Week 17

1. Objetivo de la semana

PENSAR
↓
UTILIZAR TOOLS
↓
CONSULTAR RAG
↓
EJECUTAR ACCIONES

Al finalizar la semana deberás saber:

• qué significa contexto en una aplicación de IA;
• qué diferencia existe entre contexto y memoria;
• qué es el estado;
• qué es memoria de corto plazo;
• qué es memoria de largo plazo;
• qué es memoria semántica;
• qué información debemos almacenar;
• qué información NO debemos almacenar;
• cómo recuperar recuerdos relevantes;
• cómo gestionar conversaciones largas;
• cómo evitar que la memoria contamine las respuestas;
• cómo diseñar una arquitectura de memoria;
• cómo integrar memoria con nuestro Agent + RAG.

2. El problema de una IA sin memoria

Imagina que utilizas nuestra aplicación durante varias semanas.

Día 1

Usuario:
Estoy trabajando en el proyecto Alpha.


Día 5

Usuario:
¿Qué tareas debería priorizar?


Agent:
Necesito más información
sobre tus proyectos.

Eso genera una experiencia pobre.

Una aplicación inteligente debería poder recordar determinadas cosas.

Usuario:

¿Qué tareas debería priorizar?


Agent:

Según el contexto del proyecto Alpha
que estás gestionando, deberías priorizar:

1. ...
2. ...
3. ...

3. Contexto, memoria y estado

Estos tres conceptos suelen confundirse.

Ejemplo

MEMORIA

Usuario prefiere respuestas
breves y técnicas.


ESTADO

Está realizando una solicitud
de formación.


CONTEXTO ACTUAL

Está evaluando Kubernetes
Administration.

Los tres conceptos trabajan juntos.

MEMORIA
   ↓
RECUPERACIÓN
   ↓
CONTEXTO
   ↓
LLM
   ↓
RESPUESTA

4. ¿Qué significa realmente "memoria"?

Una IA no "recuerda" necesariamente como una persona.

En una aplicación de IA, la memoria es información que nosotros almacenamos y posteriormente recuperamos.

Por ejemplo:

{
    "user_id": 845,
    "memory": "El usuario está interesado
               en Kubernetes"
}

En otra conversación podemos recuperar esa información.

Memoria explícita

El usuario dice:

"Recuerda que prefiero cursos online."

Podemos almacenar:

preference:
"online courses"

Memoria inferida

La aplicación observa:

El usuario selecciona
cursos online repetidamente.

Podría inferir:

possible_preference:
"online courses"

5. Tipos de memoria

5.1 Memoria de corto plazo

Es el contexto de la conversación actual.

Usuario:
Quiero una formación de AWS.

Agent:
¿Qué nivel?

Usuario:
Intermedio.

Agent:
¿Online o presencial?

Usuario:
Online.

El agente necesita recordar esas respuestas durante la conversación.

5.2 Memoria de largo plazo

Información que puede seguir siendo relevante después de terminar la conversación.

Usuario prefiere:
- cursos online
- horario de tarde
- contenidos prácticos

5.3 Memoria episódica

Recuerda acontecimientos concretos.

"El usuario solicitó
Kubernetes Administration
el 12/08/2026."

5.4 Memoria semántica

Representa conocimiento o hechos que consideramos relevantes.

"El usuario tiene experiencia
en Docker y Kubernetes."

5.5 Memoria procedimental

Información sobre cómo debe realizarse un proceso.

Para solicitar formación:

1. comprobar presupuesto;
2. comprobar requisitos;
3. pedir confirmación;
4. crear solicitud.

6. Estado: la pieza que mantiene vivo un proceso

Supongamos que el usuario comienza una solicitud de formación.

Usuario:

Quiero hacer Kubernetes Administration.

El proceso podría quedar:

state = {

    objective:
        "request_training",

    employee_id:
        845,

    selected_training:
        "K8S-ADMIN",

    budget_checked:
        true,

    budget_available:
        1200,

    user_confirmation:
        false,

    status:
        "waiting_confirmation"

}

El usuario puede cerrar el navegador.

Cuando vuelva:

GET /agent/session/abc123

Podemos reconstruir el proceso.

7. Memoria de conversaciones

Una estrategia sencilla es guardar los mensajes.

conversation_messages

id
conversation_id
role
content
created_at

Ejemplo:

Pero aparece un problema

Las conversaciones pueden crecer muchísimo.

Mensaje 1
Mensaje 2
Mensaje 3
...
Mensaje 1.000
...
Mensaje 10.000

No podemos enviar todo al modelo en cada petición.

Solución

Combinar:

• ventana reciente;
• resumen;
• memoria persistente;
• RAG;
• recuperación semántica.

                    CONVERSACIÓN
                         │
          ┌──────────────┼──────────────┐
          ↓              ↓              ↓
      recientes       resumen       memoria
          │              │              │
          └──────────────┼──────────────┘
                         ↓
                      CONTEXTO
                         ↓
                         LLM

8. Memoria semántica

Esta es una de las ideas más importantes de la semana.

Podemos convertir recuerdos en embeddings y almacenarlos en un vector store.

"El usuario tiene experiencia
desarrollando APIs REST"

        ↓

Embedding

        ↓

Vector Database

Después:

Usuario:

¿Qué formación debería hacer?

Buscamos recuerdos relevantes.

Query:
"formación recomendada"

        ↓

Semantic Search

        ↓

Recuerdos relevantes:

- experiencia APIs REST
- conocimientos Python
- interés en Kubernetes

El agente puede utilizar esa información para recomendar formación.

DOCUMENTS
   ↓
RAG

USER MEMORY
   ↓
MEMORY RAG

        ↓

      AGENT

        ↓

      TOOLS

9. Arquitectura completa

                       USER
                         │
                         ↓
                  ┌────────────┐
                  │  FRONTEND  │
                  └─────┬──────┘
                        │
                        ↓
                  ┌────────────┐
                  │  BACKEND   │
                  └─────┬──────┘
                        │
                 ┌──────┴──────┐
                 │             │
                 ↓             ↓
              SESSION        AGENT
                 │             │
                 │       ┌─────┼─────┐
                 │       ↓     ↓     ↓
                 │      RAG  MEMORY TOOLS
                 │       │     │     │
                 │       └─────┼─────┘
                 │             │
                 └──────┬──────┘
                        ↓
                   CONTEXT BUILDER
                        ↓
                       LLM
                        ↓
                     RESPONSE

Context Builder

Esta pieza será muy importante.

No queremos enviar al modelo todo lo que tenemos.

Queremos construir un contexto relevante.

context = {

    system_rules,

    recent_messages,

    conversation_summary,

    relevant_memories,

    relevant_documents,

    tool_results,

    current_state

}

Después:

context
   ↓
LLM
   ↓
Decision

10. Memory Retrieval

No debemos recuperar todos los recuerdos.

Debemos recuperar los relevantes.

Ejemplo

Memorias:

M1:
Usuario prefiere formación online.

M2:
Usuario tiene experiencia en Python.

M3:
Usuario trabaja en proyecto Alpha.

M4:
Usuario tiene certificación AWS.

M5:
Usuario está interesado en Kubernetes.

Pregunta:

"¿Qué curso de Kubernetes
me recomendarías?"

Probablemente sean relevantes:

M2
M4
M5

M3 quizá no lo sea.

11. Memoria y confianza

No todo recuerdo debe tener el mismo nivel de confianza.

memory = {

    content:
        "Prefiere formación online",

    source:
        "explicit_user_statement",

    confidence:
        1.0

}

Una inferencia podría ser:

memory = {

    content:
        "Probablemente prefiere
         formación online",

    source:
        "inferred",

    confidence:
        0.62

}

Esto nos permite distinguir entre hechos y suposiciones.

12. Privacidad y seguridad de la memoria

Aquí tenemos una responsabilidad importante como desarrolladores.

Pregunta fundamental

¿Necesitamos realmente guardar esta información?

Ejemplo incorrecto

Guardar toda la conversación
para siempre.

Ejemplo mejor

Guardar únicamente:

- preferencias explícitas;
- información necesaria
  para procesos activos;
- historial necesario;
- datos requeridos
  por la aplicación.

También necesitamos

• retención;
• borrado;
• control de acceso;
• auditoría;
• cifrado cuando corresponda;
• separación por usuario;
• protección frente a acceso cruzado.

Usuario A
   ↓
memory retrieval
   ↓
recupera memoria de Usuario B

13. Errores típicos

Error 1 — Guardarlo todo

Más memoria no significa mejor aplicación.

Error 2 — Recuperarlo todo

El contexto puede crecer innecesariamente.

Error 3 — Confundir memoria con RAG

RAG suele centrarse en recuperar conocimiento externo.

Memory Retrieval se centra en recuperar información relacionada con el usuario, conversación o experiencia del sistema.

Error 4 — Memoria como autoridad

Un recuerdo antiguo puede estar desactualizado.

Memory:

"Usuario trabaja en Alpha."

Pero quizá ahora trabaje en Beta.

Error 5 — No permitir borrar

El usuario debería poder gestionar determinadas memorias.

Error 6 — No versionar

Los recuerdos importantes pueden cambiar.

Antes:
preferred_language = English

Después:
preferred_language = Spanish

14. Modelo de datos

Podemos comenzar con una tabla relacional.

memories

id
user_id
type
content
source
confidence
created_at
updated_at
expires_at
is_active

Ejemplo

id:
182

user_id:
845

type:
preference

content:
"Prefiere formación online"

source:
explicit_user_statement

confidence:
1.0

is_active:
true

Memoria vectorial

Si queremos búsqueda semántica:

memory_embeddings

memory_id
embedding
model
created_at

Entonces:

User Query
     ↓
Embedding
     ↓
Vector Search
     ↓
Relevant Memories
     ↓
Context Builder

15. Ejemplos avanzados

Ejemplo A — Preferencias

Usuario:

Prefiero que las respuestas
sean breves.

Memory:

type:
preference

content:
"Prefiere respuestas breves."

source:
explicit

Ejemplo B — Objetivo

Usuario:

Quiero conseguir la certificación AWS
este año.

Memory:

type:
goal

content:
"Obtener certificación AWS
durante 2026."

Ejemplo C — Proyecto

Usuario:

Estoy trabajando en el proyecto Alpha.

Memory:

type:
project_context

content:
"Usuario participa en Alpha."

Ejemplo D — Actualización

Posteriormente:

Usuario:

Ya no estoy en Alpha.
Ahora estoy en Beta.

La memoria debería actualizarse.

Alpha:
inactive

Beta:
active

Ejemplo E — Olvido

Usuario:

Olvida que quería hacer
la certificación AWS.

La aplicación debería ejecutar una operación explícita de borrado o desactivación.

16. Prompts para trabajar con IA

Prompt — Diseñar memoria

Estoy construyendo una aplicación
empresarial con:

- LLM
- Agent
- RAG
- PostgreSQL
- Tools

Quiero añadir memoria de usuario.

Diseña una arquitectura que incluya:

1. memoria de corto plazo;
2. memoria de largo plazo;
3. memoria semántica;
4. almacenamiento;
5. recuperación;
6. actualización;
7. borrado;
8. expiración;
9. control de acceso;
10. auditoría.

No escribas código todavía.
Primero explica la arquitectura.

Prompt — Memory Policy

Diseña una política de memoria
para un AI Assistant empresarial.

Clasifica la información en:

- guardar;
- guardar temporalmente;
- no guardar;
- guardar solo con consentimiento.

Incluye ejemplos y riesgos.

Prompt — Memory Retrieval

Diseña un sistema de recuperación
de memoria semántica.

Debe:

- buscar recuerdos relevantes;
- filtrar por usuario;
- considerar actualidad;
- considerar confianza;
- limitar resultados;
- evitar información irrelevante.

Explica primero el algoritmo.

Prompt — Auditoría

Haz una auditoría de seguridad
de este sistema de memoria.

Busca:

- cross-user data leakage;
- prompt injection;
- stale memory;
- incorrect memory updates;
- unauthorized deletion;
- excessive retention;
- sensitive data exposure.

Propón tests para cada riesgo.

17. Ejercicios prácticos

Proyecto anterior:
inactive

Proyecto nuevo:
active

Memory A:
"Usuario trabaja en Alpha"

Memory B:
"Usuario trabaja en Beta"

Memory A:
creada hace 2 años

Memory B:
creada hace 2 días

memory

id
user_id
type
content
source
confidence
created_at
updated_at
expires_at
is_active

18. Ejercicio de arquitectura

Usuario:

"Recomiéndame una formación
teniendo en cuenta lo que
hemos hablado anteriormente."

USER
 ↓
AUTH
 ↓
MEMORY RETRIEVAL
 ↓
RAG
 ↓
TRAINING TOOL
 ↓
CONTEXT BUILDER
 ↓
LLM
 ↓
RECOMMENDATION

19. Test autocorregible

Objetivo recomendado: 80%.

20. Proyecto de Week 17

Experiencia final

DÍA 1

Usuario:

Prefiero cursos online.


Agent:

Lo recordaré para futuras
recomendaciones.

DÍA 10

Usuario:

Quiero mejorar Kubernetes.


Agent:

Teniendo en cuenta que prefieres
formación online y que ya tienes
experiencia con Docker, estas
formaciones podrían encajarte...

Memorias mínimas

preference
goal
skill
project
conversation_summary

Tools de memoria

save_memory()

search_memory()

update_memory()

delete_memory()

get_conversation_summary()

Requisitos

• persistencia en PostgreSQL;
• identificación de usuario;
• aislamiento entre usuarios;
• memoria explícita;
• recuperación semántica;
• actualización;
• borrado;
• fecha de creación;
• fecha de actualización;
• confianza;
• logs;
• tests.

Tests obligatorios

Entregables

• diagrama de arquitectura;
• modelo de datos;
• Memory Layer;
• Memory Tools;
• Context Builder;
• tests;
• logs;
• documentación;
• demo.

21. Arquitectura objetivo de la Super Aplicación

                         USER
                           │
                           ↓
                       FRONTEND
                           │
                           ↓
                        BACKEND
                           │
                 ┌─────────┴─────────┐
                 │                   │
                 ↓                   ↓
              SESSION              AGENT
                 │                   │
                 │       ┌───────────┼───────────┐
                 │       │           │           │
                 ↓       ↓           ↓           ↓
              STATE     RAG       MEMORY       TOOLS
                           │           │           │
                           └─────┬─────┴───────────┘
                                 │
                                 ↓
                          CONTEXT BUILDER
                                 │
                                 ↓
                                LLM
                                 │
                                 ↓
                              ACTION
                                 │
                                 ↓
                               USER

RAG
→ conoce

AGENT
→ decide

TOOLS
→ actúa

MEMORY
→ recuerda

22. Recursos externos

23. Checklist de Week 17

24. Criterios para superar Week 17

25. El siguiente salto — Week 18

TEXTO
IMÁGENES
PDF
AUDIO
VIDEO
DOCUMENTOS
TABLAS
CAPTURAS DE PANTALLA

                    SUPER APP

                       AGENT
                         │
       ┌─────────────────┼─────────────────┐
       │                 │                 │
      TEXT             IMAGE             PDF
       │                 │                 │
       ├────────────── AUDIO ──────────────┤
       │                 │                 │
       └────────────── VIDEO ──────────────┘
                         │
                         ↓
                   AI UNDERSTANDING
                         │
                         ↓
                      MEMORY
                         │
                         ↓
                       RAG
                         │
                         ↓
                       TOOLS