Sin duda, es positivo ver que las mayores plataformas de datos se orientan hacia soluciones de memoria flexibles en cuanto a modelos e independientes de los marcos de trabajo. Por ejemplo, @databricks lanzó la memoria para agentes en versión beta el 12 de octubre, poco después de que @MongoDB incorporara esta capacidad a Atlas el mes pasado.
Sin embargo, persiste un problema importante. Aunque esta memoria puede funcionar con distintos modelos y agentes, con frecuencia sigue vinculada a una única plataforma de datos. Como resultado, los valiosos conocimientos sobre los clientes que obtienen tus agentes se convierten en otro activo cautivo que no puedes trasladar.
Walrus Memory garantiza que tus datos sigan siendo completamente tuyos. Funciona como una capa de memoria independiente que acompaña a tu agente dondequiera que vaya. Como no está limitada a ninguna plataforma específica, se puede acceder a ella desde cualquier entorno de ejecución o modelo. Guardar un dato es tan sencillo como usar remember(), y recuperarlo solo requiere recall().
https://docs.databricks.com/aws/en/release-notes/product/2026/october
Sin embargo, persiste un problema importante. Aunque esta memoria puede funcionar con distintos modelos y agentes, con frecuencia sigue vinculada a una única plataforma de datos. Como resultado, los valiosos conocimientos sobre los clientes que obtienen tus agentes se convierten en otro activo cautivo que no puedes trasladar.
Walrus Memory garantiza que tus datos sigan siendo completamente tuyos. Funciona como una capa de memoria independiente que acompaña a tu agente dondequiera que vaya. Como no está limitada a ninguna plataforma específica, se puede acceder a ella desde cualquier entorno de ejecución o modelo. Guardar un dato es tan sencillo como usar remember(), y recuperarlo solo requiere recall().
https://docs.databricks.com/aws/en/release-notes/product/2026/october