Joerg Hiller
22 de febrero de 2026 04:38
LangChain detalla cómo su sistema de memoria Agent Builder utiliza metáforas de sistema de archivos y el marco COALA para crear agentes de IA persistentes y capaces de aprender sin código.
LangChain ha revelado la arquitectura de memoria que impulsa su LangSmith Agent Builder, mostrando un enfoque basado en sistemas de archivos que permite a los agentes de IA aprender y adaptarse a través de sesiones sin requerir que los usuarios escriban código.
La empresa hizo una apuesta poco convencional: priorizar la memoria desde el primer día en lugar de añadirla después como la mayoría de los productos de IA. ¿Su razonamiento? Agent Builder crea agentes específicos para tareas, no chatbots de propósito general. Cuando un agente maneja el mismo flujo de trabajo repetidamente, las lecciones de la sesión del martes deberían aplicarse automáticamente el miércoles.
Archivos como Memoria
En lugar de construir una infraestructura de memoria personalizada, el equipo de LangChain se apoyó en algo que los LLM ya entienden bien: los sistemas de archivos. El sistema representa la memoria del agente como una colección de archivos, aunque en realidad están almacenados en Postgres y expuestos a los agentes como un sistema de archivos virtual.
La arquitectura se mapea directamente con las tres categorías de memoria del documento de investigación COALA. La memoria procedimental—las reglas que impulsan el comportamiento del agente—reside en archivos AGENTS.md y configuraciones tools.json. La memoria semántica, que cubre hechos y conocimiento especializado, reside en archivos de habilidades. El equipo omitió deliberadamente la memoria episódica (registros de comportamiento pasado) para el lanzamiento inicial, apostando a que importa menos para su caso de uso.
Los formatos estándar ganaron donde fue posible: AGENTS.md para instrucciones básicas, habilidades de agente para tareas especializadas y un formato inspirado en Claude Code para subagentes. ¿La única excepción? Un archivo tools.json personalizado en lugar del mcp.json estándar, permitiendo a los usuarios exponer solo herramientas específicas de servidores MCP y evitar el desbordamiento de contexto.
Memoria que se Construye a Sí Misma
El resultado práctico: agentes que mejoran mediante corrección en lugar de configuración. LangChain recorrió un ejemplo de resumidor de reuniones donde el simple comentario de un usuario "usa viñetas en su lugar" actualizó automáticamente el archivo AGENTS.md del agente. Para el tercer mes, el agente había acumulado preferencias de formato, reglas de manejo de tipos de reuniones e instrucciones específicas de participantes, todo sin configuración manual.
Construir esto no fue trivial. El equipo dedicó una persona a tiempo completo solo a prompts relacionados con la memoria, resolviendo problemas como agentes que recordaban cuando no debían o escribían en tipos de archivo incorrectos. Una lección clave: los agentes sobresalen en agregar información pero tienen dificultades para consolidar. Un asistente de correo electrónico comenzó a listar cada proveedor a ignorar en lugar de generalizar a "ignorar todo contacto en frío".
Aprobación Humana Requerida
Todas las ediciones de memoria requieren aprobación humana explícita por defecto, una medida de seguridad contra ataques de inyección de prompts. Los usuarios pueden desactivar este "modo yolo" si están menos preocupados por entradas adversarias.
El enfoque del sistema de archivos permite una portabilidad que los DSL bloqueados no pueden igualar. Los agentes construidos en Agent Builder teóricamente pueden ejecutarse en Deep Agents CLI, Claude Code u OpenCode con mínima fricción.
Lo que Viene
LangChain describió varias mejoras planificadas: memoria episódica mediante la exposición del historial de conversación como archivos, procesos de memoria en segundo plano ejecutándose diariamente para capturar aprendizajes perdidos, un comando explícito /remember, búsqueda semántica más allá del grep básico y jerarquías de memoria a nivel de usuario u organización.
Para los desarrolladores que construyen agentes de IA, las decisiones técnicas aquí importan. La metáfora del sistema de archivos evita la complejidad de las API de memoria personalizadas mientras permanece nativa de LLM. Si este enfoque escala a medida que los agentes manejan tareas más complejas y de mayor duración sigue siendo una pregunta abierta, pero LangChain está apostando a que los archivos superan a los frameworks para la construcción de agentes sin código.
Fuente de la imagen: Shutterstock
Fuente: https://blockchain.news/news/langchain-agent-builder-memory-system-architecture
