Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Agentes con memoria aumentada
<a name="memory-augmented-agents"></a>

Los agentes con memoria aumentada se han mejorado con la capacidad de almacenar, recuperar y razonar utilizando la memoria a corto y largo plazo. Esto les permite mantener el contexto en múltiples tareas, sesiones e interacciones, lo que produce respuestas más coherentes, personalizadas y estratégicas.

A diferencia de los agentes apátridas, los agentes con memoria aumentada se adaptan haciendo referencia a datos históricos, aprenden de los resultados anteriores y toman decisiones que se ajustan a los objetivos, las preferencias y el entorno del usuario.

## Arquitectura
<a name="architecture-memory-augmented"></a>

En el siguiente diagrama se muestra un agente con memoria aumentada:

![\[Agentes con memoria aumentada.\]](http://docs.aws.amazon.com/es_es/prescriptive-guidance/latest/agentic-ai-patterns/images/memory-augmented-agents.png)


## Description (Descripción)
<a name="description-memory-augmented"></a>

1. Recibe una entrada o un evento
   + El agente recibe una consulta de usuario o un evento del sistema. Puede ser un texto, un desencadenante de la API o un cambio ambiental.

1. Recupera la memoria a corto plazo
   + El agente recupera el historial de conversaciones recientes, el contexto de la tarea o el estado del sistema que sean relevantes para la sesión o el flujo de trabajo.

1. Recupera la memoria a largo plazo
   + El agente consulta la memoria a largo plazo (por ejemplo, bases de datos vectoriales y almacenes de valores clave) para obtener información histórica, como la siguiente:
     + Preferencias de usuario
     + Decisiones y resultados pasados
     + Conceptos, resúmenes o experiencias aprendidas

1. Razones a través del LLM
   + El contexto de la memoria está integrado en el indicador LLM, lo que permite al agente razonar basándose tanto en las entradas actuales como en los conocimientos previos.

1. Genera salidas
   + El agente produce una respuesta, un plan o una acción sensibles al contexto que se personaliza de acuerdo con el historial de tareas y las aportaciones del usuario.

1. Actualiza la memoria
   + La información nueva, como los objetivos actualizados, las señales de éxito y fracaso y las respuestas estructuradas, se almacena para futuras tareas.

## Capacidades
<a name="capabilities-memory-augmented"></a>
+ Continuidad de la sesión en todas las conversaciones o eventos
+ Persistencia de objetivos a lo largo del tiempo
+ Conciencia contextual basada en un estado en evolución
+ Adaptabilidad basada en éxitos y fracasos anteriores
+ Personalización alineada con las preferencias y el historial del usuario

## Casos de uso comunes
<a name="common-use-cases-memory-augmented"></a>
+ Copilotos conversacionales que recuerdan las preferencias del usuario
+ Agentes de codificación que rastrean los cambios en la base de código
+ Agentes de flujo de trabajo que se adaptan según el historial de tareas
+ Gemelos digitales que evolucionan a partir del conocimiento del sistema
+ Investigue los agentes que eviten las recuperaciones redundantes

## Implementación de agentes con memoria aumentada
<a name="implementing-memory-augmented-agents"></a>

Utilice las siguientes herramientas y Servicios de AWS para los agentes con memoria aumentada:


| 
| 
| **Capa de memoria** | **Servicio de AWS** | **Finalidad** | 
| --- |--- |--- |
| A corto plazo | Contexto de Amazon DynamoDB, Redis y Amazon Bedrock | Recuperación rápida de los estados de interacción recientes | 
| A largo plazo (estructurado) | Amazon Aurora, Amazon DynamoDB, Amazon Neptune | Datos, relaciones y registros | 
| A largo plazo (semántico) | OpenSearch, PostgreSQL, Pinecone | Recuperación basada en la incrustación (es decir, RAG) | 
| Almacenamiento | Amazon S3 | Almacenamiento de transcripciones, memorias estructuradas y archivos | 
| Orquestación | AWS Lambda o bien AWS Step Functions | Gestión del ciclo de vida de las inyecciones y actualizaciones de memoria | 
| Razonamiento | Amazon Bedrock | Claude o Mistral antrópicos con indicaciones de memoria | 

## Implementación de mensajes con inyección de memoria
<a name="implementing-memory-injected-prompting"></a>

Para integrar la memoria en el razonamiento de los agentes, utilice una combinación de estado estructurado e inyección de contexto con recuperación aumentada:
+ Incluya el estado más reciente del agente y el historial de diálogos recientes como entrada estructurada al crear el mensaje para el modelo lingüístico, de modo que pueda razonar con todo el contexto.
+ Utilice la generación de recuperación aumentada (RAG) para extraer documentos o hechos relevantes de la memoria a largo plazo.
+ Resuma los planes, el contexto y las interacciones anteriores para hacerlos más comprensivos y relevantes.
+ Inserte módulos de memoria externos, como almacenes vectoriales o registros estructurados, durante la inferencia para guiar la toma de decisiones.

## Resumen
<a name="summary-memory-augmented"></a>

Los agentes con memoria aumentada mantienen la continuidad del pensamiento al aprender de la experiencia y recordar el contexto del usuario. Estos agentes superan la inteligencia reactiva al utilizar la colaboración a largo plazo, la personalización y el razonamiento estratégico. En términos de inteligencia artificial, la memoria permite a los agentes comportarse más como homólogos digitales adaptables y menos como herramientas apátridas.