# monigatti-rag-to-agent-memory-evolution-2025-11-03

## Veille

Evolución de RAG a Agent Memory - Operaciones de lectura-escritura - Gestión de datos en inferencia - Vector Databases - Memoria persistente para agentes de IA - Leonie Monigatti

## Titre Article

The Evolution from RAG to Agentic RAG to Agent Memory

## Date

2025-11-03

## URL

https://www.leoniemonigatti.com/blog/from-rag-to-agent-memory.html

## Keywords

Retrieval-Augmented Generation, RAG, Agentic RAG, Agent Memory, Vector Databases, Búsqueda Semántica, Llamadas a Herramientas, Operaciones de Lectura-Escritura, Gestión de Memoria, Memoria Procedimental, Memoria Episódica, Memoria Semántica, Ventana de Contexto, Corrupción de Memoria, Gestión de Datos, Aprendizaje Persistente, Personalización, Historial de Conversaciones, Agentes LLM

## Authors

Leonie Monigatti

## Ton

**Perfil:** Técnico-educativo | Tercera persona explicativa | Analítico-pedagógico | Intermedio

Monigatti adopta un estilo didáctico de blog técnico que traza una evolución tecnológica cronológica. El tono pedagógico se estructura en torno a una progresión conceptual clara: RAG → Agentic RAG → Agent Memory. El uso de pseudocódigo que ilustra las transiciones técnicas concreta las abstracciones. Las preguntas retóricas estructuran el razonamiento («¿Cómo recuperar?» → «¿Debo recuperar?» → «¿Cómo se gestiona la información?»). Las admisiones de matiz («introduce nuevos desafíos como la corrupción de memoria») establecen una perspectiva equilibrada. Contenido típico de un profesional de ML que explica patrones arquitectónicos a una audiencia técnica familiarizada con los conceptos fundamentales pero que explora el estado del arte.

## Pense-betes

- **RAG (2020)**: recuperación de un solo paso desde fuentes de conocimiento externas * Almacenamiento offline * Una recuperación por consulta * Pregunta: «¿Cómo recuperar?»
- **Agentic RAG**: recuperación dinámica mediante llamadas a herramientas * El agente determina si se necesita información adicional * Posibles múltiples turnos de recuperación * Pregunta: «¿Debo recuperar?»
- **Agent Memory**: operaciones de lectura-escritura mediante herramientas * WriteTool junto a SearchTool * Aprendizaje persistente durante la inferencia * Pregunta: «¿Cómo se gestiona la información?» **Evolución conceptual en 3 etapas** 1. **Almacenamiento + recuperación** (RAG básico) 2. **Recuperación decidida por el agente** (Agentic RAG) 3. **Gestión de datos completa** (Agent Memory) **Aplicaciones prácticas de Agent Memory**
- Experiencias de usuario personalizadas mediante el almacenamiento del historial de conversaciones
- Creación automática de memoria a partir de detalles importantes (preferencias, fechas, nombres)
- Sistemas de memoria multifuente (procedimental, episódica, semántica) **Tipos de memoria**
- **Procedimental**: know-how, flujos de trabajo
- **Episódica**: interacciones pasadas, historial de contexto
- **Semántica**: hechos, conocimiento del dominio **Nuevos desafíos**
- Corrupción de memoria que requiere estrategias de gestión dedicadas
- Validación de las operaciones de escritura
- Versionado de memoria y resolución de conflictos
- Privacidad y políticas de retención de datos **Cambio de paradigma**
- De sistemas centrados en la recuperación a la gestión de datos completa
- La información fluye de forma bidireccional dentro y fuera de las ventanas de contexto
- Las capacidades de persistencia y aprendizaje cambian de forma fundamental

## RésuméDe400mots

En este artículo técnico, Leonie Monigatti presenta la evolución arquitectónica desde el RAG básico (2020) hasta Agent Memory, trazando la progresión en la forma en que los sistemas de IA acceden y gestionan el conocimiento externo, con un enfoque en el flujo bidireccional de información hacia y desde las ventanas de contexto de los LLM.

**RAG básico (2020): la capa fundacional**

Retrieval-Augmented Generation introdujo la recuperación de un solo paso desde fuentes de conocimiento externas. Arquitectura simple: almacenamiento offline + una única recuperación por consulta. Pregunta central: «¿Cómo recuperar?». La búsqueda semántica mediante Vector Databases aumenta el LLM con información externa relevante. Limitación: recuperación determinista, de un solo paso, sin refinamiento adaptativo de la consulta.

**Agentic RAG: capacidad de recuperación dinámica**

La evolución introduce llamadas a herramientas (tool calls) que permiten al agente determinar si se necesita información adicional. El pseudocódigo ilustra la transición:

```
SearchTool available → The agent evaluates relevance → Multiple retrieval turns possible
```

La pregunta cambia: «¿Cómo recuperar?» se convierte en «¿Debo recuperar?». El agente decide de forma autónoma cuándo y dónde recuperar información. La recuperación se vuelve más estratégica, contextual e iterativa. Pero las operaciones siguen siendo de solo lectura: la información fluye únicamente hacia la ventana de contexto.

**Agent Memory: gestión de datos completa**

«El siguiente paso lógico tras la evolución de RAG básico a Agentic RAG». Introduce un WriteTool junto al SearchTool. Cambio de paradigma importante: operaciones de lectura-escritura. La pregunta pasa a ser: «¿Cómo se gestiona la información?».

El pseudocódigo muestra la transformación:
```
SearchTool (read) + WriteTool (write) → Bidirectional information flow → Persistent learning
```

La información fluye en ambas direcciones: no solo recuperación, sino también almacenamiento y modificación durante la inferencia. Como resultado, las capacidades de aprendizaje persistente de los agentes cambian de forma fundamental.

**Aplicaciones prácticas demostradas**

**Experiencias de usuario personalizadas**: el almacenamiento del historial de conversaciones garantiza la continuidad entre sesiones. Las preferencias del usuario y los patrones de interacción se conservan de forma persistente.

**Creación automática de memoria**: el sistema extrae y almacena detalles importantes (preferencias, fechas, nombres) sin un comando explícito del usuario. Gestión proactiva de la memoria.

**Sistemas de memoria multifuente**: arquitectura que admite distintos tipos de memoria:
- **Memoria procedimental**: flujos de trabajo, know-how
- **Memoria episódica**: interacciones pasadas, historial de contexto
- **Memoria semántica**: hechos, conocimiento del dominio

Esta separación permite estrategias de recuperación especializadas para cada tipo de memoria.

**Nuevos desafíos introducidos**

El artículo, equilibrado en su tratamiento, destaca los desafíos:

**Corrupción de memoria**: las operaciones de escritura pueden introducir errores e información desactualizada. Se necesitan estrategias de validación.

**Complejidad de gestión**: el versionado, la resolución de conflictos y las políticas de retención se vuelven necesarios. Más poder = gobernanza más compleja.

**Privacidad**: el almacenamiento persistente plantea cuestiones de retención de datos, consentimiento y derecho al olvido.

**Cambio de paradigma resumido**

La evolución representa un cambio fundamental de los sistemas centrados en la recuperación hacia la gestión de datos completa. RAG recuperaba conocimiento, Agentic RAG decidía cuándo recuperar, Agent Memory gestiona todo el ciclo de vida del conocimiento.

Cita clave: «La memoria del agente representa un cambio de paradigma desde sistemas centrados en la recuperación hacia una gestión de datos integral».

Progresión del framework: aumento estático → recuperación dinámica → aprendizaje persistente. Cada etapa se construye sobre las capacidades anteriores añadiendo una capa de autonomía. Agent Memory permite a los agentes aprender de las interacciones, construir bases de conocimiento y personalizar las respuestas en función de la experiencia acumulada. La transformación de una herramienta de recuperación en una plataforma de gestión de datos redefine de forma fundamental la arquitectura de los agentes LLM.

## GrapheDeConnaissance

- Leonie Monigatti —publie→ analyse de l'évolution RAG vers Agent Memory (DOCUMENT, 0.98)
- Agentic RAG —est_basé_sur→ RAG (TECHNOLOGIE, 0.97)
- Agent Memory —est_basé_sur→ Agentic RAG (TECHNOLOGIE, 0.97)
- Agent Memory —utilise→ opérations lecture-écriture (CONCEPT, 0.95)
- RAG —utilise→ vector databases (TECHNOLOGIE, 0.93)
- Agentic RAG —utilise→ tool calls dynamiques (CONCEPT, 0.94)
- Agent Memory —permet→ apprentissage persistant (CONCEPT, 0.92)
- Agent Memory —utilise→ mémoire procédurale (CONCEPT, 0.9)
- Agent Memory —utilise→ mémoire épisodique (CONCEPT, 0.9)
- Agent Memory —utilise→ mémoire sémantique (CONCEPT, 0.9)
- Agent Memory —permet→ corruption mémoire (CONCEPT, 0.88)
- gestion complète des données —remplace→ systèmes centrés récupération (CONCEPT, 0.92)

---
Canonical: https://www.thekb.eu/es/fiches/monigatti-rag-to-agent-memory-evolution-2025-11-03/