Brain-AI Memory – una arquitectura abierta para diagnosticar fallas de memoria en agentes LLM de larga ejecución

Si consideramos como un simple “problema de retrieval” los casos en que un agente usa recuerdos antiguos, vuelve a preguntar algo que ya registró, ignora reglas o abandona a mitad de camino un procedimiento de fallback, resulta difícil encontrar la causa.
Brain-AI Memory no es un proyecto que solo les pone otro nombre a RAG, hook, guard, harness y loop. Los separa en memoria episódica y semántica, regla procedural y ejecución, estado numérico, routing e input gate, y conecta cada uno con sus condiciones de falla y su ciclo de vida.
La estructura, usada durante varios meses en un sistema real de agentes multi-proyecto, se publicó con un enfoque clean-room. Incluye un ejemplo de ejecución de 60 segundos, hooks reutilizables y una plantilla de memoria, fundamentos operativos y resultados de retrieval en las 500 preguntas de LongMemEval-S.
También se publicaron tal cual los resultados negativos del benchmark. El puntero de 96 keywords redujo en 93% el texto indexado, pero recall@3 cayó de 86.1% con BM25 completo a 71.0%.
En particular, me gustaría recibir feedback sobre si las fallas reales de agentes encajan bien en este mapeo de componentes y en qué puntos no encajan.

[gkgusdl4]

README en coreano:
https://github.com/Hahyun-Lee/brain-ai-memory/blob/main/README.ko.md

Ejecución en 60 segundos:
git clone https://github.com/Hahyun-Lee/brain-ai-memory.git
cd brain-ai-memory
python3 examples/01_guard_in_action.py
python3 examples/02_lifecycle_decision.py

En particular, me interesan dos tipos de feedback.

1. ¿Las fallas de un agente real de larga ejecución se distinguen suficientemente con este mapeo de componentes?
2. Para una adopción real, ¿qué hace más falta: una implementación de referencia instalable o un benchmark de QA de extremo a extremo?