Memoria dei sistemi AI — Conoscenza persistente e memoria degli agenti
Conoscenza persistente oltre un singolo thread di chat.
Questa sezione raccoglie guide su conoscenza e memoria persistenti per i sistemi di IA — come gli assistenti conservano fatti, preferenze e contesti sintetizzati tra le sessioni senza sovraccaricare ogni prompt con tutti i token. Qui, per memoria si intende la ritenzione intenzionale (fatti sugli utenti, riassunti, archivi supportati da plugin), non la RAM della GPU o i pesi del modello.
Complementa il più ampio cluster Sistemi di IA — OpenClaw, Hermes, orchestrazione — e si colloca accanto a RAG per le meccaniche di retrieval e Hosting LLM per l’esecuzione dei modelli.
La memoria si inserisce all’interno della più ampia pila degli assistenti descritta in Architettura degli assistenti IA, insieme a routing, strumenti e osservabilità.
Progettazione della memoria per gli assistenti
Guida trasversale alle memorie a breve termine, strutturate e di retrieval — policy di consolidamento, compromessi sui vettori e pattern da OpenAI, LangGraph, Hermes e OpenClaw.
- Sistemi di memoria negli assistenti IA che aiutano davvero — memoria di lavoro, stato strutturato, livelli di retrieval e quando la memoria aiuta anziché danneggiare
Provider di memoria per agenti
Backend plug-in esposti da framework come Hermes Agent e OpenClaw — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne e altri — con diversi compromessi su LLM, embedding e database.
- Confronto tra provider di memoria per agenti — tabella completa, confronto delle policy di acquisizione, note sulle dipendenze e flussi di
memory setupper Hermes
Per la memoria di base con vincoli solo Hermes (MEMORY.md / USER.md), consultare Sistema di memoria di Hermes Agent. Per un’installazione di Mnemosyne e una panoramica sulla policy di scrittura conservativa, consultare Mnemosyne per Hermes Agent: Guida rapida alla memoria locale.
Governance della memoria e modalità di guasto
L’acquisizione automatica, la riflessione e il consolidamento possono trasformare le inferenze del modello stesso in un “fatto” durevole che viene trattato come evidenza nelle sessioni successive.
- Cicli di memoria auto-rinforzanti negli agenti IA — le sette forme che questo feedback assume, perché la provenienza conta più degli embedding e come testare se un provider si rifiuta di ricordare
Grafi di conoscenza e Cognee
Conoscenza istituzionale e di progetto estratta in grafi per assistenti consapevoli del retrieval.
- Self-hosting di Cognee — Scelta del LLM su Ollama — guida rapida pratica a Cognee con modelli locali
- Scegliere il LLM giusto per Cognee — Setup locale con Ollama — confronto dei modelli per qualità del grafo rispetto all’hardware
Gli strumenti di costruzione di grafi come Cognee tipicamente ingestiscono vault Markdown, wiki o esportazioni che le persone hanno già modificato—la rilevanza, la denominazione e il “perché questo è importante” sono in gran parte definiti prima che i chunk raggiungano gli embedding. Un corpus upstream disordinato ripropone ambiguità nell’assistente; flussi di lavoro disciplinati da acquisizione-espressione limitano quei danni. Per quella prospettiva centrata sull’umano—including su come differisce dal RAG centrato sul retrieval—consultare Secondo cervello spiegato per gli ingegneri.
