Sustratos de contexto para agentes de larga duración

Los agentes en producción suelen funcionar mejor con recuperación de contexto confiable entre sesiones que con memoria persistente. Son dos productos distintos.

Si este año ha estado evaluando Zep, Mem0 o Letta, está comprando en un mercado que fusionó dos productos diferentes bajo una sola palabra.

Tiene razón en querer que sus agentes mejoren entre sesiones. El problema es que la mitad de las herramientas en su lista corta fueron diseñadas para resolver un problema diferente: el recuerdo de hechos en una única conversación, no la acumulación de conocimiento a lo largo de meses de trabajo. Este artículo separa las dos corrientes, muestra cuál necesita su agente y señala las señales de mercado que la mayoría de los compradores pasa por alto.

• El mercado son dos mercados. La corriente 1 optimiza para *recuerdo*. La corriente 2 optimiza para *acumulación*. La mayoría de los compradores las confunde.
• Zep cambió su posicionamiento. En 2026 la empresa pasó de hablar de 'memoria' a hablar de 'context engineering'. Es la señal pública más clara del sector.
• Zilliz lanzó MemSearch. Una empresa de bases de datos vectoriales lanzó un sistema donde los archivos markdown están aguas arriba de su propia base de datos vectorial.
• Los agentes acumulativos necesitan la corriente 2. Si su agente debe mejorar su trabajo a lo largo de semanas y meses, la infraestructura de recuerdo es solo un componente.
• Combinar ambas corrientes es costoso. Dos sistemas con rutas de escritura superpuestas generan memorias contradictorias que se corrompen mutuamente.

El mercado vende recuerdo. Sus agentes probablemente necesitan acumulación.

Explore GitHub. Hay más de 450 repositorios etiquetados con `agent-memory` y más de 460 con `context-management`. Casi ninguno traza una línea clara entre ambos.

Esa ambigüedad es el problema central del mercado. La memoria parece una sola cosa, los compradores la tratan como una sola cosa, los proveedores la venden como una sola cosa. El resultado: los constructores pagan por infraestructura vectorial que luego tienen que reconstruir en markdown de todas formas.

La diferencia cambia lo que se compra. La corriente 1 pregunta: ¿qué debe recordar la IA? y entrega una base de datos. La corriente 2 pregunta: ¿dentro de qué contexto debe trabajar la IA? y entrega un sustrato. Ambas son útiles. Resuelven problemas distintos.

Si está eligiendo infraestructura de agentes para un negocio que depende de que el agente mejore de verdad a lo largo de meses de trabajo, webvise puede ayudarle a definir la capa correcta antes de firmar un contrato anual.

Corriente 1: backends de memoria (optimizados para el recuerdo)

Las herramientas de la corriente 1 hacen una sola cosa bien. Toman una conversación, extraen los hechos relevantes, los almacenan en una base de datos vectorial y los recuperan cuando la siguiente conversación los necesita. El ciclo es simple.

Esto es lo que la mayoría de las personas entiende por 'memoria de agentes'. Es la corriente más grande por estrellas en GitHub y la que la mayoría de los compradores elige por defecto, porque el argumento es sencillo: su chatbot recordará que el usuario vive en San Francisco.

La corriente 1 es la respuesta correcta para chatbots, persistencia de preferencias de usuario y recuerdo de hechos con latencia inferior a 200 ms. Es la respuesta equivocada para agentes que necesitan comprender el *estado* de un trabajo en curso a lo largo de cinco proyectos, tres herramientas y dos meses.

El límite es arquitectónico, no de implementación. Una base de datos vectorial indica el resultado más cercano a una consulta. No indica qué ha cambiado desde la semana pasada, ni por qué, ni cómo afecta eso a la decisión que está a punto de tomarse.

Corriente 2: sustratos de contexto (optimizados para la acumulación)

La corriente 2 invierte el ciclo. En lugar de extraer hechos de las conversaciones hacia una base de datos, el agente lee archivos de contexto estructurados y legibles por humanos, realiza su trabajo dentro de ellos y escribe de vuelta. En la siguiente sesión, el contexto es más rico. Nada se 'extrae'.

Este es el patrón que Andrej Karpathy describió como el LLM Wiki: una base de conocimiento personal que el modelo compila una vez y mantiene actualizada, en lugar de rederivarse respuestas a partir de fragmentos en cada consulta. La propiedad clave es la acumulación. El contexto mejora con el uso.

La corriente 2 es la respuesta correcta cuando se ejecuta un agente de forma continua, cuando múltiples herramientas o múltiples agentes escriben en la misma base de conocimiento, o cuando se necesita que el sistema mejore de forma demostrable a lo largo de semanas y meses sin reconstruir el pipeline cada vez.

La prueba más sencilla: ¿el agente necesita saber qué ocurrió el martes pasado, o necesita conocer la *forma* actual de su negocio? Lo segundo es un problema de la corriente 2.

El cambio de posicionamiento que lo dice todo

La señal de mercado aquí es bastante clara. Dos movimientos públicos, ambos de empresas que venden memoria, explican qué corriente está ganando terreno.

Zep se definía como empresa de memoria. En 2026 cambió ese posicionamiento a context engineering. Una empresa financiada en este espacio no cambia su posicionamiento por capricho. Lo hizo porque los compradores que más pagaban habían dejado de pedir memoria y empezado a pedir contexto que se acumule.

Zilliz, la empresa detrás de Milvus, lanzó MemSearch. MemSearch es un sistema donde los archivos markdown son la fuente de verdad y la propia base de datos vectorial de Zilliz se sitúa aguas abajo como capa de acceso. Es una empresa de bases de datos vectoriales que admite públicamente que el markdown pertenece aguas arriba de los vectores.

Es previsible que 'context engineering' se consolide como el término por defecto para esta capa de infraestructura de agentes a lo largo del próximo año. Lea las páginas de producto con esa sustitución en mente y el posicionamiento real se vuelve evidente.

Cómo determinar qué corriente necesita realmente

El marco de decisión, reducido a reglas prácticas.

La mayoría de los agentes orientados al negocio pertenecen a la corriente 2. Si su agente gestiona investigación de ventas, trabajo con cuentas de clientes, operaciones de contenido o cualquier tarea donde el resultado deba afinarse con el tiempo, está comprando la corriente 1 como componente en el mejor de los casos, no como el sistema.

El error costoso es el inverso. Un bot de atención al cliente construido sobre un sustrato pesado de la corriente 2 resultará lento y sobredimensionado. Ajuste la corriente al trabajo, no al revés.

Criterios de decisión de compra

Tres recomendaciones concretas antes de firmar un contrato.

• Prototipe primero en markdown. Antes de comprar cualquier producto de memoria, prototipe el caso de uso sobre un sustrato de markdown simple más una capa de recuperación. Si ese prototipo resuelve el problema, nunca necesitó la corriente 1.
• Evalúe a los proveedores por acumulación, no por recuerdo. Los benchmarks de recuerdo (LongMemEval y similares) informan sobre la corriente 1. No indican si el sistema es más inteligente en la semana 12 que en la semana 1. Diseñe evaluaciones que midan eso directamente.
• Elija una sola ruta de escritura. Si combina la corriente 1 y la corriente 2, defina qué capa gestiona las escrituras. Dos sistemas con escrituras superpuestas es la forma de acabar con hechos contradictorios que se corrompen mutuamente.

La capa de conocimiento de IA es la infraestructura sobre la que todo esto se asienta, y la mayoría de las empresas no necesita una nueva base de datos vectorial para tenerla. Necesitan el sustrato adecuado, el esquema correcto y la disciplina para dejar que se acumule.

Si está planificando infraestructura de agentes y quiere una segunda opinión antes de comprometerse, webvise ayuda a las empresas a definir capas de conocimiento de agentes que se acumulan. Póngase en contacto antes de elegir una corriente.