Estudio de caso: 77% de entidades perdidas, luego 100% recuperadas

Cuando una conversación de LLM supera la ventana de contexto, las plataformas la resumen y pierden información. Lo medimos en nuestro propio despliegue multi-agente en producción: la compactación estándar perdió el 77% de las entidades nombradas (personas, decisiones, herramientas, fechas). Al preguntar sobre una integración de procesador de pagos discutida 90 minutos antes, el agente respondió "No lo sé".

Reemplazamos la compactación con una arquitectura de recuperación de tres capas sobre memoria estructurada: las entidades sobreviven en su totalidad, y el agente recupera exactamente lo que la conversación actual necesita, bajo demanda.

El resultado, medido en más de 16.000 mensajes en dos instancias de agente de producción: 100% de recuperación de decisiones previas (frente al 43% sin él), mientras que una sesión de 46 MB se comprime a 35 kB de contexto de trabajo — una reducción del 99.94% en la carga de tokens. La conclusión del artículo publicado se mantiene: no pagues por un modelo mejor, paga por una memoria mejor.

La metodología completa, que incluye una revisión de 27 artículos recientes de grupos de investigación occidentales, chinos, coreanos y japoneses, se publica como un artículo abierto por GLG, a.s. (marzo de 2026) — incluyendo ediciones coreanas y chinas.