Del grafo temporal al grafo causal

La mayoría de los sistemas de recuperación de información actuales siguen basados en similitud semántica. Un modelo busca fragmentos de texto parecidos a la consulta y genera una respuesta a partir de ellos. Este enfoque funciona razonablemente bien para preguntas factuales simples, pero muestra limitaciones claras cuando se necesita razonar sobre el tiempo, sobre causas y sobre el conocimiento compartido de una organización.

Una alternativa más robusta son los grafos de conocimiento temporales. En lugar de almacenar texto plano, se modelan entidades (personas, clientes, proyectos, decisiones, problemas, documentos) y las relaciones entre ellas. Cada relación lleva marcas de tiempo: cuándo comenzó a ser válida y, eventualmente, cuándo dejó de serlo. El sistema no borra información antigua; la invalida. De este modo es posible consultar el estado del conocimiento en un momento preciso del pasado o preguntar qué es cierto en el presente.

Este tipo de grafo se denomina bi-temporal porque registra dos dimensiones temporales distintas: el tiempo de validez del hecho en el mundo real y el tiempo en que el sistema registró o actualizó esa información. La combinación de ambas permite reconstruir de forma consistente la evolución del conocimiento.

Estado actual de la tecnología

Graphiti, construido sobre Neo4j, representa actualmente una de las implementaciones más maduras de este enfoque. Maneja capas episódicas (los datos crudos tal como fueron recibidos), capas semánticas (entidades y relaciones extraídas) y mecanismos de invalidación automática cuando aparece información contradictoria. Además conserva la procedencia completa de cada hecho. Zep ha llevado esta arquitectura a un concepto de “Context Lake”: múltiples grafos de tamaño medio, aislados por contexto o por sujeto, en lugar de un único grafo monolítico.

Durante 2025 y 2026 se observa una evolución clara hacia los grafos causales. Trabajos como CausalRAG (ACL 2025) y CausalRAG2 (ICML 2026) introducen la idea de “puertas causales” o filtros que privilegian caminos causa-efecto validados sobre simples correlaciones semánticas. El objetivo es restringir el razonamiento del modelo de lenguaje a cadenas que tengan soporte causal explícito. Esto reduce alucinaciones y mejora la capacidad de responder preguntas del tipo “¿por qué ocurrió X?” o “¿qué consecuencias tuvo la decisión Y?”.

En paralelo, el grafo deja de concebirse únicamente como memoria de un agente individual. Pasa a ser memoria organizacional: un espacio compartido donde varios agentes y varias personas escriben y leen bajo reglas de permiso. El conocimiento deja de estar fragmentado en conversaciones privadas y se convierte en un activo estructurado de la organización.

Existen además líneas de investigación que exploran memoria unificada de largo y corto plazo gestionada por el propio agente (AgeMem, MRAgent), así como enfoques de memoria multimodal o basada en la organización de archivos markdown por parte del agente.

Consideraciones para una arquitectura más avanzada

En un sistema que ya opera con un grafo bi-temporal compartido entre varios agentes de rol, la extensión natural consiste en incorporar de forma explícita relaciones causales sobre la ontología existente. No se trata de sustituir la infraestructura actual, sino de enriquecer el modelo de extracción y de consulta para que pueda representar y recorrer cadenas del tipo causa → efecto → acción → resultado.

Una segunda capa necesaria es la gobernanza del conocimiento compartido: definir con precisión qué información puede ser escrita en el grafo común, qué permanece en la memoria conversacional privada de cada agente y bajo qué permisos se puede consultar. Sin estas reglas, el grafo corre el riesgo de convertirse en un repositorio desordenado.

Finalmente, se puede explorar una capa en la que el propio agente trate las operaciones de memoria (almacenar, invalidar, resumir, recuperar) como herramientas que decide invocar. Esto permitiría una gestión más eficiente del contexto a lo largo del tiempo, aunque requiere una base causal y de gobernanza ya estabilizada.

La dirección general es clara: pasar de un repositorio de hechos temporales a un sistema capaz de soportar razonamiento causal y de servir como memoria estructurada de una organización, manteniendo control sobre los datos y sin depender de plataformas cerradas.

→ Back to Blog