INTERMEDIO · 8 MÓDULOS · 64 LECCIONES

Memoria y estado en agentes

Dale a tu agente una memoria que sobrevive al cierre de la sesión: que recuerde a cada usuario, actualice lo que cambió y olvide cuando se lo pidan.

Es para ti si
Ya construiste un agente con herramientas y en cada sesión nueva olvida todo lo anterior.
Al terminar
Sabrás qué guardar, cómo recuperar lo relevante al abrir una sesión y cuándo hace falta búsqueda semántica.
Necesitas
Python y SQL básicos, y haber hecho un agente con tool calling. No necesitas llave de API.
  1. 01Por qué los agentes olvidan entre sesiones8 LECCIONES
    1. Módulo 1: Por qué los agentes olvidan entre sesiones
    2. La memoria de corto plazo es la lista `messages`
    3. El límite: cuando el proceso termina
    4. Una demo real: dos procesos separados
    5. Memoria de conversación vs. memoria de documentos
    6. El caso canónico: Ana y Reservo
    7. Qué tiene que sobrevivir a la sesión
    8. Mini-proyecto: prueba que el agente olvida
  2. 02Tipos de memoria (working, episódica, semántica)8 LECCIONES
    1. Módulo 2: Tipos de memoria (working, episódica, semántica)
    2. Memoria working: el recap de corto plazo
    3. Memoria de largo plazo: lo que persiste
    4. Memoria episódica: qué pasó
    5. Memoria semántica: hechos y preferencias
    6. La investigación: Generative Agents y MemGPT
    7. Clasificando los eventos de Ana
    8. Mini-proyecto: ordena eventos en tipos de memoria
  3. 03El store de memoria persistente8 LECCIONES
    1. Módulo 3: El store de memoria persistente
    2. Por qué sqlite3 y no en memoria
    3. El esquema: episodes y facts
    4. Escribir con una conexión, leer con otra
    5. La tabla episodes
    6. La tabla member_facts
    7. Diego entra en escena: filtrando por miembro
    8. Mini-proyecto: un store persistente para Ana
  4. 04Qué se guarda (extraer hechos, no transcripciones)8 LECCIONES
    1. Módulo 4: Qué se guarda (extraer hechos, no transcripciones)
    2. Por qué NO la transcripción cruda
    3. Extrayendo hechos de los `tool_result`
    4. La función `extract_facts`
    5. Episodios vs. hechos: qué vale la pena persistir
    6. Escribiendo la sesión 1 de Ana en el store
    7. Extracción determinista vs. extracción con LLM
    8. Mini-proyecto: persistir una sesión completa
  5. 05Recuperar memoria relevante8 LECCIONES
    1. Módulo 5: Recuperar memoria relevante
    2. Recuperación por clave de miembro
    3. Recuperación por recencia
    4. Recuperación por coincidencia de palabras clave (léxica)
    5. El límite léxico: no es semántica
    6. Medir el recall de la recuperación
    7. Combinar estrategias de recuperación
    8. Mini-proyecto: recuperar la memoria de Ana
  6. 06Actualizar, expirar y olvidar memoria8 LECCIONES
    1. Módulo 6: Actualizar, expirar y olvidar memoria
    2. La memoria cambia: `update_fact`
    3. El timestamp `updated_at`
    4. Expirando memoria con TTL
    5. Filtrando hechos vencidos en la lectura
    6. Olvidar de verdad: `forget_member`
    7. Privacidad y el derecho al olvido
    8. Mini-proyecto: actualizar, expirar y olvidar
  7. 07Inyectar memoria en una sesión nueva8 LECCIONES
    1. Módulo 7: Inyectar memoria en una sesión nueva
    2. El ciclo escribir-al-terminar, leer-al-empezar
    3. `format_memory_block`: darle forma al texto
    4. Inyectar en el `system`
    5. Inyectar en los `messages` iniciales
    6. El ciclo completo: de la sesión 1 a la sesión 2
    7. La frontera con `context-engineering-guide`
    8. Mini-proyecto: un agente de Reservo con memoria
  8. 08Proyecto: un agente de Reservo con memoria de miembro8 LECCIONES
    1. Módulo 8: Proyecto: un agente de Reservo con memoria de miembro
    2. El ciclo completo de memoria
    3. Sesión 1: reservar y recordar
    4. Entre sesiones: el store persiste
    5. Sesión 2: recuperar y personalizar
    6. Diego y el filtro por miembro
    7. Lo que tu sistema de memoria todavía necesita
    8. Proyecto: envía el agente con memoria
Reseñas

Lo que dicen los estudiantes

Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.

Aún no hay reseñas aprobadas.

¡Sé el primero en compartir tu experiencia!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab