Los agentes de IA tienen la memoria de un pez dorado. Esto es lo que quiero decir: Tu agente ejecuta una tarea, recupera el contexto, razona sobre él y lo ejecuta. Excelente. Ahora cierra la sesión. ¿Qué pasa con todo lo que acaba de aprender? Desaparecido. Cada sesión reconstruye el estado desde cero. La mayoría de las pilas de IA manejan 3–4 herramientas de memoria: caché a corto plazo, almacenamiento a largo plazo y búsqueda de contexto, cada una con su propio formato y modos de fallo. Por eso, cuando la IA genera algo extraño, no está claro si falló el modelo o la memoria. A escala de chatbot, es molesto. Para agentes que gestionan carteras, cadenas de suministro u operaciones de equipo, la pérdida de contexto se convierte en un riesgo financiero. @WalrusProtocol lanzó MemWal (beta) para resolver esto. → Un único SDK que reemplaza la pila de memoria improvisada. Los datos se almacenan en Walrus. La propiedad y los permisos de acceso se gestionan en Sui. → La memoria es tipada: las conversaciones se tratan de forma diferente a los puntos de control de flujos de trabajo y las trazas de razonamiento. El control de acceso te permite definir exactamente qué agente o usuario puede leer o escribir en memoria específica. → Cada fragmento de memoria es verificable. Cuando un agente toma una decisión con dinero real en juego, puedes rastrear exactamente qué recordaba y con qué estaba trabajando en ese momento. Me encanta ver cómo Walrus abraza la toma de control por parte de los agentes de IA. O te adaptas o sales del negocio. Divulgación: Tengo tokens $WAL