La precisión del posicionamiento robótico se ve críticamente afectada tanto por errores geométricos como no geométricos. Para abordar de manera integral este problema de errores duales, este documento propone un novedoso marco de compensación en dos etapas. Primero, se emplea un optimizador basado en memoria (MRBMO) para identificar y compensar los errores geométricos optimizando los parámetros geométricos en función de las observaciones del efector final. Este mecanismo evolutivo guiado por memoria mejora efectivamente la precisión de convergencia y la estabilidad del proceso de calibración geométrica. En segundo lugar, se desarrolla una red neuronal gráfica ajustada (AMPSO-GNN) para modelar y compensar errores no geométricos, como la deformación de cables, la deriva térmica y las imperfecciones de control. La arquitectura GNN captura la estructura topológica del sistema robótico, mientras que el PSO de momento adaptativo optimiza dinámicamente los hiperparámetros de la red para mejorar la generalización. Los resultados experimentales en un robot industrial de seis ejes demuestran que el método propuesto reduce significativamente los errores de posicionamiento residual, logrando una mayor precisión en comparación con las estrategias de calibración y compensación convencionales. Este enfoque de compensación dual ofrece una solución escalable y robusta para aplicaciones robóticas críticas en precisión.