Elastic abre código Atlas, sistema de memoria de agente con enfoque de ciencia cognitiva para contexto a largo plazo

Elastic lanzó Atlas, un sistema de memoria de agente de código abierto construido en Elasticsearch que aborda el problema de memoria a largo plazo en IA agentic. En lugar de intentar ajustar años de historial de interacción en una ventana de contexto fija, Atlas mantiene tres tipos de memoria fundamentada en ciencia cognitiva: episódica (qué sucedió), semántica (qué es verdadero) y procesal (qué funciona). El sistema se integra con agentes a través del Protocolo de Contexto de Modelo (MCP) y garantiza el aislamiento de memoria por usuario.

Atlas almacena memories episódicas de entradas de usuario con decaimiento natural, consolidando algunas en hechos semánticos duraderos a través de revisión LLM. Las nuevas memories semánticas se almacenan con evidencia de apoyo y hechos anteriores que superan. La memoria procesal se mantiene como playbooks (secuencias de resolución de problemas paso a paso) con contadores de éxito/fracaso para sesgar la recuperación hacia soluciones de mejor desempeño. El sistema recupera memories usando un enfoque híbrido: Reciprocal Rank Fusion sobre búsqueda léxica BM25 y búsqueda semántica Jina v5, con resultados re-clasificados a través de cross-encoder, todo con seguridad a nivel de documento garantizando que los consultas solo devuelvan memories pertenecientes al usuario.

Para constructores de agentes, Atlas aborda un problema crítico de escala: el context window stuffing se desmorona en costo, latencia y el efecto 'perdido en el medio' donde los modelos ignoran hechos lejos de los bordes del prompt. Al separar la memoria persistente a largo plazo del contexto por interacción, los agentes pueden mantener razonamiento coherente y multi-turno a lo largo de años de interacción sin inflar el recuento de tokens por solicitud. El lanzamiento de código abierto con integración MCP lo hace reutilizable en marcos de agente.