Recuerda cómo se comporta cualquier asistente de lenguaje moderno en el trabajo cotidiano. Ayer pasaste dos horas explicándole las particularidades de la estructura de tu proyecto, corrigiendo con paciencia errores de sintaxis en la configuración del servidor web y enseñándole el formato correcto para exportar tablas. Pero llega la mañana, abres una nueva ventana de chat... y ves una página en blanco. El modelo vuelve a no recordar nada, te propone alegremente los mismos comandos que no funcionan y comete exactamente los mismos errores cuya corrección ayer tomó horas.
Esta enfermedad se llama «amnesia de agentes». Los intentos de vencerla simplemente inflando la ventana de contexto hasta un millón de tokens no llevan a nada bueno: el contexto se vuelve monstruosamente caro y la atención del modelo se degrada (efecto attention rot). La división de investigación Tencent Hunyuan propuso una solución arquitectónica radicalmente distinta: el framework Tencent Hyra 2.0 y el stack abierto de memoria a largo plazo Hy-Memory 2.0, que permite a los agentes acumular experiencia de forma continua y transferirla a lo largo de semanas de trabajo.
Amnesia de agentes: por qué el contexto millonario no evita tropezar con la misma piedra
Cuando le damos al modelo una sábana gigante de conversaciones en bruto de la semana pasada, lo obligamos a buscar una aguja en un pajar. En el volumen total de diálogos, el 95% del texto son frases de cortesía, razonamientos intermedios e intentos fallidos.
La arquitectura Hyra 2.0 se apoya en un enfoque fundamentalmente distinto: la fase de reflexión (Lesson Reflection). Tras completar cualquier tarea laboral —exitosa o fallida— el agente no cierra la sesión en silencio. Ejecuta un breve ciclo de autoanálisis:
- ¿Qué objetivo se había fijado para la tarea?
- ¿En qué punto surgió el fallo o el retraso?
- ¿Qué regla abstracta concreta evitará que este error se repita en el futuro?
La lección formada se empaqueta en una estructura comprimida de tres campos: disparador de la situación, condición y acción correctiva. Esta regla se guarda en la base de conocimiento permanente Books, volviéndose accesible no solo para el agente actual, sino para cualquier otro asistente del ecosistema.
Arquitectura Hy-Memory 2.0 y modelo de memoria 30B MoE
Gastar modelos insignia carísimos como Claude Opus o GPT-4o en el empaquetado rutinario de notas de memoria no tiene sentido económico. Por eso Tencent entrenó el modelo abierto especializado Hy-Memory-30B-A3B.
Se trata de una arquitectura de mezcla de expertos (MoE) con un volumen total de 30 mil millones de parámetros, pero al procesar cada token se activan apenas 3 mil millones de parámetros (Active Parameters). El modelo está afinado específicamente para extraer entidades, resolver contradicciones semánticas y comprimir experiencia. Gracias al número compacto de parámetros activos funciona a toda velocidad, y la búsqueda vectorial sobre una base de 50,000 precedentes acumulados mediante Qdrant o ChromaDB toma menos de 60 milisegundos. Según mediciones de los desarrolladores, introducir la fase de reflexión reduce el porcentaje de repetición de errores similares en un 84% ya desde la segunda sesión de trabajo.
Tres dominios de conocimiento: del perfil del usuario a la cadena de parches diff
En Hy-Memory 2.0 la memoria está estrictamente estructurada en tres dominios independientes:
- Chat Memory (Memoria comunicativa): aquí se registra el retrato del usuario — estilo de habla preferido, trayectoria profesional, idioma de las respuestas y terminología específica.
- Working Memory (Memoria operativa de proyectos): estado de las tareas abiertas, lista de servicios implicados y conclusiones analíticas intermedias.
- Coding Memory (Memoria evolutiva del código): una cadena especializada de parches (diff-chain). El agente recuerda no solo el código actual, sino el historial de sus cambios y las razones por las que se tomó tal o cual decisión arquitectónica.
Para conectar la memoria con entornos externos se utiliza el gateway multiaplicación MemHub, que permite enchufar al almacenamiento único IDE, utilidades de consola y plugins de navegador.
Integración programática y fase de reflexión en Python
El paquete se instala con un solo comando desde el repositorio abierto:
pip install hy-memory
A continuación se presenta la implementación en Python del motor de reflexión, que extrae lecciones y las mezcla en los nuevos prompts:
from dataclasses import dataclass
from typing import Dict, Any, List
@dataclass
class JobOutcome:
job_id: str
target_action: str
status: str
diagnostic_output: str
class HyraMemoryController:
def __init__(self):
self.lessons_catalog: List[Dict[str, Any]] = []
def reflect_on_outcome(self, outcome: JobOutcome) -> Dict[str, Any]:
# Extracción de una regla invariante a partir del error
if outcome.status == "failed":
lesson = {
"scope": outcome.target_action,
"error_trigger": "nginx_reload_fail",
"remedy_rule": "Ejecuta siempre la comprobación de sintaxis 'nginx -t' antes de llamar a systemctl restart",
"confidence": 0.95
}
else:
lesson = {
"scope": outcome.target_action,
"error_trigger": "none",
"remedy_rule": "Usa la directiva clean-build para evitar conflictos de artefactos",
"confidence": 0.85
}
self.lessons_catalog.append(lesson)
print(f"[HY-MEMORY] Lección guardada en la base Books: {lesson['remedy_rule']}")
return lesson
def enrich_prompt_with_experience(self, action_type: str, base_query: str) -> str:
matched_rules = [item['remedy_rule'] for item in self.lessons_catalog if item['scope'] == action_type]
if not matched_rules:
return base_query
advice_block = "\n".join([f"- Experiencia previa: {rule}" for rule in matched_rules])
return f"{base_query}\n\n[EXPERIENCIA ACTUAL DE HY-MEMORY]\n{advice_block}"
El concepto de Tencent Hyra 2.0 cierra la brecha principal entre bots de demostración desechables y asistentes corporativos fiables: la IA por fin empieza a aprender de sus propios errores, volviéndose más inteligente y experimentada con cada jornada laboral.

