{"id":5566,"date":"2026-07-28T08:00:00","date_gmt":"2026-07-28T15:00:00","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=5566"},"modified":"2026-07-30T15:22:40","modified_gmt":"2026-07-30T22:22:40","slug":"what-we-learned-evaluating-agent-memorythe-setup-part-1","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/es\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/","title":{"rendered":"Lo que aprendimos al evaluar la memoria de los agentes: La configuraci\u00f3n (Parte 1)\u00a0"},"content":{"rendered":"<p class=\"wp-block-paragraph\">La memoria de los agentes es uno de los problemas de infraestructura m\u00e1s dif\u00edciles en la IA aplicada en este momento, y el ecosistema de evaluaciones al respecto a\u00fan est\u00e1 tomando forma. Este art\u00edculo consta de dos partes. La Parte 1 abarca qu\u00e9 est\u00e1bamos evaluando, c\u00f3mo lo medimos y c\u00f3mo est\u00e1 construido el conducto. <a href=\"https:\/\/www.couchbase.com\/blog\/es\/what-we-learned-evaluating-agent-memorythe-results-part-2\/\">La Parte 2 cubre<\/a> lo que los experimentos mostraron en realidad. Publicamos ambos porque las decisiones que intervienen en la evaluaci\u00f3n son tan trascendentales como las decisiones del sistema, y esa parte rara vez se pone por escrito.<\/p>\n\n\n\n<h2 id=\"h-what-is-agent-memory-and-why-is-it-not-just-rag\" class=\"wp-block-heading\">\u00bfQu\u00e9 es la memoria de un agente y por qu\u00e9 no es solo RAG?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La memoria de los agentes es lo que hace que un agente de IA no parezca tener amnesia.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los agentes de IA tradicionales no tienen estado. Cada conversaci\u00f3n comienza desde cero. Por ejemplo, un bot de atenci\u00f3n al cliente gestiona un ticket, el usuario vuelve a llamar dos d\u00edas despu\u00e9s y el bot no tiene registro de la interacci\u00f3n anterior. Un asistente de programaci\u00f3n explica el mismo concepto dos veces en la misma semana porque no tiene memoria de la primera conversaci\u00f3n. Un asistente de compras recomienda algo que el usuario ya ha comprado.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La memoria del agente aborda esto manteniendo una capa persistente que almacena lo que un agente aprende sobre un usuario a lo largo de las sesiones y hace que se pueda recuperar en interacciones futuras. El agente aprende hoy que un usuario es vegetariano y al\u00e9rgico a los mariscos, y recurre a ese contexto en octubre cuando el usuario pide recomendaciones para cenar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si has trabajado antes con la generaci\u00f3n aumentada por recuperaci\u00f3n (RAG), esto te puede sonar familiar. Los mecanismos superficiales son similares: almacenar elementos en una base de datos vectorial, recuperar fragmentos relevantes al momento de la consulta y pasarlos a un LLM. Pero la memoria de los agentes es un problema fundamentalmente diferente de tres maneras.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Primero, el corpus es personal y din\u00e1mico. En el RAG de documentos, el corpus suele ser una colecci\u00f3n est\u00e1tica, una base de conocimiento, un conjunto de PDF y una base de c\u00f3digo. En la memoria de los agentes, el corpus es todo el historial conversacional de un usuario. Crece con cada sesi\u00f3n y es diferente para cada usuario.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En segundo lugar, las consultas son autobiogr\u00e1ficas en lugar de informativas. Una b\u00fasqueda en una base de conocimientos es una consulta sobre el mundo. Una consulta de memoria es una consulta sobre el usuario, cosas que dijo, preferencias que expres\u00f3 y experiencias que mencion\u00f3. \u201c\u00bfCu\u00e1l es la capital de Francia?\u201d y \u201c\u00bfQu\u00e9 dije sobre mis restricciones diet\u00e9ticas?\u201d no son el mismo problema de recuperaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tercero, el tiempo es una dimensi\u00f3n de primera clase. El mismo hecho puede aparecer de forma contradictoria entre sesiones, y la recencia determina qu\u00e9 versi\u00f3n es la correcta. Si un usuario mencion\u00f3 dos gatos en marzo y tres gatos en junio, la respuesta correcta a \u201c\u00bfCu\u00e1ntos gatos tengo?\u201d depende enteramente de cu\u00e1ndo se hace la pregunta. Un sistema de recuperaci\u00f3n de documentos no necesita razonar sobre esto. Un sistema de memoria de un agente s\u00ed, constantemente.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"499\" src=\"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.23-PM-1024x499.png\" alt=\"\" class=\"wp-image-5567\" srcset=\"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.23-PM-1024x499.png 1024w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.23-PM-300x146.png 300w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.23-PM-768x374.png 768w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.23-PM-18x9.png 18w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.23-PM.png 1216w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Por esto un sistema RAG no puede simplemente ser rebautizado como memoria de agente. Las decisiones de dise\u00f1o son diferentes, los modos de fallo son diferentes y, como descubrimos, las pruebas de rendimiento tambi\u00e9n lo son. Los sistemas de recuperaci\u00f3n de documentos se eval\u00faan seg\u00fan su capacidad para encontrar el fragmento correcto en un corpus fijo. Los sistemas de memoria de agentes necesitan manejar un corpus que es personal, est\u00e1 en crecimiento y est\u00e1 lleno de contradicciones. Las pruebas de rendimiento existentes para RAG no revelan los modos de fallo que importan para la memoria de agentes. Tuvimos que encontrar los que s\u00ed lo hacen.<\/p>\n\n\n\n<h2 id=\"h-the-benchmarks-what-exists-and-why-it-matters\" class=\"wp-block-heading\">Los puntos de referencia: qu\u00e9 existe y por qu\u00e9 importa<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Antes de medir cualquier cosa, tuvimos que decidir sobre qu\u00e9 medir.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El panorama de las pruebas comparativas de memoria para agentes sigue siendo relativamente joven. Trabajamos con dos de ellas: LoCoMo y LongMemEval.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">LoCoMo (Memoria de Conversaci\u00f3n a Largo Plazo) se basa en 10 registros de conversaciones largas: conversaciones naturalistas entre dos personas que divagan, hacen referencia a eventos pasados y contienen contexto impl\u00edcito. A partir de esos 10 registros, el punto de referencia genera 1,540 preguntas distribuidas en cuatro categor\u00edas:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Salto simple: Un dato, establecido directamente en alguna parte. \u201c\u00bfQu\u00e9 investig\u00f3 Caroline?\u201d -&gt; \u201cagencias de adopci\u00f3n\u201d.\u201d<\/li>\n\n\n\n<li>Multi salto: La respuesta requiere conectar informaci\u00f3n de dos o m\u00e1s lugares. \u201c\u00bfPara qu\u00e9 cre\u00f3 conciencia la carrera ben\u00e9fica?\u201d -&gt; tienes que encontrar tanto que hubo una carrera ben\u00e9fica como que fue para la salud mental.<\/li>\n\n\n\n<li>Temporal: Preguntas sobre cu\u00e1ndo ocurrieron las cosas. \u201c\u00bfCu\u00e1ndo pint\u00f3 Melanie un amanecer?\u201d -&gt; \u201c2022.\u201d<\/li>\n\n\n\n<li>Dominio abierto: Preguntas que requieren razonamiento en lugar de recuperaci\u00f3n. \u201c\u00bfCaroline a\u00fan querr\u00eda buscar asesoramiento si no hubiera recibido apoyo al crecer?\u201d -&gt; la respuesta no se establece en ninguna parte, tiene que inferirse.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">LoCoMo eval\u00faa la recuperaci\u00f3n naturalista a largo plazo. Las conversaciones son desordenadas de la manera en que las conversaciones reales son desordenadas. Las respuestas est\u00e1n incrustadas en el contexto en lugar de estar etiquetadas ordenadamente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">LongMemEval est\u00e1 construido de otra manera. Son 500 preguntas, cada una ubicada en un pajar de sesiones de conversaci\u00f3n. Los tipos de preguntas son m\u00e1s granulares y, desde una perspectiva de dise\u00f1o de sistemas, m\u00e1s reveladores:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Usuario de una sola sesi\u00f3n (SSU): Algo que el usuario dijo en una sesi\u00f3n. \u201c\u00bfCu\u00e1nto dura mi trayecto al trabajo?\u201d -&gt; \u201c45 minutos.\u201d<\/li>\n\n\n\n<li>Asistente de sesi\u00f3n \u00fanica (SSA): Algo que el asistente dijo en una sesi\u00f3n. \u201c\u00bfPuedes recordarme el restaurante de Roma que me gust\u00f3?\u201d -&gt; \u201cRoscioli\u201d. Esta categor\u00eda importa porque la respuesta se encuentra en la producci\u00f3n anterior del propio asistente, no en la del usuario.<\/li>\n\n\n\n<li>Preferencia de sesi\u00f3n \u00fanica (SSP): una preferencia que el usuario expres\u00f3. \u201cPuedes sugerir accesorios que complementen mi equipo de fotograf\u00eda\u201d -&gt; el sistema debe haber retenido la preferencia del usuario por equipo compatible con Sony.<\/li>\n\n\n\n<li>Multi-Sesi\u00f3n (MS): La respuesta requiere sintetizar informaci\u00f3n de m\u00faltiples sesiones diferentes.<\/li>\n\n\n\n<li>Actualizaci\u00f3n de conocimiento (KU): La informaci\u00f3n ha cambiado. \u201c\u00bfCu\u00e1ntas bicicletas tengo actualmente?\u201d -&gt; \u201c4.\u201d Pero al principio del historial, la respuesta era 3. El sistema tiene que reconocer que la informaci\u00f3n ha sido sobrescrita.<\/li>\n\n\n\n<li>Razonamiento temporal (TR): Preguntas que requieren aritm\u00e9tica de tiempo. \u201c\u00bfCu\u00e1ntos meses han pasado desde mi \u00faltima visita al museo?\u201d -&gt; el sistema tiene que identificar cu\u00e1ndo ocurri\u00f3 la visita, cu\u00e1ndo se hace la pregunta y calcular la diferencia.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">La categor\u00eda de actualizaci\u00f3n de conocimientos est\u00e1 particularmente bien dise\u00f1ada porque la mayor\u00eda de los puntos de referencia no eval\u00faan si un sistema maneja contradicciones en el historial de la conversaci\u00f3n. Un sistema de memoria de agentes que no pueda manejar esta actualizaci\u00f3n devolver\u00e1 con confianza informaci\u00f3n desactualizada, lo cual es uno de los modos de fallo m\u00e1s importantes en producci\u00f3n.<\/p>\n\n\n\n<h2 id=\"h-locomo-vs-longmemeval-what-makes-them-genuinely-different\" class=\"wp-block-heading\">LoCoMo frente a LongMemEval: qu\u00e9 los hace genuinamente diferentes<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Estas dos pruebas de rendimiento eval\u00faan cosas distintas, and entender la diferencia importa antes de ver los resultados.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">LoCoMo utiliza conversaciones reales y sin guion entre dos personas. El sistema de memoria debe manejar ambos lados, lo que dijo Caroline y lo que dijo Melanie. La canalizaci\u00f3n de ingesta refleja esto con una extracci\u00f3n de doble punto de vista: cada intercambio crea dos bloques de memoria, uno vinculado a cada hablante. Esto no es solo una convenci\u00f3n de formato. Las preguntas de LoCoMo se pueden hacer desde cualquier perspectiva, y el sistema necesita la versi\u00f3n de los acontecimientos de cada hablante disponible en el momento de la recuperaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">LongMemEval utiliza conversaciones entre un usuario y un asistente de IA, con preguntas hechas por el usuario sobre su propia historia. En la configuraci\u00f3n LME-M, tambi\u00e9n usamos doble punto de vista (un bloque desde la perspectiva del usuario y un bloque desde la perspectiva del asistente por cada intercambio), porque el tipo de pregunta SSA pregunta espec\u00edficamente qu\u00e9 dijo el asistente. En LME-S, simplificamos a un \u00fanico punto de vista secuencial y logramos puntuaciones id\u00e9nticas con la mitad de la latencia. Ese compromiso se cubre en <a href=\"https:\/\/www.couchbase.com\/blog\/es\/what-we-learned-evaluating-agent-memorythe-results-part-2\/\">Parte 2.<\/a><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La otra diferencia estructural es la escala. LoCoMo tiene 10 conversaciones. LongMemEval tiene 500 preguntas, cada una con su propio pajar. LoCoMo eval\u00faa la profundidad de recuperaci\u00f3n en una sola relaci\u00f3n extendida. LongMemEval eval\u00faa si el sistema de recuperaci\u00f3n puede encontrar el recuerdo correcto a trav\u00e9s de una colecci\u00f3n grande y creciente de sesiones.<\/p>\n\n\n\n<h2 id=\"h-the-two-scales-of-longmemeval-and-why-this-matters\" class=\"wp-block-heading\">Las dos escalas de LongMemEval y por qu\u00e9 esto importa<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">LongMemEval se presenta en dos variantes: LME-S y LME-M. Las mismas 500 preguntas, la misma distribuci\u00f3n de tipos de preguntas. La diferencia radica en qu\u00e9 tan dif\u00edcil es para el sistema buscar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">LME-S coloca cada respuesta en un pajar de aproximadamente 46 sesiones (unos 115,000 tokens por problema). LME-M coloca la misma respuesta en unas 500 sesiones, aproximadamente 1.5 millones de tokens por problema. Esto representa una expansi\u00f3n de 20 veces en el espacio de b\u00fasqueda con la misma aguja por encontrar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esto result\u00f3 ser uno de los hallazgos m\u00e1s importantes del proyecto. La configuraci\u00f3n que funciona bien en LME-S no se transfiere a LME-M. Si un sistema se ajusta en LME-S y se implementa a escala de producci\u00f3n, es probable que est\u00e9 mal configurado de maneras que son dif\u00edciles de detectar sin evaluar en ambas escalas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El ejemplo m\u00e1s claro es la profundidad de recuperaci\u00f3n. El k \u00f3ptimo en LME-S es 10. A escala LME-M, se necesita k=20. Con m\u00e1s sesiones en el pajar, la memoria relevante est\u00e1 m\u00e1s diluida y se requiere un conjunto de recuperaci\u00f3n m\u00e1s profundo para mostrarla de manera confiable. El razonamiento temporal, que no muestra casi sensibilidad a k en LME-S, se beneficia significativamente de un k mayor en LME-M, porque el contexto de la fecha relevante se distribuye en m\u00e1s sesiones.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Las variantes de las indicaciones tambi\u00e9n presentan diferencias. La indicaci\u00f3n de respuesta que ofrece el mejor desempe\u00f1o en LME-S tiene un desempe\u00f1o notablemente peor en LME-M. Observamos una diferencia de 11,8 puntos entre las variantes de las indicaciones en LME-M (72,41 TP3T frente a 60,61 TP3T).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">LME-S es una \u00fatil pauta de desarrollo. LME-M se parece m\u00e1s a c\u00f3mo es la producci\u00f3n en realidad. Evaluar en ambas, y prestar atenci\u00f3n cuando los resultados divergen, vale la pena el esfuerzo.<\/p>\n\n\n\n<h2 id=\"h-how-we-measured-performance\" class=\"wp-block-heading\">C\u00f3mo medimos el desempe\u00f1o<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Rastreamos tres m\u00e9tricas en todos los experimentos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La puntuaci\u00f3n BLEU cuenta las superposiciones de n-gramas entre la respuesta generada y la respuesta de referencia. Como ejemplo simple: si la respuesta esperada es \u201cbob likes pancakes\u201d y el sistema devuelve \u201cbob likes pancakes, cakes, and mustard\u201d, la puntuaci\u00f3n BLEU es 0.4 porque solo dos de los cinco pares de palabras en la salida coinciden con la respuesta esperada. BLEU es una \u00fatil verificaci\u00f3n de cordura, pero penaliza el uso de par\u00e1frasis y premia las coincidencias textuales de una manera que no siempre refleja si una respuesta es sustancialmente correcta.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La puntuaci\u00f3n F1 mide la superposici\u00f3n a nivel de palabra sin requerir el orden de las palabras, calculando la precisi\u00f3n (qu\u00e9 fracci\u00f3n de las palabras generadas aparecen en la referencia) y la cobertura (qu\u00e9 fracci\u00f3n de las palabras de referencia aparecen en la salida). Para el mismo ejemplo, F1 obtiene una puntuaci\u00f3n de 0.67. Mejor, pero sigue siendo puramente l\u00e9xica.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El juez de LLM (puntuaci\u00f3n J) es la m\u00e9trica principal. Un LLM lee la respuesta esperada y la respuesta generada y juzga si la respuesta generada es sem\u00e1nticamente correcta. Para \u201ca bob le gustan los panqueques\u201d frente a \u201ca bob le gustan los panqueques, los pasteles y la mostaza\u201d, el juez otorga una puntuaci\u00f3n de 1; la respuesta generada contiene la informaci\u00f3n correcta aun con contenido adicional. Esta es la m\u00e9trica en la que m\u00e1s confiamos para evaluar si el sistema realmente est\u00e1 funcionando.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"494\" src=\"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.50-PM-1024x494.png\" alt=\"\" class=\"wp-image-5568\" srcset=\"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.50-PM-1024x494.png 1024w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.50-PM-300x145.png 300w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.50-PM-768x371.png 768w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.50-PM-18x9.png 18w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.29.50-PM.png 1160w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Una observaci\u00f3n importante sobre el J-score: las instrucciones para los evaluadores son tan importantes como el sistema que se est\u00e1 evaluando. El evaluador de LoCoMo est\u00e1 configurado para ser generoso: \u201csiempre que la respuesta se refiera al mismo tema, m\u00e1rcala como correcta\u201d. LongMemEval utiliza variantes espec\u00edficas por categor\u00eda: una para el razonamiento temporal (permite errores de \u201cuno\u201d en el conteo de d\u00edas), otra para la actualizaci\u00f3n de conocimiento (califica como correcta la respuesta actualizada incluso si tambi\u00e9n se menciona informaci\u00f3n anterior), otra para las preferencias (basada en una r\u00fabrica) y otra para la precisi\u00f3n directa. Al ejecutar nuestro sistema con un evaluador mucho m\u00e1s estricto, las puntuaciones bajan varios puntos, independientemente de cualquier cambio en el sistema. Las comparaciones entre evaluadores modifican las puntuaciones entre 5 y 10 puntos y no son interpretables. Cuando ejecutamos LoCoMo con las indicaciones para los evaluadores utilizadas por otras soluciones de memoria, obtuvimos una puntuaci\u00f3n de 100% te\u00f3ricamente imposible, lo que indic\u00f3 de inmediato que la comparaci\u00f3n estaba inflada por la indicaci\u00f3n en lugar de reflejar la calidad de la recuperaci\u00f3n. Reportar una puntuaci\u00f3n J sin especificar la indicaci\u00f3n del evaluador es como reportar la calificaci\u00f3n de un examen sin especificar qu\u00e9 examen se aplic\u00f3.<\/p>\n\n\n\n<h2 id=\"h-how-the-pipeline-works\" class=\"wp-block-heading\">C\u00f3mo funciona la tuber\u00eda<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Cuando un turno de conversaci\u00f3n entra al sistema, pasa por una extracci\u00f3n de doble perspectiva antes de que se escriba cualquier cosa en la base de datos. El c\u00f3digo de ingesta empareja cada mensaje del usuario con la siguiente respuesta del asistente y crea dos bloques de memoria, uno vinculado al usuario y otro vinculado al asistente. \u201cEl usuario dijo X, el asistente dijo Y\u201d produce un bloque desde la perspectiva del usuario y un bloque separado desde la perspectiva del asistente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Con context_required=True configurado en cada canalizaci\u00f3n, el sistema activa una llamada a LLM durante la ingesta para extraer un resumen en prosa y una lista de hechos discretos de cada intercambio. Lo que se escribe en Couchbase son tres cosas: el texto del mensaje sin procesar, el resumen y una lista de contextos de cadenas de hechos. Las marcas de tiempo se adjuntan como anotaciones en un formato legible por humanos (\u201c1:10 pm on 27 March, 2023\u201d) para que el modelo pueda razonar sobre ellas de forma natural en el momento de la recuperaci\u00f3n.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un bloque de memoria se ve m\u00e1s o menos as\u00ed:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>{\n  \"message\": \"User: When did I start the job? Assistant: You mentioned starting in March 2023.\",\n  \"summary\": \"El usuario pregunta sobre su fecha de inicio en el trabajo; el asistente confirm\u00f3 marzo de 2023.\",\n  \"contexts\": [\n    \"El usuario comenz\u00f3 su trabajo en marzo de 2023\",\n    \"El usuario expres\u00f3 incertidumbre sobre la fecha exacta de inicio\"\n  ],\n  \"annotations\": {\n    \"time\": \"1:10 pm on 27 March, 2023\",\n    \"conversation_id\": \"abc123\"\n  }\n}<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La llamada de ingesta regresa en aproximadamente 251 ms en el percentil 50 (p50), cubriendo la validaci\u00f3n, la generaci\u00f3n de incrustaciones y la escritura en Couchbase. La extracci\u00f3n de contexto del LLM (resumen y lista de contextos) ocurre de manera asincr\u00f3nica en segundo plano y toma aproximadamente 3.6 segundos en promedio. El llamador no espera por esto. Este desacoplamiento, mediante una cola de distribuci\u00f3n que separa la latencia de ingesta de la latencia de extracci\u00f3n, es lo que hace que el sistema sea pr\u00e1ctico a escala. Hay un modo sincr\u00f3nico disponible cuando se requiere capacidad de b\u00fasqueda inmediata, a cambio de la espera de 3.6 segundos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La b\u00fasqueda funciona de otra manera. La llamada a get_memory() incrusta la consulta (aproximadamente 305 ms en el p50) y ejecuta una b\u00fasqueda de similitud vectorial contra los bloques almacenados en Couchbase (aproximadamente 5 ms en el p50). La latencia total cara al cliente es de alrededor de 298 ms en el p50. El cuello de botella es el paso de incrustaci\u00f3n, no la recuperaci\u00f3n en s\u00ed. La b\u00fasqueda de texto completo (FTS) de Couchbase es r\u00e1pida.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"427\" src=\"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.30.55-PM-1024x427.png\" alt=\"\" class=\"wp-image-5569\" srcset=\"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.30.55-PM-1024x427.png 1024w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.30.55-PM-300x125.png 300w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.30.55-PM-768x320.png 768w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.30.55-PM-18x8.png 18w, https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Screenshot-2026-07-23-at-3.30.55-PM.png 1228w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Espec\u00edficamente para la canalizaci\u00f3n de evaluaci\u00f3n: los recuerdos se ingieren una sola vez y persisten en Couchbase. Las etapas de b\u00fasqueda y evaluaci\u00f3n se ejecutan en la base de datos activa con diferentes par\u00e1metros de configuraci\u00f3n, sin necesidad de volver a ingerir datos entre los barridos de par\u00e1metros.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El pipeline est\u00e1 construido. Los benchmarks est\u00e1n seleccionados. Las m\u00e9tricas est\u00e1n definidas. Todo eso es trabajo preparatorio. La verdadera pregunta es qu\u00e9 sucede realmente cuando ejecutas el sistema contra benchmarks reales a escala, a trav\u00e9s de m\u00faltiples configuraciones experimentales diferentes. Eso es lo que <a href=\"https:\/\/www.couchbase.com\/blog\/es\/what-we-learned-evaluating-agent-memorythe-results-part-2\/\">Parte<\/a><a href=\"https:\/\/www.couchbase.com\/blog\/es\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/\"> 2 <\/a>Se trata de.<\/p>","protected":false},"excerpt":{"rendered":"<p>Agent memory is one of the harder infrastructure problems in applied AI right now, and the benchmark ecosystem around it is still taking shape. This is a two-part write-up. Part 1 covers what we were measuring against, how we measured it, and how the pipeline is built. Part 2 covers what the experiments actually showed. [&hellip;]<\/p>\n","protected":false},"author":85725,"featured_media":5571,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"_acf":"","footnotes":""},"categories":[920],"tags":[],"ppma_author":[1046],"class_list":["post-5566","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-agentic-ai-apps"],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v28.3 (Yoast SEO v28.3) - https:\/\/yoast.com\/product\/yoast-seo-premium-wordpress\/ -->\n<title>What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0 - The Couchbase Blog<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.couchbase.com\/blog\/es\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/\" \/>\n<meta property=\"og:locale\" content=\"es_MX\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0\" \/>\n<meta property=\"og:description\" content=\"Agent memory is one of the harder infrastructure problems in applied AI right now, and the benchmark ecosystem around it is still taking shape. This is a two-part write-up. Part 1 covers what we were measuring against, how we measured it, and how the pipeline is built. Part 2 covers what the experiments actually showed. [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.couchbase.com\/blog\/es\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/\" \/>\n<meta property=\"og:site_name\" content=\"The Couchbase Blog\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-28T15:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-07-30T22:22:40+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/What-We-Learned-Evaluating-Agent-Memory-P1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"2400\" \/>\n\t<meta property=\"og:image:height\" content=\"1256\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Namita Achyuthan, Software Engineer\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Namita Achyuthan, Software Engineer\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"11 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/\"},\"author\":{\"name\":\"Namita Achyuthan, Software Engineer\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/#\\\/schema\\\/person\\\/b745ecfa382414e44c76586ae27401f0\"},\"headline\":\"What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0\",\"datePublished\":\"2026-07-28T15:00:00+00:00\",\"dateModified\":\"2026-07-30T22:22:40+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/\"},\"wordCount\":2197,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2026\\\/07\\\/What-We-Learned-Evaluating-Agent-Memory-P1.png\",\"articleSection\":[\"Agentic AI Applications\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/\",\"url\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/\",\"name\":\"What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0 - The Couchbase Blog\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2026\\\/07\\\/What-We-Learned-Evaluating-Agent-Memory-P1.png\",\"datePublished\":\"2026-07-28T15:00:00+00:00\",\"dateModified\":\"2026-07-30T22:22:40+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2026\\\/07\\\/What-We-Learned-Evaluating-Agent-Memory-P1.png\",\"contentUrl\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2026\\\/07\\\/What-We-Learned-Evaluating-Agent-Memory-P1.png\",\"width\":2400,\"height\":1256},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/what-we-learned-evaluating-agent-memorythe-setup-part-1\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/#website\",\"url\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/\",\"name\":\"The Couchbase Blog\",\"description\":\"Couchbase, the NoSQL Database\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/#organization\",\"name\":\"The Couchbase Blog\",\"url\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2026\\\/06\\\/logo.svg\",\"contentUrl\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2026\\\/06\\\/logo.svg\",\"width\":\"1024\",\"height\":\"1024\",\"caption\":\"The Couchbase Blog\"},\"image\":{\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/#\\\/schema\\\/person\\\/b745ecfa382414e44c76586ae27401f0\",\"name\":\"Namita Achyuthan, Software Engineer\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2026\\\/07\\\/Namita-Achyuthan.jpg14f8bb4bd3ae507d5e9374e1855de7a6\",\"url\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2026\\\/07\\\/Namita-Achyuthan.jpg\",\"contentUrl\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/wp-content\\\/uploads\\\/sites\\\/5\\\/2026\\\/07\\\/Namita-Achyuthan.jpg\",\"caption\":\"Namita Achyuthan, Software Engineer\"},\"url\":\"https:\\\/\\\/www.couchbase.com\\\/blog\\\/es\\\/author\\\/namitaachyuthan\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0 - The Couchbase Blog","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.couchbase.com\/blog\/es\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/","og_locale":"es_MX","og_type":"article","og_title":"What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0","og_description":"Agent memory is one of the harder infrastructure problems in applied AI right now, and the benchmark ecosystem around it is still taking shape. This is a two-part write-up. Part 1 covers what we were measuring against, how we measured it, and how the pipeline is built. Part 2 covers what the experiments actually showed. [&hellip;]","og_url":"https:\/\/www.couchbase.com\/blog\/es\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/","og_site_name":"The Couchbase Blog","article_published_time":"2026-07-28T15:00:00+00:00","article_modified_time":"2026-07-30T22:22:40+00:00","og_image":[{"width":2400,"height":1256,"url":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/What-We-Learned-Evaluating-Agent-Memory-P1.png","type":"image\/png"}],"author":"Namita Achyuthan, Software Engineer","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Namita Achyuthan, Software Engineer","Est. reading time":"11 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/#article","isPartOf":{"@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/"},"author":{"name":"Namita Achyuthan, Software Engineer","@id":"https:\/\/www.couchbase.com\/blog\/#\/schema\/person\/b745ecfa382414e44c76586ae27401f0"},"headline":"What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0","datePublished":"2026-07-28T15:00:00+00:00","dateModified":"2026-07-30T22:22:40+00:00","mainEntityOfPage":{"@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/"},"wordCount":2197,"commentCount":0,"publisher":{"@id":"https:\/\/www.couchbase.com\/blog\/#organization"},"image":{"@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/#primaryimage"},"thumbnailUrl":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/What-We-Learned-Evaluating-Agent-Memory-P1.png","articleSection":["Agentic AI Applications"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/","url":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/","name":"What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0 - The Couchbase Blog","isPartOf":{"@id":"https:\/\/www.couchbase.com\/blog\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/#primaryimage"},"image":{"@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/#primaryimage"},"thumbnailUrl":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/What-We-Learned-Evaluating-Agent-Memory-P1.png","datePublished":"2026-07-28T15:00:00+00:00","dateModified":"2026-07-30T22:22:40+00:00","breadcrumb":{"@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/#primaryimage","url":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/What-We-Learned-Evaluating-Agent-Memory-P1.png","contentUrl":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/What-We-Learned-Evaluating-Agent-Memory-P1.png","width":2400,"height":1256},{"@type":"BreadcrumbList","@id":"https:\/\/www.couchbase.com\/blog\/what-we-learned-evaluating-agent-memorythe-setup-part-1\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.couchbase.com\/blog\/"},{"@type":"ListItem","position":2,"name":"What We Learned Evaluating Agent Memory:The Setup (Part 1)\u00a0"}]},{"@type":"WebSite","@id":"https:\/\/www.couchbase.com\/blog\/#website","url":"https:\/\/www.couchbase.com\/blog\/","name":"El blog de Couchbase","description":"Couchbase, la base de datos NoSQL","publisher":{"@id":"https:\/\/www.couchbase.com\/blog\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.couchbase.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/www.couchbase.com\/blog\/#organization","name":"El blog de Couchbase","url":"https:\/\/www.couchbase.com\/blog\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.couchbase.com\/blog\/#\/schema\/logo\/image\/","url":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/06\/logo.svg","contentUrl":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/06\/logo.svg","width":"1024","height":"1024","caption":"The Couchbase Blog"},"image":{"@id":"https:\/\/www.couchbase.com\/blog\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/www.couchbase.com\/blog\/#\/schema\/person\/b745ecfa382414e44c76586ae27401f0","name":"Namita Achyuthan, Ingeniera de Software","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Namita-Achyuthan.jpg14f8bb4bd3ae507d5e9374e1855de7a6","url":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Namita-Achyuthan.jpg","contentUrl":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Namita-Achyuthan.jpg","caption":"Namita Achyuthan, Software Engineer"},"url":"https:\/\/www.couchbase.com\/blog\/es\/author\/namitaachyuthan\/"}]}},"acf":[],"authors":[{"term_id":1046,"user_id":85725,"is_guest":0,"slug":"namitaachyuthan","display_name":"Namita Achyuthan, Software Engineer","avatar_url":{"url":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Namita-Achyuthan.jpg","url2x":"https:\/\/www.couchbase.com\/blog\/wp-content\/uploads\/sites\/5\/2026\/07\/Namita-Achyuthan.jpg"},"author_category":"1","first_name":"Namita","last_name":"Achyuthan","user_url":"","job_title":"Software Engineer","description":""}],"_links":{"self":[{"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/posts\/5566","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/users\/85725"}],"replies":[{"embeddable":true,"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/comments?post=5566"}],"version-history":[{"count":2,"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/posts\/5566\/revisions"}],"predecessor-version":[{"id":5583,"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/posts\/5566\/revisions\/5583"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/media\/5571"}],"wp:attachment":[{"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/media?parent=5566"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/categories?post=5566"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/tags?post=5566"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.couchbase.com\/blog\/es\/wp-json\/wp\/v2\/ppma_author?post=5566"}],"curies":[{"name":"\u00a1Bien jugado!","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}