenados o una búsqueda avanzada que utiliza representaciones semánticas para encontrar las memorias más relevantes según el tema actual. Esto garantiza que el agente siempre tenga el contexto adecuado.
Todo este proceso se basa en una metodológica innovadora de Google Research, aceptada para ACL 2025, que permite a los agentes aprender y recordar información de manera inteligente y temática, estableciendo un nuevo estándar en el desempeño de la memoria de agentes. Por ejemplo, un agente personal de belleza podría recordar cómo cambia el tipo de piel del usuario para recomendar productos de forma más acertada.
Cómo empezar con Memory Bank Memory Bank está integrado con Agent Development Kit (ADK) y Agent Engine Sessions. Los desarrolladores pueden definir un agente mediante ADK y habilitar las sesiones para gestionar el historial de conversaciones. Posteriormente, activando Memory Bank, pueden contar con memoria a largo plazo que abarca múltiples sesiones.
Hay dos formas principales de integrar Memory Bank: - Crear un agente usando el Agent Development Kit (ADK) de Google para una experiencia inmediata y lista para usar. - Si se emplea otro framework, como LangGraph o CrewAI, se puede controlar Memory Bank a través de llamadas API.
Para quienes son nuevos en Google Cloud y usan ADK, existe un modo rápido de registro para Agent Engine Sessions y Memory Bank, que permite obtener una llave API con solo una cuenta Gmail y empezar a desarrollar dentro de los límites gratuitos, para luego migrar fácilmente a un proyecto completo en Google Cloud para producción.
En resumen, Memory Bank representa un avance importante para lograr que los agentes de inteligencia artificial puedan mantener conversaciones persistentes, contextuales y realmente personalizadas, mejorando notablemente la experiencia del usuario y la eficiencia para los desarrolladores.
