Imagina que tienes a varias personas trabajando en un proyecto, pero cada una conserva una versión distinta de las instrucciones. O quizá nadie sabe qué hizo el compañero anterior. En el mundo de la inteligencia artificial, ese es el problema de los agentes aislados: cada bot mantiene su propio “silo” de contexto y puede terminar tomando decisiones inconsistentes.

Tencent ha presentado Team Memory como un proyecto de código abierto para que un equipo de agentes de IA comparta un núcleo de memoria centralizado. En la documentación localizada de Tencent, estas capacidades también aparecen relacionadas con Memory Hub y otros proyectos de memoria para agentes. Por eso, conviene verlo como parte de una línea de herramientas y repositorios de Tencent, no únicamente como una nota de producto independiente.

La necesidad es concreta. Una encuesta de VB Pulse realizada en junio indicó que el 57% de las empresas había relacionado una respuesta de un agente, expresada con seguridad pero incorrecta, con información faltante o inconsistente. En el propio benchmark de Tencent, la precisión para aplicar correctamente un perfil de usuario después de un uso prolongado pasó del 48% al 76% al añadir una capa de persona. Eso equivale a una mejora relativa del 59%, aunque el resultado corresponde al benchmark de Tencent y no a una evaluación independiente.

Por qué una memoria compartida cambia el problema

Team Memory no consiste en copiar el mismo bloque enorme de instrucciones en cada ventana de chat. Funciona más bien como una biblioteca central: guarda activos reutilizables y entrega a cada agente solo los que necesita para su tarea.

Así, un agente llamado “Scout”, dedicado a investigar el mercado, puede recibir análisis competitivos. Un agente “Builder”, encargado de trabajar con software, puede obtener documentación de producto y un mapa de relaciones del código. Cada uno trabaja con el contexto adecuado, sin recibir automáticamente todo lo que conoce el equipo.

Esta configuración se conoce como Agent Loadout. En términos sencillos, es el conjunto de conocimientos y herramientas que se asigna a cada agente.

Las cuatro piezas que forman el núcleo de conocimiento

1. Chat Memory conserva lo que el equipo ya aprendió

Guarda preferencias, hechos, decisiones e historial de interacciones. Esa información puede destilarse hasta formar un perfil estable de la persona o del equipo, de modo que el agente no tenga que volver a aprender quién es el usuario en cada sesión.

2. Skill convierte el trabajo terminado en un procedimiento reutilizable

Una Skill registra cómo se realizó una tarea. La idea es revisar y versionar ese procedimiento antes de compartirlo, en lugar de dejar una conversación o una carpeta de archivos como única fuente de instrucciones.

3. LLM-Wiki organiza documentos y especificaciones

LLM-Wiki transforma documentos y especificaciones en páginas estructuradas y relacionadas entre sí. Para el lector, esto significa que el agente puede consultar la información con una organización más clara que la de un conjunto de archivos sueltos.

4. Code-Graph muestra qué puede afectar un cambio

Code-Graph indexa los símbolos, archivos y relaciones de llamadas de una base de código. En otras palabras, ayuda a seguir el camino entre una parte del software y las funciones que dependen de ella antes de modificarla.

La diferencia frente a la RAG tradicional

La RAG, o generación aumentada por recuperación, busca información relevante para responder una pregunta. Su pregunta principal es: «¿Qué se puede encontrar?».

Team Memory añade una capa de administración. También intenta responder: «¿Quién puede usar esta información, qué versión es válida y qué agente debe recibirla?». Esa diferencia importa porque encontrar un dato no basta. El equipo también necesita saber si ese dato está autorizado, actualizado y destinado a la tarea correcta.

La documentación de Tencent describe cuatro niveles de visibilidad:

• Privado: solo puede leerlo la persona propietaria del activo.
• Equipo: puede leerlo cualquier integrante del equipo.
• Restringido: requiere autorización según el usuario, el rol o el agente.
• Agente: se asigna a un agente específico dentro del equipo.

Los activos nuevos comienzan como privados. Compartirlos, por tanto, requiere una decisión explícita. La documentación localizada de Tencent Cloud indica que Memory Hub almacena y sirve activos como Wiki, Code, Skill y Chat Memory, una clasificación coherente con este modelo.

El beneficio es velocidad, pero el riesgo viaja con ella

La memoria compartida puede evitar que los agentes repitan el mismo trabajo. Un hallazgo, una decisión o un procedimiento útil puede estar disponible para todo el flujo de trabajo, en vez de quedar encerrado en la sesión de un solo bot.

El problema es que un error también puede viajar. En un sistema de un solo agente, una información equivocada suele afectar a una sesión o a una persona. En una memoria compartida, el mismo dato puede ser leído por varios agentes antes de que alguien detecte el problema.

Los tres controles que no conviene dejar para después

1. Gobernanza de escritura: decidir qué merece convertirse en memoria

No toda afirmación surgida en una conversación debe entrar al núcleo compartido. El equipo necesita definir qué datos pueden registrarse, quién los valida y qué información nunca debe conservarse allí.

2. Resolución de conflictos: establecer qué ocurre cuando los datos no coinciden

Dos agentes pueden escribir hechos contradictorios sobre el mismo módulo o proyecto. La memoria compartida necesita una regla para priorizar una versión, registrar quién la aprobó y permitir que el equipo entienda por qué una información prevaleció.

3. Corrección y expiración: retirar lo que dejó de ser cierto

La documentación de Tencent describe propiedad, versiones y estados para los activos. Sin embargo, el material revisado no describe un proceso específico para corregir o caducar un hecho que otros agentes ya leyeron, ni un mecanismo detallado para resolver memorias contradictorias. Esa es una limitación importante antes de automatizar escrituras a gran escala.

Qué decisión tiene sentido para tu equipo

La memoria compartida puede convertir varios bots aislados en un equipo más coordinado. También puede hacer que un error se propague con mucha más rapidez. La decisión no depende solo de si los agentes recuerdan más, sino de si tu organización puede controlar lo que se escribe, quién lo lee y cuándo deja de ser válido.

Si estás evaluando esta tecnología, empieza con un espacio de conocimiento acotado, como una Wiki interna con documentos revisados. Mantén privada la información nueva hasta validarla y define responsables para aprobar, corregir y retirar activos. Después mide si los agentes reducen tareas repetidas sin aumentar las respuestas inconsistentes.

Ese enfoque permite aprovechar la eficiencia de una memoria común sin entregar todo el flujo de trabajo a una fuente de verdad que todavía no tiene reglas claras de corrección. La meta no es que los agentes recuerden absolutamente todo. Es que recuerden lo correcto y lo compartan con las personas y agentes adecuados. Más sobre el tema: Microsoft unificará Copilot en una «super app». Mira cuándo llegará a tu flujo de trabajo.