# Agent Memory Distillation: Empowering Small LLM Agents with Hierarchical Teacher Memory
> Ficha editorial pública de Research IA. Estado: Lectura primaria completa. La interpretación editorial no sustituye la fuente primaria.

- Página canónica: https://luiseduardodemiguel.com/research-ia/papers/agent-memory-distillation
- Fuente primaria: https://arxiv.org/abs/2608.07169
- Versión leída: v1
- Fuente comprobada: 2026-08-20 · método, resultado y límites revisados; fuente primaria enlazada
- Autores: Taeil Kim, Kangsan Kim y Sung Ju Hwang
- Fecha del corte: 07 AGO 2026
- Área: SLM · MEMORIA · TOOL-USE

## Tesis y contexto

AMD construye memorias de Workflow, Subtask y Function a partir de trayectorias exitosas de un agente profesor; las dos primeras se inyectan al comenzar y la tercera aparece cuando falla una llamada a herramienta.

- Problema: Los modelos pequeños generan pocas trayectorias exitosas por sí mismos y tienen dificultades para construir una experiencia de tool-use suficientemente rica.
- Por qué importa: La experiencia puede convertirse en un activo transferible: un agente frontier aprende procedimientos y una flota de modelos de 4B–8B los ejecuta a menor coste.

## Evidencia reportada

- **reported-result**: Las ganancias medias reportadas son +27,2 puntos en AppWorld, +11,2 en BFCL V3 y +3,4 en ToolSandbox. [localizador](https://arxiv.org/html/2608.07169v1#S3)

## Lectura y límite

- Método: Genera tres niveles de memoria a partir de trayectorias exitosas de un teacher: Workflow para estrategia de tarea, Subtask para ejemplos intermedios y Function para convenciones y fallos de llamadas.
- Límite: La transferencia es training-free, pero no es gratuita: depende de que el teacher produzca experiencias representativas y de que la memoria sea compatible con el estudiante y sus herramientas.
- Confianza editorial: Alta
- Limitación: La destilación se evalúa con un teacher y cuatro modelos estudiantes en tres benchmarks de tool-use; no cubre memoria de largo plazo, cambios de política o usuarios adversariales.
- Limitación: Comprimir trazas puede perder condiciones, permisos o incertidumbre y hacer que el estudiante parezca más eficiente a costa de una explicación menos auditable.

## Localizadores de evidencia
- [Fuente primaria · canonical](https://arxiv.org/abs/2608.07169): tipo abstract
- [Jerarquía de memoria · HTML](https://arxiv.org/html/2608.07169v1#S3): tipo section
- [HTML · fuente navegable](https://arxiv.org/html/2608.07169): tipo abstract

## Próxima prueba

- ¿La memoria destilada mejora tool-use y mantiene fidelidad y privacidad cuando las tareas incluyen información sensible o contradictoria?
- Métrica: Éxito de tarea, fidelidad factual, recuperación de restricciones, fuga de datos y tokens de contexto.
- Regla de parada: Parar si aparece cualquier fuga de dato sensible o si la ganancia de tarea es menor de 5 puntos.

## Recursos reproducibles
- [HTML · fuente navegable](https://arxiv.org/html/2608.07169v1)

## Enlaces relacionados

- [SKILLER](https://luiseduardodemiguel.com/research-ia/markdown/papers/skiller)
- [CoEvo-Mem](https://luiseduardodemiguel.com/research-ia/markdown/papers/coevo-mem)
- [SkillSentry](https://luiseduardodemiguel.com/research-ia/markdown/papers/skillsentry)