Memoria para agentes de IA: guía paso a paso para que no se le olvide la conversación
Un agente de IA sin memoria repite las mismas preguntas en cada conversación. Aquí te explicamos paso a paso cómo darle memoria de corto y largo plazo, cuánto cuesta en tokens, y qué errores evitar antes de lanzarlo.
De un chatbot que repite todo a un agente que recuerda a tus clientes
Memoria para tu agente de IA: la pieza que decide si de verdad sirve
Paso a paso para que tu agente recuerde la conversación y a tus clientes, cuánto cuesta en tokens, y la checklist antes de lanzarlo.
Un agente de IA que no recuerda nada es, en el fondo, un chatbot con otro nombre: cada vez que un cliente vuelve a escribir, tiene que repetir quién es, qué pidió y qué le prometiste. Darle memoria a tu agente —que recuerde la conversación de principio a fin, y que recuerde a un cliente de una visita a la otra— es lo que separa un experimento de una herramienta que de verdad atiende. Esta guía te lleva paso a paso por cómo se construye esa memoria con n8n y las APIs de OpenAI, Claude o Gemini, y trae un PDF gratis para descargar con la checklist de lo que no puedes olvidar antes de lanzar tu agente.
¿Qué es la memoria de un agente de IA (y por qué importa)?
Cuando decimos que un agente de IA «tiene memoria» hablamos de dos cosas distintas, y conviene no mezclarlas. La primera es la memoria de corto plazo: que el agente recuerde lo que se dijo hace tres mensajes, dentro de la misma conversación. La segunda es la memoria de largo plazo: que recuerde a ese mismo cliente la próxima semana, aunque abra un chat nuevo. Un modelo de lenguaje como GPT, Claude o Gemini no guarda nada por sí solo: cada vez que le mandas un mensaje, solo sabe lo que va dentro de ese mensaje. Si quieres que recuerde algo más, tienes que mandárselo tú, y ahí es donde entra la memoria que construyes alrededor del modelo.
El modelo no recuerda, tu flujo sí
Por default, la API de OpenAI, la de Claude (Anthropic) y la de Gemini son sin estado: no existe ningún botón de «recordar» dentro del modelo. Cada llamada es independiente, y la memoria se construye fuera del modelo —en tu automatización de n8n, por ejemplo— guardando el historial en algún lado y volviendo a mandárselo en cada mensaje.
La memoria no es un detalle técnico, es lo que decide si el agente resuelve algo solo o se queda a medias. Un estudio de Salesforce AI Research con el benchmark CRMArena-Pro encontró que los agentes de IA resuelven de principio a fin apenas el 35% de las tareas de soporte que requieren varios turnos de conversación, contra 58% cuando la tarea se resuelve en un solo turno; la pérdida de contexto a mitad de la conversación fue una de las causas señaladas. Puedes ver el estudio aquí.
Los tipos de memoria que puede tener tu agente
No toda memoria sirve para lo mismo. Antes de construir nada, conviene saber qué tipos existen y para qué usa cada uno un negocio que atiende por WhatsApp, web o cualquier otro canal.
| Tipo de memoria | Qué guarda | Dónde se guarda | Cuándo usarla |
|---|---|---|---|
| Buffer (corto plazo) | Los últimos mensajes de la conversación actual | En el propio flujo (nodo Simple Memory de n8n) | Para no repetir preguntas dentro del mismo chat |
| Resumen | Un resumen comprimido cuando la conversación se alarga | Generado por el modelo, guardado junto al buffer | Conversaciones largas, para no mandar todo el historial |
| Perfil (largo plazo) | Datos fijos del cliente: nombre, pedidos, preferencias | Base de datos (Postgres, Supabase, Airtable) | Para recordar al cliente entre visitas distintas |
| Semántica (vectorial) | Fragmentos de texto o documentos, buscables por significado | Base vectorial (pgvector, Pinecone) | Para recordar hechos sueltos entre mucho historial o documentos |
Mandar de más sube el gasto en tokens y puede confundir al agente con información vieja que ya no aplica a la conversación actual.
Cómo construir la memoria paso a paso
Construir la memoria de un agente no es prender un interruptor: son decisiones concretas sobre qué guardar, dónde guardarlo y cómo identificar a cada cliente. Así se hace, paso a paso, con un flujo típico en n8n conectado a la API de OpenAI, Claude o Gemini.
Decide qué necesita recordar tu agente
Corto plazo (dentro de la conversación), largo plazo (entre visitas distintas), o ambos. No todos los agentes necesitan las dos cosas.
Conecta un nodo de memoria al agente
En n8n, agrega el nodo Simple Memory (o Postgres Chat Memory para producción) al bloque de Agente de IA, y dale una clave de sesión única tomada del número de WhatsApp o el ID del contacto, para que las conversaciones no se mezclen entre clientes.
Fija el tamaño de la ventana de contexto
Define cuántos mensajes anteriores se mandan como memoria (Context Window Length). Mandar muchos sube el gasto en tokens y hace más lenta la respuesta; mandar pocos hace que el agente olvide rápido.
Agrega memoria de largo plazo en una base de datos
Crea una tabla con los datos del cliente que sí quieres que persistan entre conversaciones (nombre, último pedido, preferencias), y dale al agente una herramienta para leerla y otra para escribirla.
Si hace falta, suma una base vectorial
Para negocios con mucho historial o documentos, una base vectorial (como pgvector en Supabase) permite que el agente busque hechos por significado en vez de recorrer todo el historial.
Pon un límite y pruébalo con conversaciones reales
Simula clientes que regresan después de varios días, que cambian de tema a mitad del chat y que piden borrar sus datos, y revisa que la memoria responda bien en los tres casos antes de lanzarlo.
Nodo Simple Memory, campo Session Key (expresión):
={{ $json.body.from }}
Esto toma el número de WhatsApp de quien escribe y lo usa
como clave única: la memoria de un cliente nunca se mezcla
con la de otro, aunque hablen al mismo número de negocio.Ejemplo: una clínica dental que ya no empieza de cero
Cuando un paciente escribe «hola, quiero mi cita de limpieza», el agente no solo entiende el mensaje: consulta su registro, ve que su última limpieza fue hace seis meses y que tiene un tratamiento abierto, y le ofrece fecha sin que el paciente tenga que repetir su nombre, ni el consultorio tenga que buscarlo manualmente.
Si prefieres que alguien más lo arme por ti, en Zadrig Technology construimos esta memoria como parte de los agentes de IA que hacemos a la medida; escríbenos por WhatsApp y te damos una demostración gratis.
Errores que hacen que tu agente olvide todo
El error más común: la clave de sesión
Si tu agente corre por WhatsApp o por un webhook, la memoria necesita una clave de sesión única por cliente. Si no la defines tú mismo —casi siempre a partir del número de teléfono o el ID del contacto— las conversaciones de dos clientes distintos se mezclan, o el historial se queda vacío en cada mensaje. Es el fallo número uno al construir memoria en n8n.
- Cada cliente tiene su propia clave de sesión, no una compartida para todo el flujo.
- La ventana de contexto tiene un límite razonable; no manda todo el historial en cada mensaje.
- Los datos de largo plazo (nombre, pedidos, preferencias) viven en una base de datos, no solo en el buffer de la conversación.
- Si usas n8n en modo cola (queue mode), no dependes del nodo Simple Memory: pasas a Postgres u otra base externa.
- Hay una forma de borrar los datos de un cliente si lo pide, y cumples con el manejo de datos personales.
- Probaste la memoria con una conversación que se corta y regresa días después, no solo con un chat continuo.
Cuánto cuesta la memoria en tokens
La memoria no es gratis: cada mensaje anterior que el agente «recuerda» se vuelve a mandar como parte del siguiente mensaje, y eso son tokens que pagas. Como referencia, el precio de ejemplo de gpt-4o-mini de OpenAI, uno de los modelos más usados para chatbots de negocio por su costo bajo, es de $0.15 USD por cada millón de tokens de entrada, según la página oficial de precios de la API. Mueve los valores para estimar tu caso.
Calcula cuánto te cuesta la memoria en tokens
Es un estimado solo de los tokens que se repiten por mandar la memoria en cada mensaje, no el costo total del agente.
Cifras de ejemplo: $0.15 USD por millón de tokens de entrada de gpt-4o-mini (precio oficial de OpenAI) y un tamaño promedio de 80 tokens por mensaje. No incluye los tokens de salida ni el resto de la conversación.
Memoria de agentes en México y Latinoamérica
La memoria no es un tema exclusivo de empresas grandes con equipos de datos. Así se aplica en negocios reales de México y Latinoamérica:
Agencias que atienden varias cuentas
Una agencia de marketing en México que opera agentes de IA para varios clientes necesita memoria separada por cada cuenta y cada contacto final, no una sola memoria compartida; la clave de sesión incluye tanto el negocio como el cliente.
SaaS y soporte técnico
Un SaaS latinoamericano que atiende tickets por chat se beneficia de memoria de largo plazo que ligue cada conversación al historial de incidentes del cliente, para no pedirle que repita el problema que ya reportó.
Tiendas en línea
Un negocio que vende por WhatsApp puede usar memoria de perfil para recordar el método de pago preferido o el último pedido de un cliente, y así cotizar o dar seguimiento sin reconstruir el historial de compra.
Clínicas y despachos
Una clínica, un despacho contable o una escuela que agenda citas con IA necesita que el agente recuerde el expediente o el caso del cliente entre una visita y otra, no solo dentro del mismo chat.
Preguntas frecuentes
¿La memoria de un agente de IA es lo mismo que entrenarlo?
No. Entrenar (o hacer fine-tuning) cambia el modelo mismo; la memoria solo le pasa información al modelo en cada llamada. La mayoría de los agentes de negocio no necesitan fine-tuning, solo buena memoria y buen contexto.
¿Dónde se guarda la memoria de largo plazo?
En una base de datos aparte del modelo: Postgres, Supabase, Airtable o similar. El modelo de IA (OpenAI, Claude, Gemini) nunca guarda nada por su cuenta entre llamadas.
¿Más memoria siempre es mejor?
No. Mandar más mensajes de contexto en cada llamada sube el costo en tokens y puede distraer al agente con información vieja que ya no aplica; lo ideal es memoria de corto plazo acotada más memoria de largo plazo bien resumida.
¿Qué pasa si un cliente pide que se borren sus datos?
Si guardas memoria de largo plazo, necesitas una forma de borrar el registro de ese cliente en tu base de datos; es parte de construir la memoria correctamente, no un extra.
¿Necesito una base vectorial para tener memoria?
No siempre. Para recordar una conversación o el perfil de un cliente basta con un buffer y una base de datos normal; la base vectorial (pgvector, Pinecone) sirve cuando el agente debe buscar hechos sueltos entre mucho historial o documentos.
Fuentes
¿Quieres que te construyamos el agente con memoria incluida?
En Zadrig Technology armamos agentes de IA con memoria de corto y largo plazo, conectados a WhatsApp, tu base de clientes y las herramientas que ya usas. Escríbenos y una persona te responde con una demostración gratis.
Escríbenos por WhatsApp
