💻 computer science

MESA:Task-Adaptive Multi-Structure Evidence Selection for Long-Horizon Agent Memory

MESA es un marco de trabajo adaptativo a la tarea que selecciona y fusiona dinámicamente un subconjunto de estructuras de memoria complementarias y específicas de la consulta para agentes de largo alcance, mejorando significativamente el rendimiento y la eficiencia en AMA-Bench al evitar el ruido de los enfoques de contexto fijo mientras permite la composición de evidencia diversa.

Autores originales: Beidi Zhao, Yaoqi Chen, Yuru Feng, Menghao Li, Qianxi Zhang, Baotong Lu, Jianan Lu, Zhirui Wang, Xinjiang Wang, Shusen Xu, Zengzhong Li, Xiaoxiao Li, Qi Chen

Publicado 2026-08-12

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Beidi Zhao, Yaoqi Chen, Yuru Feng, Menghao Li, Qianxi Zhang, Baotong Lu, Jianan Lu, Zhirui Wang, Xinjiang Wang, Shusen Xu, Zengzhong Li, Xiaoxiao Li, Qi Chen

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 eres un detective intentando resolver un misterio que ocurrió a lo largo de varios días. Tienes un cuaderno enorme lleno de cada cosa que hiciste, viste, pensaste y dijiste. Algunas páginas son solo un resumen rápido del día, otras son una lista bruta de cada paso que diste, otras son un mapa de con quién hablaste y otras son una lista de palabras clave que buscaste. Si intentas leer todo el cuaderno para responder una pregunta simple como "¿A qué hora perdí mis llaves?", tu cerebro se abrumaría con demasiada información. Pero si solo lees una página específica, podrías perderte una pista crucial escondida en otra sección. Este es el desafío que enfrentan los "agentes de IA" modernos —programas informáticos que actúan como asistentes digitales—. Necesitan recordar largas cadenas de eventos para resolver problemas complejos, pero a menudo se pierden en sus propios recuerdos. Los científicos han estado tratando de descubrir la mejor manera de organizar estos recuerdos: ¿debería la IA leerlo todo? ¿Debería elegir solo un tipo de nota? ¿O hay una forma más inteligente?

Este artículo presenta un nuevo y astuto sistema llamado MESA (Multi-structure Evidence Selection for long-horizon Agent) que actúa como un bibliotecario superinteligente para estos detectives de IA. En lugar de obligar a la IA a leer todo su cuaderno o adivinar ciegamente qué página específica mirar, MESA aprende a elegir la combinación perfecta de notas para cada pregunta específica. Piensa en ello como un chef que no solo agarra el primer frasco de especias que ve o vierte toda la estantería de especias en la olla, sino que prueba el plato, se da cuenta de que necesita un poco de sal y una pizca de pimienta, y agarra exactamente esos dos frascos. Los investigadores probaron esto en un benchmark llamado AMA-Bench, que es como una prueba gigante de qué tan bien una IA puede recordar y razonar sobre periodos largos. Descubrieron que MESA es mucho mejor respondiendo preguntas que los métodos anteriores. De hecho, obtuvo la respuesta correcta un 8.5% más de las veces que el mejor sistema existente, y lo hizo leyendo un 41% menos de palabras (o "tokens") de la memoria. Esto sugiere que ser selectivo y mezclar diferentes tipos de vistas de memoria es la clave para resolver acertijos a largo plazo, en lugar de simplemente leer todo o elegir una sola cosa.

El Problema: Demasiado Ruido, Poca Señal

Imagina que estás jugando un videojuego donde tienes que resolver un rompecabezas que requiere recordar algo que hiciste hace 50 pasos. Tu personaje ha estado corriendo de un lado a otro, luchando contra monstruos, hablando con NPCs y recolectando objetos. Si le preguntas al juego: "¿Por qué se cerró la puerta?", la respuesta podría estar enterrada en un pequeño detalle de hace 40 pasos, como una llave específica que dejaste caer.

En el mundo de la IA, estos "pasos" se llaman trayectorias. Son largas y desordenadas cadenas de acciones, observaciones y pensamientos. El problema es que estas cadenas pueden tener cientos de pasos de largo. Si le entregas toda la cadena a una IA, resulta costoso y confuso. Si intentas resumirla, podrías perder el pequeño detalle que importa.

Los científicos han intentado solucionar esto organizando los recuerdos en diferentes "estructuras", o formatos, tal como se organiza una habitación desordenada en diferentes contenedores:

Resúmenes: Como una entrada de diario que da la "idea general" del día pero omite los detalles pequeños.
Almacenes Temporales: Como una línea de tiempo o un calendario que mantiene los eventos en un orden estricto.
Grafos de Conocimiento: Como una red de conexiones entre personas y cosas, mostrando cómo se relacionan.
Bases de Datos Vectoriales: Como un motor de búsqueda que encuentra cosas basadas en la "vibra" o el significado, incluso si las palabras son diferentes.
Trazas Brutas: Como una grabación de una cámara de seguridad que muestra cada movimiento, pero está llena de ruido y es difícil de escanear.

La gran pregunta era: ¿Qué contenedor debería abrir la IA?

Las Vías Antiguas: Demasiado o Muy Poco

Antes de MESA, había dos formas principales en las que la IA intentaba manejar esto:

El enfoque de "Leer Todo": La IA abría todos los contenedores a la vez y vertía cada una de las notas en su cerebro. Esto es como intentar leer todo tu diario, tu calendario, tu mapa y tus grabaciones de seguridad al mismo mismo tiempo para averiguar qué desayunaste. Es demasiada información, y las pistas importantes se pierden en el ruido.
El enfoque de "Elegir Uno": La IA intentaba adivinar qué único contenedor era el mejor y solo leía ese. Esto es como decidir mirar solo tu calendario para averiguar qué desayunaste. Podrías perder el hecho de que escribiste una nota sobre ello en tu diario.

Los investigadores descubrieron que ninguno de los dos extremos funciona bien. A veces necesitas la línea de tiempo; a veces necesitas el mapa; a menudo, necesitas una mezcla de ambos. Pero la "mejor mezcla" cambia dependiendo de la pregunta. Una pregunta sobre "qué pasó primero" necesita la línea de tiempo, mientras que una pregunta sobre "quién habló con quién" necesita el mapa.

La Solución: MESA, el Bibliotecario Adaptativo

MESA es un sistema que aprende a ser un bibliotecario dinámico. No se limita a elegir un contenedor o a abrirlos todos. En su lugar, observa la pregunta y dice: "Ah, esta pregunta necesita un poco de la línea de tiempo y un poco del mapa, pero puedo saltarme la grabación de video en bruto".

Así es como funciona en términos simples:

La Biblioteca: Primero, la IA construye las cinco estructuras de memoria diferentes (Resumen, Línea de Tiempo, Mapa, Búsqueda y Video en Bruto) a partir de su historial. Todas estas se crean de antemano y permanecen iguales.
El Selector: Cuando llega una pregunta, una parte especial del sistema llamada "selector" (que MESA entrena) decide qué estructuras utilizar. Es como un asistente inteligente que mira la pregunta y elige las herramientas adecuadas.
El Aprendizaje: La parte difícil es enseñar al selector. El sistema no tiene un maestro que le diga exactamente qué contenedores elegir para cada pregunta. En su lugar, aprende del resultado final: "¿Obtuvo la IA la respuesta correcta?". Si la respuesta fue incorrecta, el sistema ajusta su estrategia de selección. Utiliza un truco matemático ingenioso llamado UCB (Upper Confidence Bound) para equilibrar entre probar nuevas combinaciones (exploración) y mantenerse con lo que funciona (explotación).

Lo Que Encontraron

Los investigadores probaron MESA en AMA-Bench, un conjunto de datos lleno de tareas largas y complejas. Compararon MESA con los mejores métodos existentes.

Mejor Precisión: MESA obtuvo la respuesta correcta el 65.1% de las veces, superando al sistema anterior más avanzado (AMA-Agent) por un 8.5%.
Mayor Eficiencia Inteligente: Aunque MESA era más preciso, en realidad utilizó un 41% menos de palabras (tokens) de la memoria para lograrlo. Esto significa que no solo estaba leyendo más; estaba leyendo mejor.
Sin un Ganador Único: El estudio confirmó que no existe una estructura de memoria de "talla única". La mejor combinación de tipos de memoria cambia dependiendo de la tarea específica y de la pregunta específica.

Por Qué Esto Importa

Este artículo sugiere que el futuro de la memoria de la IA no consiste en construir bibliotecas cada vez más grandes o simplemente elegir un tipo de nota. Se trata de la flexibilidad. Al igual que un detective humano sabe que debe consultar el calendario para las fechas, el mapa para las ubicaciones y el diario para los sentimientos, una IA necesita saber cómo mezclar y combinar sus diferentes vistas de memoria para resolver un problema.

MESA demuestra que, al enseñar a una IA a ser selectiva y adaptativa, podemos hacerla más inteligente y eficiente sin necesidad de cambiar cómo piensa o cómo almacena sus memorias. Es un paso hacia una IA que no solo tiene muchos datos, sino que sabe exactamente cómo encontrar la pieza de datos adecuada cuando más importa.

Resumen Técnico: MESA – Selección de Evidencia Adaptativa a la Tarea para la Memoria de Agentes de Largo Horizonte

1. Formulación del Problema

Los agentes de largo horizonte acumulan trayectorias que comprenden cientos de pasos entrelazados de razonamiento, acción, observación y salida de herramientas. Responder a una consulta a menudo requiere recuperar evidencia enterrada profundamente en este historial. Aunque los sistemas de memoria externa transforman estos historiales en representaciones estructuradas (por ejemplo, resúmenes, grafos, almacenes de vectores), los enfoques existentes enfrentan un dilema fundamental:

Fusión de Todas las Estructuras Fija: Los sistemas que consultan un conjunto estático y exhaustivo de vistas de memoria para cada consulta maximizan el recuerdo (recall), pero inflan las ventanas de contexto con ruido redundante o distractor, aumentando el costo sin garantizar el rendimiento.
Enrutamiento de Estructura Única: Los sistemas que dirigen cada consulta a una única estructura "óptima" limitan la expresividad, impidiendo la composición de evidencia complementaria (por ejemplo, combinar resúmenes de alto nivel con pasos episódicos exactos) necesaria para tareas complejas.

Los autores argumentan que la configuración de memoria óptima no es ni una estructura única ni la unión total, sino una composición adaptada de múltiples estructuras de memoria que varía dinámicamente con la consulta específica y las demandas de la tarea. Sin embargo, aprender tal política de selección es un desafío debido a la naturaleza combinatoria de los subconjuntos de estructuras y la falta de etiquetas de verdad fundamental para la utilidad por estructura (supervisión débil), donde la retroalimentación solo está disponible al nivel de la respuesta final.

2. Metodología: El Marco de Trabajo MESA

El artículo propone MESA (Multi-structure Evidence Selection for long-horizon Agent), un marco que aprende una política adaptativa a la consulta para seleccionar y fusionar un subconjunto de estructuras de memoria especializadas.

2.1 Construcción de Memoria Estructural Multivista

MESA mantiene cinco estructuras de memoria independientes y complementarias para cada trayectoria $\tau_i$ , construidas fuera de línea (offline):

Resumen (S): Una memoria de estado comprimida que preserva cambios de estado salientes y transiciones de subobjetivos.
Almacén Temporal (T): Un almacén indexado por turnos que preserva la secuencia cronológica exacta de acciones y observaciones.
Grafo de Conocimiento (G): Un grafo relacional que captura conexiones de entidades y vínculos causales a través de los pasos.
Base de Datos Vectorial (V): Un índice denso a nivel de paso para la recuperación por similitud semántica.
Episódico Puro (R): Ventanas superpuestas no comprimidas de la trayectoria original para evidencia exacta de la forma superficial.

2.2 Selección Dinámica a Nivel de Estructura

Para una consulta dada $q_i$ y un contexto $c_i$ , un selector $S_\rho$ produce un vector binario no vacío $z_i \in \{0,1\}^5$ , que indica qué estructuras acceder. La evidencia recuperada de las estructuras seleccionadas se compone y se entrega a un modelo de respuesta congelado $F$ para generar una respuesta. El objetivo es aprender la política $\rho$ que maximice la precisión de la respuesta minimizando el costo de tokens de evidencia.

2.3 Optimización de Arnés Guiada por Prioridades (Prior-Guided Harness Optimization)

Para aprender $\rho$ bajo supervisión débil (retroalimentación dispersa a nivel de respuesta), MESA emplea una estrategia de Optimización de Arnés Guiada por Prioridades:

Espacio de Búsqueda Restringido: En lugar de buscar en todo el espacio de posibles políticas, la optimización se restringe a un conjunto de direcciones de prioridad ( $A$ ). Estas direcciones definen clases de mecanismos para el enrutamiento, como inferir la demanda a partir del tipo de consulta, estimar el valor del backend o controlar la construcción de subconjuntos (por ejemplo, prioridad por cardinalidad, selección de complementariedad).
Programación Guiada por UCB: El sistema equilibra la exploración y la explotación utilizando un programador de Límite de Bandas Superior (UCB). Cada dirección de prioridad actúa como un "brazo de banda elástica" (bandit arm). El programador selecciona direcciones que históricamente han producido políticas sólidas (explotación) o aquellas que han sido evaluadas con menos frecuencia (exploración).
Refinamiento Iterativo: Un proponente basado en LLM genera candidatos de política ejecutables basados en la dirección seleccionada y el análisis de error actual. Estos candidatos se ajustan en trazas de entrenamiento, se evalúan en un conjunto de validación y el mejor candidato se selecciona basándose en un objetivo regularizado: $J_{val}(\rho) - \lambda C_{val}(\rho)$ , donde $C$ es el costo de tokens.

3. Contribuciones Clave

Formulación del Problema y Análisis Empírico: Los autores formalizan la "selección dinámica a nivel de estructura" y demuestran, mediante un barrido controlado de todos los subconjuntos no vacíos de estructuras en AMA-Bench, que:
- Los subconjuntos intermedios (combinaciones de 2 a 4 estructuras) suelen superar a las estructuras únicas o a la unión total.
- Ninguna composición fija es universalmente óptima; el mejor subconjunto varía según el dominio y la capacidad.
El Marco de Trabajo MESA: Un nuevo marco que aprende una política de selección adaptativa a la consulta a partir de retroalimentación dispersa a nivel de respuesta utilizando optimización de arnés guiada por prioridades y programación UCB, sin modificar los constructores de memoria subyacentes ni el modelo de respuesta.
Validación Empírica: Experimentos extensos que muestran la superioridad de MESA sobre los estados del arte en tareas de agentes de largo horizonte y memoria conversacional.

4. Resultados Experimentales

Los experimentos se realizaron en AMA-Bench (2,496 preguntas a través de 6 dominios agénticos) y LoCoMo (memoria conversacional de largo plazo).

Rendimiento en AMA-Bench: Utilizando un núcleo Qwen3-32B, MESA alcanzó un 65.1% de precisión general, superando al baseline más fuerte (AMA-Agent) por un 8.5% y al lector de contexto largo por un 12.5%. MESA fue el mejor ejecutor en tres de las cuatro categorías de capacidad de memoria: Recuerdo/Recall (69.2%), Actualización de Estado (65.8%) y Abstracción de Estado (57.8%). En la categoría de Inferencia Causal, MESA alcanzó un 63.6%, ocupando el segundo lugar detrás de AMA-Agent (65.0%).
Eficiencia: MESA logró estas ganancias utilizando un 41% menos de tokens de evidencia (11.0k frente a 18.7k) en comparación con la alternativa de "todas las estructuras", demostrando que la selección adaptativa reduce el ruido y el costo.
Generalización: En LoCoMo, MESA alcanzó un F1 score de 49.0%, superando al baseline especializado por un 1.8%, probando que el marco se extiende más allá de las trayectorias de agentes hacia la memoria conversacional.
Estudios de Ablación:
- Eliminar el componente de aprendizaje (usando selección aleatoria o zero-shot) resultó en caídas significativas de precisión.
- Restringir la selección a una sola estructura ("Route-to-one") redujo la precisión al 57.0%, confirmando la necesidad de componer estructuras complementarias.
- Eliminar la guía de prioridades o la programación UCB degradó el rendimiento y la estabilidad, resaltando la importancia de la búsqueda estructurada y el equilibrio de exploración.

5. Significado y Reivindicaciones

El artículo afirma que MESA aborda una brecha crítica en los sistemas de memoria de agentes: la incapacidad de adaptar dinámicamente las estrategias de acceso a la memoria a las necesidades de la consulta específica. Al demostrar que los subconjectos intermedios y adaptativos a la tarea son superiores a las estrategias fijas, el trabajo cambia el paradigma de "más memoria es mejor" a "la composición de memoria correcta es mejor".

Los autores enfatizan que MESA logra estos resultados aprendiendo una política de selección que es explícita e interpretable (por ejemplo, reglas de enrutamiento basadas en palabras clave aprendidas durante la optimización), en lugar de un selector neuronal de caja negra. El marco ofrece un compromiso práctico, mejorando tanto la precisión como la eficiencia sin requerir el reentrenamiento de los modelos de lenguaje grandes subyacentes o los procesos de construcción de memoria. El artículo concluye que el trabajo futuro debería explorar la optimización conjunta de la construcción y la selección de memoria, así como el modelado más explícito de las dependencias entre estructuras.