MemArchitect: A Policy Driven Memory Governance Layer

Resumen Técnico: MemArchitect

1. El Problema: La Brecha de Gobernanza en Agentes Autónomos

A medida que los Modelos de Lenguaje Grandes (LLMs) evolucionan de chatbots sin estado a agentes autónomos persistentes, enfrentan un fallo crítico denominado "Alucinación de Memoria". A diferencia de las alucinaciones estándar, esto ocurre cuando un agente recupera hechos contradictorios o desactualizados de su propio historial (ej. recuperar "El usuario es soltero" de 2024 junto con "El usuario está casado" de 2025).

Los sistemas actuales de Recuperación Aumentada por Generación (RAG) tratan la memoria como un almacenamiento pasivo (un "bucket" de solo escritura), lo que genera tres problemas principales:

• Contaminación del Contexto: La expansión de ventanas de contexto sin control introduce "memorias zombi" (datos obsoletos) que degradan el rendimiento.
• Falta de Resolución de Contradicciones: No hay mecanismos para gestionar estados conflictivos.
• Ausencia de Privacidad y Cumplimiento: Falta de control activo para aplicar el "Derecho al Olvido" o eliminar datos irrelevantes.

2. Metodología: MemArchitect

MemArchitect introduce una capa de gobernanza middleware que desacopla la gestión del ciclo de vida de la memoria de los pesos del modelo. En lugar de una recuperación pasiva, propone una economía de "Triaje y Puja" (Triage & Bid), donde cada pieza de información debe competir activamente por entrar en la ventana de contexto.

El sistema se basa en un Protocolo de Gobernanza Unificado con cuatro pilares fundamentales:

• A. Ciclo de Vida e Higiene (Motor de "Olvido"):

  • Decaimiento FSRS: Reemplaza el decaimiento exponencial simple con el Free Spaced Repetition Scheduler (FSRS v4). La recuperabilidad ($R$) depende de la estabilidad ($S$) y el tiempo ($t$), imitando la curva de olvido biológica.
  • Consolidación por Entropía: Un proceso de fondo monitorea la densidad de información. Si la redundancia es alta, las memorias episódicas que se desvanecen se comprimen en hechos semánticos estables, y el "ruido" olvidable se poda activamente.

• B. Consistencia y Verdad (Motor de "Utilidad"):

  • Filtro de Kalman de Utilidad: Trata la recuperación como una señal de alerta. Un filtro de Kalman rastrea una "Puntuación de Confianza" ($U$) para cada memoria. Las memorias útiles ganan inercia, mientras que las alucinaciones se penalizan matemáticamente.
  • Puerta de Vetado (Veto Gate): Un codificador cruzado (Cross-Encoder) actúa como un filtro secundario. Incluso si una memoria pasa la búsqueda vectorial, se descarta si no cumple un umbral estricto de implicación semántica (entailment), evitando ruido semánticamente similar pero irrelevante.

• C. Recuperación Adaptativa (Motor de "Puja"):

  • Descomposición Multi-paso: Las consultas complejas se dividen en sub-preguntas para recuperar hechos dispersos.
  • Puntuación Adaptativa: Las consultas se clasifican (Hecho, Temporal, Razonamiento) para ajustar dinámicamente los pesos. Por ejemplo, las memorias antiguas se penalizan en tareas de razonamiento inmediato, pero se tratan como atemporales para hechos puros.
  • Expansión de Grafos Hebbianos: Basado en el principio "las neuronas que disparan juntas se conectan juntas", si dos memorias (A y B) se usan frecuentemente juntas, recuperar A arrastra automáticamente a B al contexto.

• D. Eficiencia (Motor de "Presupuesto"):

  • Presupuesto de Tokens Adaptativo: El sistema asigna dinámicamente la ventana de contexto. Una recuperación de alta confianza reserva espacio para el "Razonamiento", mientras que una de baja confianza maximiza la ventana para la "Recuperación de hechos".

Ciclo de Operación: El sistema funciona en tres rutas:

1. Lectura (Subasta): Clasificación de intención, descomposición, puntuación y filtrado de candidatos.
2. Reflexión (Bucle de Retroalimentación): Tras la generación, el sistema detecta qué memorias se usaron realmente para reforzar su utilidad y estabilidad.
3. Fondo (Higiene): Limpieza automática durante tiempos inactivos, eliminando ruido y consolidando hechos.

3. Contribuciones Clave

• Paradigma de Gobernanza Activa: Cambia el enfoque de "memoria como almacenamiento" a "memoria como recurso gestionado activamente".
• Independencia del Modelo: MemArchitect opera como una capa externa sin modificar los parámetros del LLM, haciéndolo agnóstico al modelo y ligero.
• Resolución de Contradicciones y Privacidad: Introduce mecanismos formales para manejar la verdad, la cronología y el cumplimiento de normativas (como el GDPR) mediante políticas explícitas.
• Equilibrio entre Olvido y Retención: Utiliza FSRS para decidir qué olvidar y qué consolidar, evitando la saturación del contexto.

4. Resultados Experimentales

Los experimentos se realizaron en el benchmark LoCoMo-10 utilizando modelos Qwen-3B y Llama-3.1-8B, comparando MemArchitect contra SimpleMem (enfoque de compresión) y MemOS (enfoque de sistema operativo).

• Rendimiento General: MemArchitect mostró una mejora agregada del +7.45% en precisión sobre las líneas base.
• Comparación con SimpleMem: MemArchitect superó drásticamente a SimpleMem, especialmente en Razonamiento Temporal (+39.2%) y Razonamiento Multi-paso (+29.1%). Esto demuestra que la gobernanza basada en políticas preserva mejor la fidelidad del contexto que la compresión semántica indiscriminada, que tiende a eliminar marcadores temporales críticos.
• Comparación con MemOS:
  • Desventaja: MemArchitect tuvo un rendimiento menor en tareas de "Recuerdo Único" (Single-Hop) y "Razonamiento Temporal" (-44.9% en temporal) en comparación con MemOS. Esto se debe a que MemOS retiene todos los registros (recuerdo eidético), mientras que MemArchitect poda agresivamente los hechos de "una sola vez" que carecen de repetición.
  • Ventaja: MemArchitect superó a MemOS en tareas de Dominio Abierto (+11.3%) y Multi-paso (+4.1%).
• Conclusión de Resultados: La gobernanza activa sacrifica el recuerdo crudo de datos aislados a cambio de una síntesis abstracta superior y una coherencia a largo plazo, cambiando el modo de fallo de "alucinaciones no controladas" a un "poda gestionada".

5. Significado e Impacto

MemArchitect aborda la brecha crítica de gobernanza en la IA de agentes autónomos. Demuestra que para que los agentes operen indefinidamente sin colapsar por la entropía del tiempo o la contaminación de datos, la memoria debe ser un recurso activo y regulado, no un simple registro pasivo.

Al transformar la gestión de memoria en un proceso de adjudicación política, el sistema permite:

1. Agentes más confiables: Reducción de alucinaciones y contradicciones.
2. Privacidad y Seguridad: Cumplimiento real del derecho al olvido y prevención de envenenamiento de prompts.
3. Eficiencia Computacional: Optimización de la ventana de contexto para tareas específicas.

El trabajo sienta las bases para arquitecturas de memoria futuras que priorizan la integridad semántica y la gestión del ciclo de vida sobre la simple acumulación de datos, un paso esencial para la creación de agentes de IA verdaderamente autónomos y seguros.