Resumen Técnico: PGMem – Grafo de Persona–Memoria Estrechamente Acoplado para Agentes Personalizados de Por Vida

1. Planteamiento del Problema

Los agentes de diálogo personalizados a largo plazo enfrentan un desafío crítico: el seguimiento de las preferencias del usuario a medida que las personas evolucionan con el tiempo. Si bien los sistemas de memoria existentes organizan eficazmente los eventos pasados, suelen almacenar las personas como perfiles planos y desvinculados de los eventos específicos que los justifican. Este desacoplamiento estructural crea dos brechas fundamentales:

1. La Brecha de Validez Memoria–Persona: En la construcción de la memoria, los métodos existentes rara vez almacenan las memorias episódicas y las señales de la persona como evidencia acoplada. En consecuencia, los sistemas no pueden representar por qué surgió una señal de la persona, cómo eventos posteriores la respaldan o si una señal más reciente revisa una preferencia anterior.
2. La Brecha de Recuperación Consciente de la Persona: En el momento de la consulta, la recuperación depende en gran medida de la similitud superficial entre la consulta y la memoria. Este enfoque suele recuperar episodios históricos que responden a la consulta literal pero que entran en conflicto con la persona actualizada del usuario, fallando al capturar contextos implícitos y de coincidencia débil que son esenciales para una generación consistente.

Los autores argumentan que, para los agentes, particularmente aquellos que ejecutan Modelos de Lenguaje Pequeños (SLM) con ventanas de contexto limitadas, este acoplamiento laxo impide una interacción personalizada de por vida verdaderamente efectiva.

2. Metodología: PGMem

Los autores proponen PGMem, un grafo heterogéneo de persona-memoria que acopla estrechamente los registros de eventos con las señales de la persona mediante relaciones de evidencia explícitas. El marco desplaza la personalización de la acumulación de perfiles estáticos hacia la gestión proactiva de la evidencia.

2.1 Estructura de Grafo Heterogéneo

PGMem estructura el historial de diálogo como un grafo $G = (V, E)$ con dos niveles complementarios de nodos:

• Nodos de Nivel de Evento:
  • Contexto ($V_c$): Almacena pares de enunciados brutos para cada turno de diálogo.
  • Episodio ($V_e$): Resume fragmentos de turnos de diálogo consecutivos en representaciones de eventos locales.
• Nodos de Nivel de Persona:
  • Estado ($V_s$): Captura señales de la persona a corto plazo (por ejemplo, preferencias actuales, restricciones, objetivos) expresadas o implícitas en puntos específicos.
  • Rasgo ($V_t$): Representa hipótesis abstractas y estables generalizadas a partir de diálogos acumulados (por ejemplo, valores perdurables, hábitos).

2.2 Tipos de Aristas y Relaciones

Los nodos están interconectados por dos familias distintas de aristas:

• Aristas de Fuente ($E_{src}$): Codifican la procedencia a través de los niveles de abstracción, vinculando los nodos de nivel superior (por ejemplo, Estado, Rasgo) con los nodos de nivel inferior (por ejemplo, Contexto, Episodio) de los cuales fueron derivados.
• Aristas de Evidencia ($E_{evi}$): Codifican relaciones de evidencia tipificadas entre los nodos de memoria y de persona. Las etiquetas incluyen:
  • RESPALDO ($\oplus$): Evidencia compatible que refuerza una señal.
  • CONTRADICCIÓN ($\ominus$): Evidencia conflictiva que desafía una señal.
  • CAMBIO_A ($\rightsquigarrow$): Una actualización temporal donde una señal más nueva suplanta a una anterior.
  • IRRELEVANTE ($\emptyset$): Pares juzgados pero no relacionados.

2.3 Proceso de Recuperación de Tres Etapas

PGMem recupera un conjunto de evidencia compacto a través de un pipeline de tres etapas:

1. Recuperación de Semilla: Selecciona nodos ancla alineados con la consulta (Contexto, Episodio, Estado, Rasgo) basándose en una combinación de similitud de incrustación semántica y traslape léxico. También mantiene un "Conjunto de Persona Activa" para retener señales de persona salientes incluso si carecen de traslape temático directo con la consulta.
2. Expansión Guiada por Evidencia: Recorre las aristas de evidencia tipificadas hacia afuera desde los nodos semilla. El recorrido sigue los signos de la ruta ($s+$ para respaldo/cambios hacia adelante, $s-$ para contradicción/cambios hacia atrás) para recuperar evidencia indirectamente relevante. Las rutas terminan al encontrar una contradicción o alcanzar un límite de saltos.
3. Ensamblaje Final Consciente de la Validez: Clasifica el conjunto expandido combinando la relevancia de la consulta con una puntuación de validez de evidencia. Esta puntuación se calcula basándose en la ratio de rutas de apoyo ($S(v)$) respecto a las rutas de conflicto ($C(v)$) que alcanzan un nodo. Las señales suplantadas por evidencia más reciente (vía $SHIFT\_TO$) se eliminan o se les asigna un peso menor. El conjunto final se serializa en el prompt de generación.

3. Contribuciones Clave

El artículo reclama las siguientes contribuciones:

• Formulación del Problema: Es el primer trabajo que formula el diálogo personalizado de por vida como un problema de gestión de persona basada en evidencia, caracterizando explícitamente la brecha de validez memoria–persona y la brecha de recuperación consciente de la persona.
• Arquitectura PGMem: La propuesta de un grafo heterogéneo que acopla estrechamente la memoria de eventos con las señales de la persona mediante aristas tipificadas, permitiendo una recuperación consciente de la validez.
• Validación Empírica: Evaluación exhaustiva en tres benchmarks (ImplexConv, PrefEval, PersonaMem) utilizando backbones de SLM (Qwen3-1.7B, Gemma-3-1B), demostrando un rendimiento superior constante sobre las líneas base de resumen, conciencia de persona, estructura de grafo y memoria agéntica.

4. Resultados Experimentales

Los autores evaluaron PGMem contra líneas base que incluyen Full-History, MemoryBank, LD-Agent, THEANINE y A-MEM.

• Rendimiento General: PGMem logró las puntuaciones de personalización más altas en todos los tres benchmarks y en ambos backbones de SLM.
  • En ImplexConv (probando la recuperación implícita consciente de la persona), PGMem mejoró respecto a la mejor línea base hasta en un 29%.
  • En PrefEval (intercalado de múltiples personas), PGMem puntuó hasta un 59% más alto que las líneas base más fuertes.
  • En PersonaMem (perfilado dinámico), PGMem fue el único método que mejoró a medida que la ventana de contexto crecía de 32k a 128k tokens, mientras que todas las líneas base se degradaron.
• Consistencia a Largo Plazo: Los resultados indicaron que PGMem mantiene un margen constante sobre las líneas base a medida que el historial de diálogo se acumula, gestionando eficazmente la evolución de la persona en lugar de dejar que las señales obsoletas se acumulen.
• Estudios de Ablación:
  • Nodos de Persona: Su eliminación causó la mayor caída de rendimiento, confirmando que la representación a nivel de persona es el motor central de la recuperación.
    • Expansión de Grafo: La eliminación de la expansión del grafo causó una degradación que se amplió drásticamente con historiales de diálogo más largos, probando la necesidad de la estructura de grafo para hacer emerger evidencia válida en contextos largos.
  • Tipos de Arista: La eliminación de las aristas de CONTRADICCIÓN ($\ominus$) y CAMBIO_A ($\rightsquigarrow$) degradó consistentemente el rendimiento en los benchmarks que prueban el conflicto y la evolución de la persona.
• Eficiencia: Aunque PGMem incurre en costos de tokens más altos durante la construcción que los métodos de resumen simple, sigue siendo más eficiente que otras líneas base de construcción de estructuras (A-MEM, THEANINE) y significativamente más ligero en el momento de la consulta que los enfoques de historial completo.

5. Significancia y Limitaciones

Significancia:
El artículo argumenta que PGMem ofrece un camino práctico hacia una personalización confiable, particularmente para backbones de SLM con recursos limitados donde la personalización debe recaer en la estructura de la memoria en lugar de la capacidad del modelo. Al tratar las señales de la persona como trazables a sus eventos de apoyo o revisión, el sistema resuelve las brechas de "validez" y "recuperación" inherentes a los enfoques actuales.

Limitaciones:
Los autores reconocen varias limitaciones:

• Taxonomía de Aristas: La taxonomía actual de las aristas de evidencia captura las polaridades centrales pero carece de dimensiones cognitivas más finas presentes en los modelos de revisión de creencias.
• Restricciones de Datos: Los experimentos se limitan a conjuntos de datos sintéticos porque los diálogos de largo plazo auténticos con evolución orgánica de la persona rara vez son públicos debido a las restricciones de privacidad.
• Escalabilidad: En escenarios que abarcan meses o años, la acumulación de nodos y aristas requeriría políticas eficientes de ciclo de vida para la poda y el decaimiento, lo cual se deja para trabajos futuros.
• Derechos del Usuario: Aunque la estructura basada en nodos permite la eliminación granular de señales, se señala como un requisito futuro la implementación de políticas específicas de derechos de datos del usuario en dominios sensibles (por ejemplo, salud).