La investigación previa sobre mecanismos de memoria en sistemas conversacionales basados en RAG se ha centrado principalmente en métodos de almacenamiento y recuperación. Este estudio investiga cómo las memorias con roles funcionales distintos influyen en la calidad de la respuesta en diferentes contextos. Los autores presentan una taxonomía fina de memoria conversacional para clasificar los elementos recuperados en tipos de roles específicos. También diseñan un marco de evaluación centrado en el usuario que simula perspectivas del usuario para abordar limitaciones en las evaluaciones basadas en referencias. Se realizaron experimentos comparativos en conjuntos de datos a largo plazo utilizando modelos de lenguaje grandes de vanguardia para analizar estos efectos. Los resultados indican que aclarar la memoria mejora la precisión factual y la conciencia de restricciones, lo que conduce a respuestas más correctas y personalizadas. Por el contrario, se encontró que la memoria irrelevante reduce la relevancia temática y degrada las capacidades de conciencia de restricciones. Estos hallazgos demuestran cómo se pueden aprovechar distintos tipos de memoria para mejorar la personalización en agentes conversacionales.