Profundización · Folio III
Para encontrar una frase en una biblioteca no se leen todos los libros: se siguen los carteles. Los agentes de IA empiezan a ordenar su memoria del mismo modo. ¿Cuánto se gana, de verdad?
Un agente de IA que trabaja mucho tiempo acumula recuerdos: conversaciones, documentos, acciones pasadas. Lo más sencillo es guardarlo todo en plano y buscar en todo el montón. Pero cuanto más crece el montón, más cuesta cada búsqueda.
La alternativa: ordenar los recuerdos en un árbol, con resúmenes en cada piso. Para 1000 recuerdos bastan unos diez pisos; para un millón, unos veinte. Es lo que se llama un coste logarítmico: crece un paso cada vez que la memoria se duplica.
Una teoría de 2026 muestra que estos sistemas, por distintos que parezcan, encadenan todos tres operaciones. Extraer: cortar los datos en bruto en unidades de información. Agrupar: formar grupos y dar a cada uno un representante, a menudo un resumen. Recorrer: para una pregunta y un presupuesto de palabras dados, elegir qué leer.
La noción clave es la autosuficiencia del representante: si el resumen basta para responder, uno se detiene ahí; si no, hay que bajar a ver los detalles. Los autores muestran que 11 sistemas existentes encajan en este mismo marco.
Fuente: Talebirad et al., Toward a Theory of Hierarchical Memory (2026)
Fig. E — Leerlo todo o bajar por el árbol
Leerlo todo: 16 pasos
Bajar por el árbol: 4 pasos
16 documentos · el árbol es más rápido por un factor de 4
Esquema ilustrativo: muestra la idea, no mediciones.
Establecido
Inspirado en los sistemas operativos: una memoria pequeña y rápida (el contexto del modelo) y una memoria grande y lenta (una base externa). El propio modelo mueve la información de una a otra mediante llamadas a funciones, como un ordenador que intercambia páginas entre la RAM y el disco.
Fuente: Packer et al., MemGPT: Towards LLMs as Operating Systems (2023)
Prometedor
Cada nodo resume lo que hay debajo, con distintos niveles de abstracción según la profundidad. Cada información nueva entra por la raíz y baja hasta su sitio. En conversaciones largas supera a MemGPT; en preguntas sobre varios documentos se acerca a los métodos que lo preparan todo de antemano y supera a GraphRAG.
Fuente: Rezazadeh et al., MemTree: Dynamic Tree Memory (2024)
Prometedor
Los recuerdos se ordenan como carpetas y subcarpetas; cada resumen guarda un enlace al recuerdo en bruto. Un pequeño agente, entrenado por refuerzo, recorre el árbol para tomar solo lo necesario. En conversaciones largas usa como mucho el 22 % de las palabras que consumen los métodos de referencia.
Prometedor
Una memoria que cambia sin parar necesita mantenimiento. MemForest ordena los recuerdos en árboles ordenados en el tiempo y solo actualiza los caminos afectados por una información nueva, en lugar de reescribir todos los resúmenes. El coste de mantenimiento sigue entonces el tamaño del cambio, no el de la memoria.
Fuente: MemForest: Hierarchical Temporal Indexing for Agent Memory (2026)
Las memorias de agentes más usadas en 2025-2026 se alejan del árbol estricto. Extraen hechos y los enlazan como las fichas de un investigador. El coste sigue siendo bajo porque solo se leen las fichas útiles.
Por eso pasamos H5 («un grafo, no un árbol») del 60 al 65 %. Una reserva, señalada por algunos críticos: los enlaces de A-MEM solo dicen «estas dos notas se parecen», no por qué. Una verdadera jerarquía del saber necesitaría enlaces que digan la relación.
H5 · Un grafo, no un árbol (65 %)
Prometedor
En lugar de releer toda la conversación, Mem0 extrae la información destacada, la fusiona con lo que ya sabe y la recupera cuando hace falta (una variante la ordena en un grafo). Frente al enfoque de «releerlo todo», reduce el tiempo de respuesta un 91 % y el coste en tokens más de un 90 %, y responde mejor (+26 % relativo frente a la memoria de OpenAI en la prueba LOCOMO).
Fuente: Chhikara et al., Mem0: Scalable Long-Term Memory (2025)
Prometedor
Cada recuerdo se convierte en una ficha con palabras clave, etiquetas y enlaces a fichas cercanas. Cuando llega una ficha nueva, puede hacer evolucionar las antiguas: la memoria se reorganiza sola. Presentado en NeurIPS 2025, supera a los métodos anteriores con seis modelos distintos.
Fuente: Xu et al., A-MEM: Agentic Memory for LLM Agents (NeurIPS 2025)
Hay que ser honestos: el coste logarítmico es un ideal. Supone un árbol bien equilibrado y resúmenes fiables. En la práctica, construir el árbol cuesta llamadas al modelo para escribir los resúmenes, y un error de dirección en lo alto del árbol hace perder la información de abajo. Por eso muchos sistemas leen varias ramas a la vez.
Los artículos miden sobre todo las palabras consumidas y el acierto de las respuestas, rara vez el coste teórico. Mantenemos, pues, el estado «prometedor»: la ganancia es real y a menudo espectacular, pero la palabra «logarítmico» describe la tendencia, no una garantía.
Se repiten tres puntos débiles. El encaminamiento: una mala elección al principio del descenso es difícil de corregir. La pérdida de detalle: un resumen siempre descarta algo, y a veces es la respuesta. El mantenimiento: una memoria viva cambia sin cesar, y reorganizar el árbol sale caro si se hace mal.
Estos trabajos dan cuerpo a H2 en el lado de la memoria externa: lo «de abajo» de nuestra jerarquía puede consultarse con un coste que crece muy despacio. Y confirman H5: MemTree, GraphRAG y HORMA acaban todos enlazando ramas entre sí (recuerdo en bruto, entidades, vínculos en el tiempo). Los árboles puros se convierten en grafos.
H2 · Aprender lo de arriba, consultar lo de abajo (75 %) H5 · Un grafo, no un árbol (65 %)
Ordenar los propios artículos de OrigoTech en un árbol (tema, subtema, artículo, párrafo) y medir, para una serie de preguntas, cuántas palabras hay que leer en plano y bajando por el árbol. Repetirlo cada vez que el sitio duplique su tamaño, para ver si la curva sigue de verdad el logaritmo.