ALTK‑Evolve analizó las trayectorias de los agentes en las tareas de entrenamiento de τ²‑bench y utilizó el modelo base para destilar rutinas de comportamiento recurrentes y convertirlas en directrices breves y prácticas. Las reglas se añadieron al prompt del sistema después de la política del dominio y se aplicaron sin cambios a las tareas de prueba reservadas. Un detalle crucial: no hubo actualizaciones de pesos ni etiquetado humano, y el mismo modelo generó y aplicó las directrices. Este proceso transforma observaciones episódicas en un manual de procedimientos persistente que el agente consulta en cada llamada.

La arquitectura es ligera desde el punto de vista operativo: la extracción de directrices se ejecuta sin conexión o durante una ventana programada de reentrenamiento; el bloque de directrices se almacena en caché para reducir el coste de tokens por llamada, y las actualizaciones se implementan sustituyendo prompts, en lugar de realizar despliegues pesados de modelos. Desde la perspectiva de ingeniería, esto reduce las trabas de infraestructura y acelera la iteración en comparación con volver a entrenar modelos grandes.

Las mejoras se deben a dos efectos complementarios: las restricciones de proceso codificadas y la generalización de patrones. Las directrices condensan conocimientos procedimentales —el orden de autenticación, cómo confirmar cambios y la disciplina al llamar herramientas— en restricciones deterministas que el modelo debe respetar. Así se reducen los errores puntuales y difíciles de prever. A la vez, las reglas destiladas de varias trayectorias exitosas capturan patrones recurrentes de los clientes y heurísticas para casos límite que, de otro modo, exigirían numerosos ejemplos o un ajuste fino costoso para que el modelo las asimilara.

Desde el punto de vista arquitectónico, esta forma de memoria funciona como una capa estable de políticas a corto plazo: orienta la toma de decisiones hacia secuencias de acciones más seguras e impone una estructura de llamadas que protege la integridad de la base de datos. Como τ²‑bench solo considera que una tarea se ha completado correctamente si el estado final de la base de datos coincide con el resultado esperado, las mejoras de fiabilidad se traducen en un valor empresarial concreto: menos transacciones fallidas y menos casos escalados.

Comparemos cuatro enfoques: memoria aprendida añadida al prompt, ajuste fino de los pesos, generación aumentada por recuperación (RAG) y personalización a nivel de prompt. El ajuste fino incorpora comportamientos a los parámetros del modelo, pero es costoso, puede fallar al cambiar de dominio y requiere más tiempo para iterar. RAG proporciona conocimientos externos en el momento de la consulta, pero puede introducir ruido, requiere almacenes vectoriales y alineación, y sigue dejando al modelo la tarea de hacer cumplir las políticas. La personalización del prompt es ligera, pero a menudo no persiste más allá de una sesión. La memoria aprendida ocupa un punto intermedio: aplica restricciones procedimentales de forma persistente sin costosos reentrenamientos y funciona incluso cuando la recuperación externa no está disponible o no conviene utilizarla.

En cuanto a costes y privacidad, las directrices aprendidas implican un coste adicional predecible en tokens del prompt, a cambio de una inferencia menos compleja y una gobernanza más sencilla. No hay que proteger ningún almacén vectorial y los artefactos de entrenamiento se limitan a texto compacto y auditable por personas. Para los equipos sujetos a requisitos de residencia de datos o que necesitan poder revertir cambios rápidamente, esto reduce el riesgo operativo frente al ajuste fino y a RAG.

Empiece por instrumentar las ejecuciones de los agentes para capturar trayectorias estructuradas y llamadas a herramientas. Diseñe la extracción de directrices para generar reglas breves y verificables, junto con recuentos de respaldo que indiquen en cuántos episodios apareció cada regla. Pruebe conjuntos compactos de reglas con amplio respaldo para entornos que exigen alta fiabilidad y conjuntos más grandes, sin pérdidas, cuando la cobertura importe más que reducir al mínimo el tamaño del prompt. Use el almacenamiento en caché de prompts para los bloques de directrices idénticos y reducir así el coste en tokens en producción.

Ponga en marcha prácticas para gestionar el ciclo de vida: pruebas unitarias automatizadas que validen los bloques de directrices actualizados en un simulador reservado; revisiones humanas para reglas sensibles desde el punto de vista de la privacidad; y métricas que sigan tanto la precisión media como la fiabilidad estricta (por ejemplo, Pass^4 o una métrica equivalente). Trate el bloque de directrices como un artefacto con versiones y capacidad de reversión: sustituir prompts es rápido y permite iterar de forma segura.

La memoria aprendida hereda algunos riesgos de los modelos y también introduce otros propios. Si la extracción de directrices amplifica correlaciones espurias, puede convertir heurísticas frágiles en reglas establecidas. Los manuales demasiado extensos también pueden inflar el prompt y aumentar el coste de inferencia si no se almacenan en caché. Además, si las directrices se destilan de ejecuciones que incluyen datos confidenciales de clientes, los equipos deben sanear las entradas y asegurarse de que el propio artefacto de directrices no revele información de identificación personal.

Entre las medidas de mitigación se incluyen establecer umbrales de respaldo (conservar solo reglas respaldadas en varias tareas), automatizar la anonimización de las trazas de entrenamiento y realizar revisiones humanas rigurosas de las reglas que hagan referencia a identificadores o acciones financieras. En implementaciones sujetas a estrictos requisitos de cumplimiento, es preferible usar memorias a nivel de prompt que no incorporen datos de usuarios sin procesar y combinarlas con conjuntos de pruebas auditables antes de ponerlas en producción.