Componente

Livello di memoria degli agenti

Definizione

Un livello di memoria degli agenti è il sistema di archiviazione e recupero persistente che consente agli agenti IA di ricordare interazioni passate, imparare dagli esiti storici, mantenere la continuità del contesto in processi di lunga durata o interrotti e accumulare conoscenza del dominio nel tempo, offrendo così all'agente sia una memoria di lavoro a breve termine sia una memoria esperienziale a lungo termine.

Senza un livello di memoria, gli agenti operano in stato di amnesia: ogni interazione parte da zero, nessuna lezione viene conservata e gli utenti devono ripetere all'infinito contesto e preferenze. Il livello di memoria trasforma gli LLM senza stato in agenti con stato in costante miglioramento.

Spiegazione tecnica

La memoria avanzata degli agenti è multidimensionale e articolata in livelli, bilanciando velocità di recupero, costi di archiviazione, requisiti di privacy e ricchezza semantica. Combina in genere diverse tecnologie di archiviazione ottimizzate per modalità di accesso differenti.

Livelli di memoria

Operazioni chiave

Architetture della memoria

// Sistema di memoria con più livelli class AgentMemory { constructor() { this.workingMemory = new Map(); // Sessione corrente this.shortTerm = new Redis(); // Interazioni recenti this.longTerm = new Pinecone(); // Archivio vettoriale semantico this.structured = new PostgreSQL(); // Fatti e preferenze } async remember(event) { // Archivia in tutti i livelli pertinenti const embedding = await this.embed(event.content); await this.shortTerm.add({ id: event.id, data: event, timestamp: Date.now(), ttl: 7 * 24 * 60 * 60 // 7 giorni }); await this.longTerm.upsert({ id: event.id, values: embedding, metadata: { type: event.type, agent: event.agentId, timestamp: event.timestamp, importance: this.calculateImportance(event) } }); // Estrai e archivia i fatti strutturati const facts = await this.extractFacts(event); await this.structured.storeFacts(facts); } async recall(context, limit = 10) { const embedding = await this.embed(context.query); // Ricerca semantica const semanticResults = await this.longTerm.query({ vector: embedding, topK: limit, filter: { timestamp: { $gt: Date.now() - 90 * 24 * 60 * 60 * 1000 } // 90 giorni } }); // Ricerca temporale per il contesto recente const recent = await this.shortTerm.getRecent(context.sessionId, 20); // Fatti strutturati rilevanti per le entità menzionate const entities = this.extractEntities(context.query); const facts = await this.structured.getRelatedFacts(entities); return this.mergeAndRank(semanticResults, recent, facts); } async reflect() { // Consolidamento periodico: riassumi le esperienze recenti const recent = await this.shortTerm.getAllPastWeek(); const summary = await this.llm.summarize(recent); // Archivia le intuizioni di alto livello nella memoria a lungo termine await this.remember({ type: 'reflection', content: summary.insights, derivedFrom: recent.map(r => r.id) }); // Elimina le memorie a breve termine di bassa importanza await this.shortTerm.pruneLowImportance(); } }

Strategie di recupero

Sfide e soluzioni

Esempi reali

Assistente esecutivo con contesto continuo

Scenario: un assistente IA che supporta un dirigente occupato deve ricordare preferenze, progetti in corso e stili di comunicazione attraverso mesi di interazioni.

Implementazione della memoria:

  • Memoria di lavoro: tiene traccia dell'ordine del giorno delle riunioni correnti, delle azioni in sospeso e delle conversazioni email attive.
  • Memoria episodica a breve termine: ricorda con chi si è incontrato il dirigente questa settimana, cosa è stato discusso e gli impegni di follow-up (conservazione di 2 settimane).
  • Memoria semantica a lungo termine: apprende che il dirigente preferisce aggiornamenti brevi prima delle riunioni delle 9, non ama il gergo marketing e dà priorità alle decisioni legate ai ricavi. Conserva le preferenze sullo stile di comunicazione, la cadenza delle riunioni e i pattern decisionali.
  • Conoscenza strutturata: mantiene un database dei principali stakeholder, dei loro ruoli, delle interazioni passate e delle sfumature delle relazioni.

Beneficio: l'assistente propone in modo proattivo il contesto rilevante per le prossime riunioni ("Domani incontri Sarah dell'Ingegneria: il mese scorso ha sollevato dubbi sui tempi delle API. Ecco lo stato attuale...") e adatta lo stile di comunicazione di conseguenza senza istruzioni esplicite ogni volta.

Bot del servizio clienti con apprendimento

Scenario: un bot di assistenza che serve più clienti deve ricordare i dettagli dei singoli account, i problemi precedenti e i pattern di risoluzione efficaci senza mescolare i contesti.

Implementazione della memoria:

  • Memoria episodica per cliente: registro cronologico di tutte le interazioni per cliente, con categorizzazione dei problemi ed esiti delle risoluzioni.
  • Memoria semantica trasversale: pattern astratti ("I clienti con il piano X chiedono spesso la funzione Y dopo Z giorni") per un'assistenza proattiva.
  • Memoria delle competenze dell'agente: quali approcci di soluzione hanno funzionato meglio per i diversi tipi di problema, migliorando nel tempo i tassi di risoluzione al primo contatto.
  • Controlli sulla privacy: oscuramento e crittografia automatici delle informazioni sensibili (dati di pagamento, codici fiscali).

Beneficio: quando un cliente contatta l'assistenza, il bot ricorda subito "Ha segnalato un problema di accesso simile 3 settimane fa: la soluzione era svuotare la cache del browser. Il problema è ricomparso?", riducendo le ripetizioni e creando fiducia.

Agente di ricerca con apprendimento composto

Scenario: un assistente di ricerca autonomo che analizza le tendenze di mercato deve costruire una base di conoscenza sempre più profonda evitando lavoro ridondante.

Implementazione della memoria:

  • Memoria delle fonti: tiene traccia delle fonti già analizzate, della qualità dell'estrazione e della frequenza di aggiornamento per ottimizzare le successive scansioni.
  • Memoria delle ipotesi: registra le domande di ricerca verificate, le prove raccolte e le conclusioni raggiunte, con punteggi di confidenza.
  • Memoria di riflessione: riassunti settimanali degli apprendimenti chiave, dei pattern emergenti e delle ipotesi riviste, memorizzati come intuizioni di alto livello.
  • Memoria degli errori: documenta gli approcci falliti per evitare di ripetere strategie di ricerca inefficaci o fonti inaffidabili.
# Schema della memoria dell'agente di ricerca research_memory = { "sources": [ { "url": "https://example.com/market-report-2024", "last_crawled": "2024-01-15", "quality_score": 0.85, "topics_covered": ["Adozione dell'IA", "budget aziendali"], "update_frequency": "trimestrale", "next_crawl_due": "2024-04-15" } ], "conclusions": [ { "hypothesis": "L'adozione dell'IA nelle PMI è accelerata nel Q4 2024", "evidence_ids": ["report_001", "survey_042", "interview_017"], "confidence": 0.78, "contradicted_by": [], "first_reached": "2024-01-08", "last_reinforced": "2024-01-22" } ], "patterns": [ { "description": "Le aziende con oltre 100 dipendenti indicano la complessità dell'integrazione come principale ostacolo all'IA", "supporting_evidence_count": 12, "first_observed": "2023-11-02", "strength": "alta" } ] }

Beneficio: dopo 6 mesi, l'agente ha costruito una base di conoscenza completa e navigabile che raccoglie non solo dati grezzi, ma anche intuizioni analitiche, metodologie collaudate e punti ciechi documentati, diventando una memoria istituzionale che sopravvive alle singole sessioni di ricerca.

Termini correlati

Resta aggiornato.

Analisi tecniche, nuovi sistemi realizzati e lezioni dalla distribuzione di IA autonoma. Un'email a settimana, direttamente nella tua casella.

Un'email a settimana. Esci con un clic.