Memento-Skills enseña a los agentes de IA a reescribir sus propias herramientas

Un nuevo marco llamado Memento-Skills ofrece a los agentes de IA algo que la mayoría de los sistemas en producción aún no tienen: la capacidad de mejorar sus propias habilidades sin volver a entrenar el modelo subyacente. Construido por investigadores de varias universidades, trata la memoria como una biblioteca viva de habilidades ejecutables, no como un montón de registros de chat, y eso representa una promesa muy práctica para los equipos empresariales que intentan ejecutar agentes de IA más allá de las demostraciones de juguete.

La propuesta es lo bastante simple. En lugar de ajustar finamente un modelo de lenguaje grande congelado cada vez que cambia un flujo de trabajo, el agente actualiza archivos de habilidades externos, los prueba y sigue adelante. Eso elimina gran parte del dolor operativo, especialmente en entornos donde las mismas tareas aparecen una y otra vez con entradas ligeramente diferentes –el punto ideal para la automatización– y un lugar donde la edición manual de prompts se vuelve tediosa con rapidez.

Lo que almacena Memento-Skills

Memento-Skills almacena habilidades como archivos Markdown estructurados que pueden incluir tres cosas: descripciones declarativas de lo que hace una habilidad, prompts que orientan el razonamiento y código ejecutable o scripts auxiliares. El “bucle de Aprendizaje Reflexivo de Lectura-Escritura” del sistema permite entonces que el agente recupere la habilidad más útil en términos de comportamiento, la ejecute, inspeccione el resultado y reescriba el artefacto si algo falla. Ese es un enfoque más directo que el truco habitual de recuperación basado primero en la similitud, que puede sacar el script equivocado solo porque dos tareas suenan parecido.

También hay una salvaguarda incorporada: después de que una habilidad se modifica, el sistema genera un caso de prueba sintético y lo ejecuta antes de guardar el cambio en la biblioteca global. Ese es el tipo de barrera aburrida que realmente importa en producción, porque el código autónomo que puede editarse a sí mismo sin pruebas no es tanto “con agencia” como “un incidente de cumplimiento a la espera de ocurrir.”

Mejoras en los benchmarks GAIA y HLE

Los investigadores probaron Memento-Skills en dos benchmarks: General AI Assistants, o GAIA, y Humanity’s Last Exam, o HLE. El sistema se ejecutó sobre Gemini-3.1-Flash y superó a una línea base de Lectura-Escritura que podía recuperar habilidades y recopilar retroalimentación pero no permitía que el sistema hiciera evolucionar su propia memoria.

Recomendado

xAI demanda a un usuario de Grok por imágenes de abuso infantil

En GAIA, la precisión subió a 66.0% desde 52.3%, una ganancia de 13.7 puntos porcentuales. En HLE, escaló de 17.9% a 38.7%. El enrutador también importó: el éxito de la tarea de extremo a extremo alcanzó 80% frente al 50% de la recuperación estándar BM25. Esos no son aumentos cosméticos. Sugieren que la selección de habilidades basada en la utilidad para la tarea puede superar la coincidencia semántica simple, especialmente cuando la “memoria correcta” es un procedimiento reutilizable, no un párrafo vagamente relacionado.

El crecimiento de la biblioteca fue igual de revelador. Partiendo de cinco habilidades semilla como búsqueda web y operaciones de terminal, el sistema se expandió hasta 41 habilidades en GAIA y 235 en HLE. Ese tipo de expansión insinúa un patrón emergente en la investigación de agentes: los mejores sistemas son cada vez menos sobre prompts gigantes de una sola vez y más sobre construir una memoria operativa en capas alrededor de un modelo fijo.

Dónde deben ser cautelosas las empresas

Los investigadores publicaron el código en GitHub, lo que reduce la barrera para experimentar. Pero el artículo también deja bastante claro dónde encaja mejor esto: flujos de trabajo estructurados con patrones repetibles, no tareas desordenadas que cambian de forma cada hora. Si las tareas están aisladas o débilmente relacionadas, el sistema tiene menos de lo que aprender. Si comparten estructura, la reutilización de habilidades se compone y todo el conjunto empieza a parecer práctico.

Esa distinción importa porque muchas empresas intentan vender “agentes” en entornos que en realidad son solo montones aleatorios de solicitudes. Memento-Skills parece más adecuado para trabajo de back-office o procesos intensivos, donde el aprendizaje puede acumularse entre tareas. Agentes físicos y coordinación a largo plazo, sugiere el artículo, todavía necesitan sistemas más avanzados, posiblemente implicando múltiples agentes LLM que trabajen juntos.

La cuestión más grande es la gobernanza. Las pruebas unitarias automáticas son un comienzo, pero los sistemas de agentes que se modifican a sí mismos necesitarán capas más fuertes de evaluación y juicio antes de que alguien deba confiarles autonomía real en producción. La industria avanza hacia máquinas que reescriben sus propios hábitos operativos; los ganadores serán los equipos que mantengan ese bucle restringido, auditado y lo bastante aburrido como para sobrevivir el contacto con la realidad.