La memoria, el cuello de botella de los agentes: la propuesta de Neo4j de descomponer el contexto en tres capas

Hay un diagnóstico cada vez más compartido en la industria, y Neo4j lo formula con claridad: el salto del chatbot al agente autónomo no es solo una cuestión de modelo, sino de infraestructura de datos. Según Jim Webber, Chief Scientist de la compañía, los sistemas actuales tropiezan porque su 'memoria' se reduce a un buffer de conversación y una base de conocimiento estática; tras varios ciclos, el agente pierde el hilo del plan original y acaba haciendo algo distinto de lo que se le pidió. Quien haya operado agentes en tareas largas reconocerá el síntoma.

La propuesta —el 'context graph' o grafo de contexto, un patrón que Foundation Capital ya había señalado como tendencia arquitectónica— aporta una taxonomía operativa en lugar de tratar el contexto como un bloque monolítico. Webber lo descompone en tres capas. La memoria a largo plazo guarda el conocimiento empresarial de movimiento lento (ubicaciones, relaciones moleculares, el estado de una red de transporte): la 'verdad de dominio' que corrige lagunas del entrenamiento y reduce alucinaciones. La memoria a corto plazo gestiona el historial de conversación y el estado del agente, evitando la deriva de contexto y habilitando la orquestación multi-agente. Y en el vértice, las trazas de decisión registran qué decidió el agente, por qué y con qué herramientas.

Esa tercera capa es, a mi juicio, la más valiosa y la más infravalorada. Persistir el razonamiento de forma estructurada no solo permite al agente apoyarse en sus propias decisiones pasadas para mejorar con el tiempo; aporta transparencia y explicabilidad auditables, un requisito no negociable en cualquier despliegue empresarial serio. Separar las tres capas tiene además una lógica de ingeniería sólida: cada una cambia a un ritmo distinto y puede escalarse y procesarse por separado.

Neo4j acompaña la tesis con producto: Neo4j Agent Memory, una biblioteca de código abierto que empaqueta las tres memorias, gestiona el esquema de grafos y la resolución de entidades, e integra con LangChain, Pydantic AI, LlamaIndex, CrewAI y OpenAI Agents. Conviene leerlo con la cabeza fría: el artículo lo firma el proveedor de una base de datos de grafos, y el propio Webber admite que mucho de esto era ya posible con grafos tradicionales y Cypher; lo nuevo es empaquetarlo tras una API que ahorra escribir consultas. La gestión de memoria es uno de los frentes más activos de 2025-2026, con propuestas como Letta (antes MemGPT), LangGraph o el Memory de OpenAI atacando partes del mismo problema. Que un actor con décadas de experiencia en grafos aporte una abstracción clara y abierta es, en cualquier caso, una contribución bienvenida a un problema que la industria todavía no ha resuelto.