Memoria para agentes

Los LLMs no tienen memoria por defecto — cada llamada es independiente. Para que un agente recuerde conversaciones anteriores, necesitas implementar memoria.

Tipos de memoria:

1. Buffer Memory (corto plazo): • Guarda las ultimas N mensajes de la conversacion • Simple pero consume tokens rapidamente • Ideal para chatbots y agentes conversacionales

2. Summary Memory: • Usa el LLM para resumir la conversacion periodicamente • Ahorra tokens manteniendo el contexto • Pierde detalles especificos

3. Vector Memory (largo plazo): • Guarda cada interaccion como embedding en base vectorial • Busca recuerdos relevantes por similitud • Ideal para agentes que necesitan recordar semanas/meses

4. Entity Memory: • Extrae entidades (personas, empresas, conceptos) y las guarda • El agente "sabe" sobre Carlos, su empresa, sus preferencias • Ideal para asistentes personalizados

# Memoria simple con historial
from anthropic import Anthropic

client = Anthropic()
memory = []  # Historial de mensajes

def chat(user_message):
    memory.append({"role": "user", "content": user_message})

    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=1024,
        system="Eres un asistente con memoria. Recuerdas todo.",
        messages=memory,  # Envia TODO el historial
    )

    assistant_msg = response.content[0].text
    memory.append({"role": "assistant", "content": assistant_msg})
    return assistant_msg

# Conversacion con memoria
print(chat("Me llamo Carlos y tengo 30 anos"))
print(chat("Trabajo como developer en Python"))
print(chat("Que sabes de mi?"))
# Responde: "Te llamas Carlos, 30 anos, developer Python"