Análisis en profundidad · Unos 4 min de lectura
Databricks lleva MemCurrent a Agent Bricks Beta: cómo interpretar sus resultados
La memoria combina trazas originales, conocimiento destilado y consolidación asíncrona; las cifras empresariales siguen siendo pruebas del proveedor.
- Publicado aquí
- Fecha de la fuente
- Fuente revisada
Databricks anunció Agent Memory en Beta el 20 de octubre y detalló la arquitectura MemCurrent. El cambio ofrece infraestructura gestionada para conservar conocimiento entre sesiones. La pregunta de investigación es si seleccionar y reutilizar lo relevante evita repetir exploraciones, no si un agente puede recordarlo todo.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- El servicio usa Lakebase y reúne sesiones gestionadas, memoria persistente y procesos de consolidación.
- La evaluación interna incluye 114 casos, 29 usuarios y 2.233 sesiones históricas; no es una clasificación general de modelos.
Producto y arquitectura son cosas distintas
Agent Memory gestiona registros ordenados, hechos y flujos duraderos, y procesos que extraen información de esos registros. Usa Lakebase, el Postgres sin servidor de Databricks. Los desarrolladores pueden inspeccionar, exportar y eliminar entradas, además de orientar qué conservar. Guardar una conversación no equivale a decidir qué afirmación debe regir la siguiente respuesta. El estado Beta impide suponer un comportamiento idéntico en todas las instalaciones.
Dos capas y dos tiempos de mantenimiento
MemCurrent conserva trazas episódicas de solo anexado y conocimiento derivado modificable, organizado como archivos. Al iniciar una sesión carga un índice; después dispone de búsqueda y lectura detallada. Las herramientas en línea atienden solicitudes explícitas de añadir, modificar y borrar; el proceso asíncrono extrae lecciones implícitas, une duplicados y resuelve conflictos. Las trazas preservan evidencia y el índice facilita encontrarla. Sacar la extracción de la respuesta inmediata reduce trabajo en esa ruta, pero retrasa la disponibilidad de aprendizajes implícitos. La corrección explícita y el mantenimiento programado cumplen funciones diferentes.
Qué significa la prueba empresarial
La evaluación procede de conversaciones de Genie: 114 casos revisados de 29 usuarios y 2.233 sesiones previas. Examina aplicar conocimiento en tareas de datos de varios pasos, no solo recuperar una frase. Databricks comunica un 22,3% de éxito sin memoria y un 68,4% con MemCurrent; este último consumió 418K tokens y 252 segundos por tarea de media. La reducción del 31% en tokens y del 26% en duración corresponde a ese contraste. No predice el rendimiento de cualquier empresa ni compara suscripciones de asistentes públicos. La evaluación interna de Genie usó Claude Opus 4.6 como agente y GPT 5.6 sol para memoria, con tres repeticiones.
No confundir contexto largo con memoria
En tres pruebas públicas de memoria conversacional, la precisión media comunicada fue 88,1% frente a 87,8% con historial completo, usando unos 8,4K frente a 103K tokens de entrada por pregunta. Son pruebas de preguntas y respuestas: no deben mezclarse con los totales empresariales. En la ablación interna, solo trazas alcanzó 35,8%, memoria derivada 66,1% y ambas 68,4%. La extracción asíncrona sola obtuvo 63,5%, las herramientas en línea 53,9% y su combinación 66,1% para memoria derivada. Esto apoya funciones complementarias en ese diseño; no demuestra que más historial siempre ayude. La prueba pública de preguntas y respuestas usó GPT 5.6 luna y promedió LangGraph, OpenAI Agents SDK y tres repeticiones.
Comprobaciones para una adopción responsable
Análisis de AISubHub: un piloto debería incluir cambios de hechos, instrucciones contradictorias y preguntas sin necesidad de memoria. Si un equipo redefine hipotéticamente «cliente activo», un flujo antes correcto puede volverse perjudicial al conservar la definición antigua. Conviene comprobar el origen de cada memoria, la propagación de correcciones y la persistencia de borrados y límites entre usuarios durante la recuperación. Hay que medir éxito y duración total, incluida la consolidación asíncrona, no solo la reducción del prompt. Son criterios propuestos, no prestaciones verificadas por nosotros. Los anuncios no aportan un nuevo precio de suscripción.
Por qué importa
Análisis de AISubHub: mantener una base inspeccionable puede ser más útil que ampliar continuamente el prompt. Su valor depende de la vigencia de los datos y de los permisos del usuario. Hay que sumar éxito de tareas, mantenimiento y correcciones.
Límites y disponibilidad
El producto está en Beta. Las mediciones son de Databricks, no pruebas nuestras; los datos internos y las configuraciones concretas limitan la generalización. No hay garantía universal de precio, latencia o mejora.
Fuentes y pruebas
Fecha de la fuente: · Fuente revisada:
Fecha de la fuente: · Fuente revisada:
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.