Memoria compartida, agentes que se conocen
Qué pasa cuando tres agentes corren en paralelo y aún así no se contradicen. La arquitectura detrás de los equipos reales.
El problema
Tienes Research, Critic, Analyst corriendo en paralelo. Tres sesiones distintas, cada una con su contexto. Al final tienes tres informes que pueden contradecirse.
Research dice "X es el enfoque líder". Critic dice "X es arriesgado". Analyst dice "X no lo hemos probado". Tres opiniones sobre lo mismo.
Está bien para decisiones individuales. Quieres la tensión entre perspectivas. Pero cuando los agentes construyen juntos sobre un problema más grande, necesitan una verdad común.
La respuesta: memoria compartida
En lugar de que cada agente tenga su pequeña memoria, comparten una. Misma base de datos, misma capacidad de aprender, cada uno lee lo que escribe el otro.
Cómo se ve técnicamente
A nivel BD: una tabla shared_learnings, cada entrada con campos como content, agent_id, project, confidence, timestamp.
Cada agente tiene tools para escribir (nex_learn) y leer (nex_search, nex_recall) esa tabla.
Cuando Research encuentra algo, escribe un Learning. Cuando Critic poco después comprueba la misma tesis, encuentra el Learning de Research y puede construir sobre él.
El truco: atribución por agente
Cada Learning lleva agent_id. "Eso lo escribió Research el 23/04." Eso permite dos cosas:
- Puedes filtrar Learnings por agente. "Muéstrame solo lo que dijo Critic."
- Los agentes posteriores saben QUIÉN afirmó qué, no solo QUÉ.
Importante porque distintos agentes tienen distinta fiabilidad. Cuando Research dice "Library X es estable" pesa diferente que cuando lo dice el Analyst (que ve el uso real en el código).
Neutrality Guard
Un problema específico: si el Critic ve los Learnings positivos de los otros agentes, se vuelve perezoso. "Research dijo que está bien, vale entonces."
La solución: el Critic solo recibe Learnings de tipo mistake o warning de la memoria compartida, sin confirmaciones, sin informes positivos. Tiene que argumentar desde el espacio negativo.
Es una pequeña regla en código pero mantiene el sistema honesto.
Qué puedes construir tú
Setup mínimo:
- BD SQLite o Postgres con tabla
learnings(id, agent_id, project, category, content, created_at). - Cada agente recibe dos tools:
save_learning(content, category)ysearch_learnings(query). - En el prompt: "Antes de empezar,
search_learningscon tu tema. Al terminar, escribe los aprendizajes clave consave_learning."
Esa es la base. Sobre eso puedes añadir features: deduplicación, decaimiento de confianza, cross-agent boost.
Qué puede StudioMeyer Memory
StudioMeyer Memory (el SaaS que montaste en el Nivel 4) hace exactamente eso como software listo. Más de 50 tools para Learning, Deciding, entidades del knowledge graph, skills. Multi-tenant, con agent attribution, con neutrality guard incorporado.
Puedes construir tu propio memory server en el Nivel 6. O simplemente usar la solución existente, que lleva tiempo construyéndose porque tiene que correr largo tiempo.
Cierre del Nivel 5
Has entendido la arquitectura multi-agente. CEO coordina, workers se especializan, memoria compartida conecta. Esa es la base para sistemas de IA profesionales en 2026.
El Nivel 6 es el paso a lo propio: construyes un MCP server y lo lanzas en vivo. No solo para ti, quizás también para vender.