Cómo crear memoria JSON para agentes de IA

Imagina que en seis meses alguien más, o incluso un agente de IA, abre la carpeta de tu proyecto y tiene que retomarlo sin poder preguntarte nada. ¿Podría hacerlo con lo que dejaste ahí? Aprender a diseñar la memoria de un agente de IA es clave para lograr que la respuesta sea un sí rotundo, sin perder trazabilidad, fecha ni control humano en el proceso. Esta guía es para quienes automatizan flujos de trabajo con inteligencia artificial y quieren que su información sea reutilizable con confianza.

Qué es la memoria de un agente y qué no debería ser

La memoria de un agente es la información que puede recuperar para responder con continuidad: documentos, métricas, definiciones, decisiones previas, fuentes y reglas de negocio. Lo interesante está en lo que no debería ser.

Una memoria mal hecha es una carpeta de resúmenes sin contexto, donde perdiste de dónde salió cada cosa. Una memoria útil conserva siempre la procedencia y la fecha, exactamente los mismos elementos que registras en la bitácora de un proyecto desde el primer día [00:44].

¿Qué es la memoria de un agente de IA? Es la información que un agente puede recuperar para dar respuestas con continuidad: documentos, métricas, definiciones y decisiones previas, siempre con su fuente y fecha pegadas.

Estamos en una época donde muchos de estos procesos empezarán a delegarse a la inteligencia artificial [01:20]. Por eso importa dejar el terreno preparado.

Qué información necesita tu agente para usar tu trabajo con confianza

Para que un agente use tu trabajo sin equivocarse, necesita acceso a una lista concreta de elementos. Puede parecer larga, pero cada campo evita un error silencioso.

• La fuente original y su enlace.
• La fecha de publicación y la fecha en la que la consultaste.
• El extracto más relevante del texto.
• Los temas, etiquetas y entidades que se mencionan.
• Un nivel de confianza que tú mismo asignas a cada dato.
• Las definiciones exactas de cómo se calcula cada KPI.
• El data set completo y su versión específica.
• Las decisiones previas y el motivo detrás de cada una.
• La caducidad esperada de esa información, es decir, cada cuánto renovarla [02:30].

Y aquí viene lo interesante: esta lista no es exagerada si piensas en el problema real. Sin ella, un agente mezcla datos de distintas fechas y versiones sin que nadie lo note. Es el mismo error silencioso que aparece en las alucinaciones [03:10].

¿Por qué guardar la fecha y la fuente de cada dato? Porque sin ellas un agente combina información de versiones distintas y da respuestas erróneas con total confianza, sin que puedas rastrear de dónde salió el fallo.

Cómo convertir un hallazgo en un registro de memoria en JSON

El siguiente paso es transformar un hallazgo real de un proyecto, en este caso uno de fintech, en un registro de memoria completo. La herramienta para lograrlo es un prompt bien construido.

El prompt pide convertir la información en un registro de memoria en formato JSON con campos como fuente original, enlace, fecha de publicación y, sobre todo, cuándo debería revisarse de nuevo [03:40]. Le pasas todos tus datos al chat, incluso el dashboard generado, y le das clic.

El resultado se ve un poco extraño al principio, pero es ordenado. Incluye:

• El ID o nombre del registro de memoria.
• El título de la información y la descripción de qué hace el documento.
• La fecha de creación y el esquema, es decir, los títulos de cada columna [04:30].
• Los archivos usados, el rol de la información, cuándo se consultó y cuándo se verificó.

Después de ese bloque, viene lo práctico. Este registro sirve para alimentar un agente tipo Open Cloud o cualquier otro, pasarlo dentro de rutinas o agregarlo como contexto directo [05:20].

Cómo agregar la memoria como contexto en Cloud

Dentro de Cloud, en la sección de proyectos, puedes sumar este registro como contexto del agente. El flujo es directo.

1. Entra a la sección de proyectos en Cloud.
2. Selecciona agregar contenido de texto.
3. Nombra la entrada, por ejemplo memorias o proyecto de investigación.
4. Pega el contenido y da clic en agregar [05:40].

Con eso, el agente ya tiene memoria sobre lo que has estado trabajando y puede recuperarlo cuando lo necesite.

Cómo se conecta la memoria con un sistema RAG

Aquí entra un concepto potente: la recuperación aumentada por generación, conocida como RAG. Es el mecanismo que hace que un agente responda anclado en documentos concretos.

En un flujo RAG, el sistema primero busca fragmentos relevantes dentro de una base de conocimiento y después genera una respuesta usando esos fragmentos como apoyo. Esto ancla las respuestas en un documento concreto en lugar de la memoria general del modelo [06:10].

¿Qué es un sistema RAG? Es un método que busca fragmentos relevantes en una base de conocimiento y genera la respuesta apoyándose en ellos, en lugar de depender solo de la memoria general del modelo.

Pero ojo, un RAG no elimina la necesidad de evaluar la recuperación, las fuentes y las citas. Un RAG mal alimentado te da respuestas ancladas en la fuente equivocada con la misma confianza que si estuviera bien [06:40].

Por eso los registros de memoria que construiste son el material ideal: cada fragmento ya trae su fuente, fecha y nivel de confianza pegados, en lugar de flotar suelto dentro de un documento largo.

Cuál es tu reto para automatizar este flujo

Ahora te toca replicar el proceso con tu propia información. El objetivo es dejar tu proyecto listo para delegarlo.

Crea un archivo JSON con toda la información que has acumulado hasta ahora y pásasela a Cloud a través de un proyecto o directamente a tu agente [07:10]. Así das un paso más en automatizar esta parte del flujo.

¿Qué campo crees que sería el primero en fallar en tu propio proyecto si lo dejaras sin fecha? Cuéntanoslo en los comentarios.