# CoEvo-Mem: Co-Evolving Retrieval Policy and Memory Bank for LLM Agents
> 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/coevo-mem
- Fuente primaria: https://arxiv.org/abs/2608.01739
- Versión leída: v1
- Fuente comprobada: 2026-08-20 · método, resultado y límites revisados; fuente primaria enlazada
- Autores: Bowen Ye, Yongchao Xu, Zhijian Li, Xiang Yin, Junkai Ma y Wenzhao Li
- Fecha del corte: 03 AGO 2026
- Área: MEMORIA · AGENTES · RETRIEVAL

## Tesis y contexto

CoEvo-Mem cierra el bucle entre retrieval y memoria: los resultados de las tareas actualizan tanto el routing como los valores y relaciones del grafo de memoria, y esos cambios modifican las recuperaciones futuras.

- Problema: Las memorias crecen y cambian, pero muchos sistemas optimizan la recuperación o la organización como si la otra parte permaneciera fija.
- Por qué importa: La memoria agentic empieza a parecerse a un sistema que aprende qué conservar, cómo relacionarlo, cuándo recuperarlo y cuánto confiar en ello, no a una base vectorial estática.

## Evidencia reportada

- **reported-result**: El paper reporta mejoras de hasta 7,50 puntos sobre el baseline más fuerte en siete benchmarks. [localizador](https://arxiv.org/html/2608.01739v1#S4)

## Lectura y límite

- Método: Mantiene congelado el LLM que responde, pero aprende un router residual que mezcla retrieval denso y disperso y evoluciona un grafo de memoria relacional con valores, relaciones semánticas, léxicas y temporales.
- Límite: El resultado depende de un ciclo de entrenamiento alternado y de evaluadores específicos de tarea; SOTA en siete benchmarks no demuestra todavía estabilidad en memorias de producción que cambian continuamente.
- Confianza editorial: Alta
- Limitación: Los siete benchmarks mezclan memoria conversacional, ciencia, multimodalidad, código, sistemas operativos y tool-use; la mejora máxima no representa todos los dominios.
- Limitación: La coevolución puede ajustarse al formato de memoria, al agente y al presupuesto de los benchmarks, y no demuestra por sí sola resistencia a memorias obsoletas o contaminadas.

## Localizadores de evidencia
- [Fuente primaria · canonical](https://arxiv.org/abs/2608.01739): tipo abstract
- [Método y Figura 2 · HTML](https://arxiv.org/html/2608.01739v1#S4): tipo figure
- [HTML · fuente navegable](https://arxiv.org/html/2608.01739): tipo abstract

## Próxima prueba

- ¿La memoria coevolucionada mantiene la ganancia en modelos y tareas no vistas sin aumentar recuerdos obsoletos?
- Métrica: Éxito, ganancia fuera de distribución, errores por memoria stale, tokens y número de actualizaciones.
- Regla de parada: Parar si la ganancia held out es menor de 3 puntos o si los errores por memoria obsoleta aumentan 5 puntos.

## Recursos reproducibles
- [HTML · fuente navegable](https://arxiv.org/html/2608.01739v1)
- [Licencia · arXiv CC BY 4.0](https://info.arxiv.org/help/license/index.html)

## Enlaces relacionados

- [VAKRA](https://luiseduardodemiguel.com/research-ia/markdown/papers/vakra)
- [TTT-Embed](https://luiseduardodemiguel.com/research-ia/markdown/papers/ttt-embed)
- [VibeLifeBench](https://luiseduardodemiguel.com/research-ia/markdown/papers/vibelifebench)