Por qué los agentes de IA necesitan tres tipos de memoria: los grafos de contexto de Neo4j

Por Neo4j (Jim Webber, Chief Scientist) · 1 de junio de 2026.

El artículo, firmado por Jim Webber, Chief Scientist de Neo4j, arranca con una premisa clara: el salto de los chatbots a los agentes autónomos no es solo una cuestión de modelo, sino de infraestructura de datos. Según Webber, los sistemas actuales fallan en producción porque su 'memoria' se reduce a un buffer de conversación y una base de conocimiento estática. El agente lee el objetivo, planifica acciones, consulta hechos y ejecuta una búsqueda por similitud —pero tras varios ciclos pierde el hilo del plan original o el razonamiento detrás de cada decisión, y acaba haciendo algo distinto a lo que se le pidió.

**El concepto de grafo de contexto**

La solución que propone Neo4j recibe el nombre de 'context graph' (grafo de contexto). Foundation Capital ya había identificado este patrón como una tendencia arquitectónica relevante en la infraestructura de sistemas agénticos. Lo que añade Neo4j es una taxonomía operativa: en lugar de tratar el 'contexto' como una categoría monolítica, lo descompone en tres capas de memoria funcionalmente distintas pero interconectadas, que juntos forman lo que Webber llama un 'Sim City data model': composable, flexible y procesable de forma independiente por capa.

**Primera capa: memoria a largo plazo (conocimiento empresarial)**

En la base del grafo de contexto reside el conocimiento empresarial —hechos de movimiento lento, casi inmutables: la ubicación geográfica de un edificio, la capital de un país, las interacciones entre moléculas y receptores en bioinformática, o el estado de una red de transporte público. Esta es la memoria a largo plazo del agente. Muchas empresas ya cuentan con grafos de conocimiento de alta fidelidad, curados tanto por expertos como por algoritmos. La velocidad de cambio de estos datos es baja, pero su valor es alto: proporcionan la 'verdad de dominio' que corrige las lagunas del entrenamiento del modelo y reduce las alucinaciones.

**Segunda capa: memoria a corto plazo (historial de conversación)**

En el nivel intermedio se sitúa el historial de conversación, que gestiona información más volátil: qué preguntó el usuario, en qué está trabajando el agente, qué ha completado ya en sesiones anteriores o qué conocimiento necesita para la tarea actual. Esta capa captura el estado del agente y el historial de mensajes, sesiones y conversaciones. Su función es evitar la 'deriva de contexto': que el agente olvide qué tareas ya realizó o qué conocimiento consultó. Además, esta capa permite la orquestación multi-agente, ya que los agentes pueden ver en tiempo real en qué está trabajando cada uno de los demás agentes del sistema.

**Tercera capa: memoria de razonamiento (trazas de decisión)**

En el vértice del grafo de contexto se sitúan las trazas de decisión, que capturan los procesos internos de toma de decisiones del agente y su historial histórico de decisiones. Una vez tomada una decisión, esta —junto con los razonamientos y las herramientas utilizadas— se almacena como un 'decision trace'. A través de actividad autorreferencial, el agente puede vincular conocimiento y conversaciones con sus propias trazas para tomar mejores decisiones y mejorar su capacidad de razonamiento a lo largo del tiempo. Esta capa también proporciona transparencia y explicabilidad para auditoría, tanto por parte de humanos como de otros agentes.

**Por qué grafos y no bases de datos convencionales**

Webber reconoce que la pregunta obvia es si esto ya existía en forma de bases de datos de grafos tradicionales. Su respuesta es afirmativa, con un matiz: las tres capas pueden implementarse con una base de datos de grafos y consultarse con lenguajes como Cypher o GQL, pero la tendencia actual se orienta hacia APIs —como la API Neo4j Agent Memory— que encapsulan las consultas y ofrecen funcionalidad útil como la resolución de entidades en nombre del agente, manteniendo los datos bien curados. Con estas APIs, un agente puede simplemente 'recordar' un hecho (incluyendo entidades y sus asociaciones) sin necesidad de escribir consultas explícitas.

**Neo4j Agent Memory: la implementación práctica**

Neo4j ha publicado Neo4j Agent Memory como una biblioteca de código abierto que se ejecuta sobre cualquier instancia de Neo4j y empaqueta los tres tipos de memoria del grafo de contexto. La biblioteca gestiona el modelado del esquema de grafos, la escritura de consultas Cypher, la resolución de entidades, la adición de conexiones, resúmenes y metadatos, y el mantenimiento de los datos limpios y bien curados. Integra con los principales frameworks de agentes: LangChain, Pydantic AI, LlamaIndex, CrewAI y OpenAI Agents, lo que permite añadir un grafo de contexto a un agente ya construido sin reescribir la arquitectura. También existe una utilidad `create-context-graph` para crear desde cero una aplicación de IA agéntica completa, con backend, frontend con visualización de grafos y grafo de contexto del dominio.

**Implicaciones para la IA agéntica en producción**

La propuesta de Neo4j ataca un problema real y documentado en sistemas agénticos: la falta de persistencia estructurada del razonamiento provoca fallos en tareas largas y multi-paso. La separación en tres capas —conocimiento estable, contexto volátil y trazas de decisión— permite escalar y procesar cada componente de forma independiente según sus necesidades temporales y funcionales. Esto es especialmente relevante para casos de uso empresariales donde la explicabilidad y la auditoría son requisitos no negociables: si el agente puede mostrar qué decisión tomó, por qué y con qué herramientas, la confianza operacional aumenta significativamente.

Como contexto del sector, la gestión de la memoria en agentes de IA es uno de los problemas más activos en investigación y producción en 2025-2026. Proyectos como MemGPT (ahora Letta), los sistemas de memoria de LangGraph, o el propio Memory de OpenAI para ChatGPT abordan partes del mismo problema. La diferenciación de Neo4j reside en el uso del grafo como estructura de datos nativa para representar no solo hechos, sino también relaciones entre decisiones, conversaciones y entidades —lo que los enfoques basados en embeddings vectoriales o bases de datos relacionales no capturan de forma natural.

**Riesgos y oportunidades**

La apuesta de Neo4j posiciona a la compañía en el centro de la infraestructura de agentes empresariales, un mercado en crecimiento acelerado. El riesgo principal es la complejidad operacional: mantener tres grafos interconectados y bien curados requiere disciplina de datos que muchas organizaciones aún no tienen. La oportunidad, sin embargo, es clara: los agentes que pueden explicar sus decisiones, recuperarse de errores y mejorar con el tiempo son la diferencia entre un prototipo y un sistema de producción confiable. La apertura del código (Neo4j Agent Memory es open source) y la integración con frameworks estándar del ecosistema son señales de que Neo4j apuesta por la adopción amplia antes que por el lock-in.

**Perspectiva regulatoria**

Desde la perspectiva del EU AI Act, la capa de trazas de decisión del grafo de contexto es especialmente relevante para sistemas de IA de alto riesgo, donde la explicabilidad y la capacidad de auditoría son requisitos obligatorios. Una arquitectura que registra sistemáticamente qué decidió el agente, por qué y con qué información facilita el cumplimiento regulatorio de forma nativa, sin necesidad de añadir capas de logging externas a posteriori.

**Prospectiva**

El modelo de tres capas que propone Neo4j podría convertirse en un patrón de referencia para la industria si la comunidad lo adopta a través de los frameworks de agentes más populares. La integración con MCP (Model Context Protocol) —mencionada en el artículo— sugiere además que la propuesta está alineada con los estándares emergentes de interoperabilidad entre agentes y herramientas. Si el concepto de grafo de contexto gana tracción, Neo4j estaría bien posicionada como la capa de conocimiento de facto para agentes empresariales de próxima generación.