💻 computer science

AMP: A Vendor-Neutral Wire Format for Agent Memory Operations

Este artículo presenta memorywire, un formato de cable JSON-Schema independiente del proveedor y una implementación de referencia que estandariza las operaciones de memoria de agentes a través de diversos marcos mediante una interfaz unificada, un canal de gobernanza y adaptadores de backend validados empíricamente, con el objetivo de permitir la interoperabilidad sin competir con el Model Context Protocol.

Autores originales: Thamilvendhan Munirathinam

Publicado 2026-06-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Thamilvendhan Munirathinam

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás construyendo un equipo de asistentes de IA. En este momento, cada asistente tiene su propia forma única de recordar las cosas. Uno toma notas en un diario de cuero, otro usa una aplicación de notas adhesivas digitales y un tercero guarda un mensaje de voz. Todos hablan "lenguajes" de memoria diferentes. Si quieres cambiar tu asistente de un sistema a otro, tienes que reescribir toda su historia desde cero. Peor aún, si un asistente escribe algo extraño o peligroso, no hay un gerente que lo revise antes de que se guarde en su cerebro permanente.

memorywire es una nueva propuesta para solucionar este caos. Piensa en esto como un traductor universal y un sistema de archivo estandarizado para las memorias de la IA.

Aquí te presento cómo el documento lo desglosa, utilizando analogías sencillas:

1. El Problema: La "Torre de Babel" de la Memoria de la IA

Actualmente, las herramientas de memoria de IA populares (como mem0, Letta, Cognee) son como diferentes países con diferentes monedas.

El Problema: Si quieres mover la memoria de una IA del "País A" al "País B", no puedes simplemente transferir el efectivo; tienes que fundirlo y volver a acuñarlo. Se pierden detalles y es costoso.
El Gerente Ausente: Ninguno de estos sistemas tiene un "gerente" integrado para revisar lo que la IA escribe antes de que se vuelva permanente. Es como dejar que un estudiante escriba en la pizarra de la escuela sin que un profesor revise primero si las matemáticas están bien.

2. La Solución: Un "Cable de Memoria" Universal

Los autores crearon memorywire, que es un formato estándar (una forma específica de empaquetar datos) que cualquier sistema de IA puede entender.

Las 5 Acciones: En lugar de una lista desordenada de comandos, memorywire define exactamente cinco cosas que una IA puede hacer con la memoria:
1. Recordar (Remember): Escribir un nuevo hecho.
2. Evocar (Recall): Pedir un recuerdo.
3. Olvidar (Forget): Eliminar un recuerdo.
4. Fusionar (Merge): Combinar dos recuerdos similares en uno solo (para evitar duplicados).
5. Caducar (Expire): Eliminar automáticamente los recuerdos viejos (como una "fecha de vencimiento").
Los 4 Tipos de Memoria: Al igual que los humanos, el sistema clasifica los recuerdos en cuatro cubetas:
- Semántica: Hechos (ej. "Alice odia los cacahuetes").
- Episódica: Eventos (ej. "Alice estaba nerviosa en su vuelo ayer").
- Procedimental: Pasos de "cómo hacer" (ej. "Cómo reservar un vuelo").
- Emocional: Sentimientos (ej. "Alice se sintió ansiosa por volar").

3. El "Agente de Tránsito": El Router

El documento presenta un "Router" que actúa como un agente de tránsito.

Cómo funciona: Cuando le pides a una IA que "Evoque" algo, el Router no le pregunta a una sola base de datos. Le grita la pregunta a todos los diferentes sistemas de memoria conectados a él al mismo tiempo.
El Truco de Magia (RRF): El Router utiliza un truco matemático llamado Fusión de Clasificación Recíproca (RRF). Imagina que tres amigos están adivinando un número.
- Si el Amigo A dice "5", el Amigo B dice "5" y el Amigo C (un mentiroso) dice "100", el Router confía en los dos amigos que están de acuerdo.
- El documento demuestra que incluso si uno de los sistemas de memoria es hackeado o miente, este truco matemático asegura que la IA obtenga la respuesta correcta. Es como una red de seguridad que atrapa al mentiroso.

4. El "Humano en el Bucle": La Puerta de Aprobación

Este es un elemento principal. El sistema permite un flujo de trabajo de "Diferencia y Aprobar" (Diff-and-Approve).

El Escenario: Una IA quiere escribir un nuevo recuerdo: "El usuario es alérgico a los cacahuetes".
La Puerta: En lugar de guardarlo inmediatamente, el sistema hace una pausa. Muestra a un revisor humano una "diferencia" (una comparación de lo que es nuevo frente a lo que era viejo).
La Decisión: El humano hace clic en "Aprobación" o "Rechazo". Solo entonces se guarda el recuerdo. Esto evita que la IA escriba accidentalmente hechos falsos o dañinos.

5. Lo que Realmente Probaron (Los Resultados)

Los autores no inventaron un nuevo cerebro mágico; solo organizaron mejor las herramientas existentes. Probaron su sistema con:

Velocidad: Fue muy rápido (aproximadamente 40 milisegundos para recordar o evocar algo).
Precisión: Tested with 42 questions, the system found the correct answer 100% of the time in the top 5 results. (An additional 8 trick questions were used to ensure the system didn't hallucinate.)
Seguridad: Intentaron "hackear" el sistema haciendo que una de las bases de datos de memoria mintiera. El "Agente de Tránsito" (RRF) ignoró con éxito al mentiroso y mantuvo las respuestas correctas.
Compatibilidad: Probaron el sistema contra 5 sistemas de memoria existentes. Funcionó perfectamente con los que están construidos sobre bases de datos estándar (SQLite y PostgreSQL) y funcionó lo suficientemente bien con los otros, demostrando que puede hablar diferentes "lenguajes".

La Conclusión

El documento afirma que memorywire no es un nuevo tipo de inteligencia de IA. Es un protocolo estandarizado. Es el "puerto USB-C" para la memoria de la IA. Permite que diferentes sistemas de IA se conecten al mismo banco de memoria, asegura que los malos datos puedan ser filtrados por humanos y protege el sistema incluso si una parte de la red se ve comprometida.

Los autores son honestos: no pretenden que esto sea la solución final y perfecta. Lo lanzan como un "borrador" (versión 0) para obtener comentarios, con el objetivo de convertirlo en un estándar que todos adopten, de manera similar a cómo el Protocolo de Contexto de Modelo (MCP) se está convirtiendo en un estándar para las herramientas de IA.

Resumen Técnico: memorywire – Un formato de cable neutro para operaciones de memoria de agentes

1. El Problema: Marcos de Memoria Aislados

El panorama actual de los marcos de memoria de agentes (p. ej., mem0, Letta/MemGPT, Cognee, Zep/Graphiti, MemoryOS, MemTensor) se caracteriza por la heterogeneidad. Cada marco viene con su propio SDK, disposición de almacenamiento, vocabulario operativo y un ciclo de vida implícito para la creación y eliminación de registros. No existe un "formato de cable" compartido.

Esta falta de estandarización crea tres problemas principales:

Integración y Migración Bespoke: Integrar un agente con un nuevo backend o migrar entre marcos requiere adaptadores personalizados. La pérdida de datos a nivel de campo es común cuando los marcos de origen codifican más estado de lo que el modelo de datos del destino sopre.
Falta de Gobernanza Compartida: Ningún marco proporciona actualmente un flujo de trabajo estandarizado de "diferencia y aprobación" (diff-and-approve) donde los revisores humanos puedan auditar las escrituras antes de que entren en el almacenamiento a largo plazo. Los operadores deben construir capas de gobernanza personalizadas, que pueden ser eludidas por el marco subyacente.
Estancamiento Algorítmico vs. Brechas de Protocolo: El artículo argumenta que los algoritmos centrales (búsqueda vectorial, Clasificación por Rango Recíproco, FSMs, consolidación STM/LTM) están bien comprendidos. La brecha no está en el rendimiento de la recuperación, sino en la falta de un protocolo compartido para componer estos componentes a través de diferentes entornos de ejecución y backends.

2. Metodología y Arquitectura

El artículo presenta memorywire, un formato de cable neutral al proveedor y una implementación de referencia diseñada para estandarizar las operaciones de memoria de los agentes.

2.1 Diseño del Formato de Cable

El protocolo se define mediante JSON Schema 2020-12 y es agnóstico al transporte (REST, JSON-RPC, etc.). Define:

Cinco Operaciones Principales: remember (escribir), recall (leer), forget (eliminar), merge (deduplicar) y expire (aplicación de política TTL).
Cuatro Tipos de Memoria: Semántica, Episódica, Procedural y Emocional, extraídas de taxonomías de la ciencia cognitiva (Tulving, Squire).
Protocolo MemoryStore: Un Protocol de Python que define la interfaz para los backends. Los backends declaran capabilities (capacidades) (p. ej., vector, graph, procedural), lo que permite a un enrutador componer almacenes heterogéneos sin que el cliente necesite conocer las restricciones específicas del backend.

2.2 Implementación de Referencia

Los autores proporcionan una implementación de referencia de código abierto en Python 3.11+ que cuenta con:

Cinco Adaptadores de Backend: sqlite-vec, mem0, Letta, Cognee y pgvector. Estos adaptadores mapean el formato de cable a sus respectivos modelos de datos internos, manejando la pérdida de fidelidad (p. ej., codificando campos como etiquetas de metadatos) cuando es necesario.
Enrutador de Memoria (Memory Router): Un enrutador de dispersión (fan-out) que ejecuta operaciones a través de $N$ $N$ almacenes hijos en paralelo.
- Fusión de Recuperación (Recall Fusion): Utiliza la Clasificación por Rango Recíproco (RRF) como el algoritmo por defecto ( $k=60$ ), que es independiente de la puntuación y aditivo. También soporta fusión MAX y weighted (ponderada).
- Impulso de Grafo (Graph Boost): Un impulso de un solo salto (one-hop) opcional para elementos cuyos vecinos también están en el conjunto fusionado.
- Tolerancia a Fallos: Utiliza asyncio.gather con return_exceptions=True para asegurar que un único backend problemático o no disponible no colapse toda la operación de recuperación.
Memoria Procedural: Almacena Máquinas de Estados Finitos (FSM) como blobs serializados en JSON compatibles con pytransitions, con una validación estricta para prevenir la Ejecución Remota de Código (RCE) mediante inyección de callbacks.
Transformador STM/LTM: Una tarea en segundo plano asíncrona que califica los elementos de corto plazo basándose en recencia, saliencia y confianza, promoviéndolos al almacenamiento de largo plazo o eliminándolos.

2.3 Canal de Gobernanza

Una característica clave es el patrón Co-memorize, que formaliza un flujo de trabajo de "diferencia y aprobación".

Las escrituras marcadas con approval_required=true se posicionan detrás de un centinela (PENDING_APPROVAL_DELETED_AT = -1) y permanecen invisibles para la recuperación hasta que un revisor humano las aprueba o rechaza mediante una interfaz proporcionada.
Un registro de auditoría de solo adición sirve como la única fuente de verdad para toda la gobernanza y los eventos de mutación.

3. Contribuciones Clave

El artículo realiza cinco contribuciones específicas:

C1. Especificación del Formato de Cable: Un protocolo basado en JSON Schema para cinco operaciones sobre cuatro tipos de memoria, versionado explícitamente con una política de cambios disruptivos (breaking changes) hasta la v0.5.
C2. Implementación de Referencia: Un SDK de Python listo para producción con cinco adaptadores de backend, un enrutador paralelo usando RRF y un modelo de tolerancia a fallos parciales.
C3. Interfaz de Gobernanza (UI): Una implementación del patrón de diferencia y aprobación que se integra de forma transparente con cualquier adaptador de backend.
C4. Evaluación Empírica:
- Un microbenchmark sobre 100 hechos y 50 consultas.
- Un experimento de fusión adversarial que prueba la robustez contra backends maliciosos.
- Una suite de conformidad cross-adaptador de 16 escenarios.
C5. Modelo de Amenazas y Artefactos: Un modelo de seis adversarios con mitigaciones a nivel de línea y artefactos de datos abiertos que permiten la reproducibilidad total de las afirmaciones.

4. Resultados

4.1 Rendimiento del Microbenchmark

Sobre un corpus de 100 hechos escritos a mano y 50 consultas etiquetadas (usando all-MiniLM-L6-v2 y sqlite-vec):

Recall@5: 1.000 en 42 consultas etiquetadas (paráfrasis, coincidencia exacta y multi-hit).
Latencia: Ingesta p50 = 37.8 ms; Recuperación p50 = 40.6 ms.
Precisión: 0.214 (limitada por la relación de IDs de oro por consulta).
Manejo de No Coincidencia: 0/8 sondas de "no coincidencia" devolvieron falsos positivos (aunque el artículo señala que esto se debe a una elección deliberada del diseño v0 de devolver hasta $k$ aciertos sin un umbral de relevancia).

4.2 Experimento de Fusión Adversarial

El estudio probó la robustez de los algoritmos de fusión contra un "backend malicioso de 1-de-N" que inyecta IDs controlados por el atacante en el rango 0.

RRF: Mantuvo un Recall@5 = 1.000 a través de todos los presupuestos de ataque ( $K \in \{0, 5, \dots, 50\}$ ). La independencia de la puntuación de RRF evita que un solo almacén malicioso domine el resultado fusionado.
MAX: Colapsó inmediatamente en $K=5$ , con un Recall@5 cayendo a 0.500 y una tasa de fuga del 80% (el 80% de los IDs devueltos eran controlados por el atacante).
Weighted: Se comportó de manera idéntica a RRF cuando los pesos eran iguales.

4.3 Conformidad Cross-Adaptador

Se ejecutó una suite de 16 escenarios invariantes de protocolo contra los cinco adaptadores (80 celdas totales).

Resultados: 68 PASARON, 12 SE SALTARON (SKIP), 0 FALLARON.
Análisis: Los adaptadores basados en SQL (sqlite-vec, pgvector) pasaron todos los escenarios. Los adaptadores que envuelven el SDK (mem0, Letta, Cognee) omitieron escenarios relacionados con la falta de características en sus upstreams (p. ej., falta de namespaces de user_id, falta de IDs estables por registro o falta de guardas de política vacía). Estos saltos identificaron áreas específicas para el endurecimiento de la especificación v0.2.

4.4 Benchmarks Preliminares de Contexto Largo

Las ejecuciones preliminares en LongMemEval y LoCoMo mostraron una mejora significativa tras corregir un error donde el top-k de ANN vectorial se computaba antes del filtrado del agente:

LongMemEval: Mejoró de 0.286 a 0.417 (+46% relativo).
LoCoMo: Mejoró de 0.018 a 0.150 (+8.3× relativo).
Los autores señalan que estos son preliminares (n=10–12, 1 semilla) y que el embedder (all-MiniLM-L6-v2) es una referencia débil; el protocolo en sí es agnóstico al embedder.

5. Significancia y Reivindicaciones

El artículo enmarca explícitamente su contribución no como un nuevo avance algorítmico, sino como un empaquetado y estandarización de componentes establecidos (RRF, FSMs, consolidación STM/LTM, flujos de trabajo de diferencia y aprobación).

Posicionamiento: memorywire se posiciona para componerse con el Model Context Protocol (MCP) en lugar de competir con él. Mientras que MCP estandariza el uso de herramientas, carece de un primitivo de memoria nativo. memorywire llena este vacío, pudiendo servir como una extensión de MCP en el futuro o un estándar independiente (vía IETF).
Modestia: Los autores reconocen que memorywire v0 es un borrador con derechos reservados para romper la compatibilidad hasta la v0.5. Admiten que la evaluación actual utiliza corpus sintéticos pequeños y benchmarks preliminares, dejando las evaluaciones a gran escala (5 semillas × 200 preguntas) para una versión v2.
Valor Central: La principal propuesta de valor es un protocolo neutral al entorno que permite a cualquier cliente hablar con cualquier backend, permite a los agentes transportar la memoria a través de los entornos de ejecución y proporciona una superficie estandarizada para la gobernanza humana sobre las escrituras de memoria.

En resumen, memorywire ofrece un protocolo pragmático, validado empíricamente, para resolver la fragmentación de interoperabilidad y gobernanza que actualmente plaga el ecoso de la memoria de los agentes.