Memoria dei Sistemi di IA — Conoscenza persistente e Memoria degli Agenti
Conoscenza persistente oltre un singolo thread di chat.
Questa sezione raccoglie guide sulla conoscenza persistente e la memoria per i sistemi AI — come gli assistenti conservano fatti, preferenze e contesto distillato tra le sessioni senza stipare ogni singolo token in un unico prompt. Qui, per memoria si intende la ritenzione intenzionale (fatti sull’utente, riepiloghi, archivi supportati da plugin), non la RAM della GPU o i pesi del modello.
Essa integra il più ampio cluster Sistemi AI — OpenClaw, Hermes, orchestrazione — e si affianca a RAG per le meccaniche di recupero e a Hosting LLM per l’esecuzione dei modelli.
La memoria si inserisce nello stack dell’assistente più ampio descritto in Architettura degli assistenti AI, insieme a routing, tooling e osservabilità.
Design della memoria per assistenti
Guida trasversale ai framework sulla memoria a breve termine, strutturata e di recupero — politica di consolidamento, compromessi sui vettori e pattern provenienti da OpenAI, LangGraph, Hermes e OpenClaw.
- Sistemi di memoria negli assistenti AI che aiutano davvero — memoria operativa, stato strutturato, livelli di recupero e quando la memoria aiuta o ostacola
Provider di memoria per agenti
Backend plug-and-play 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 i provider di memoria per agenti — tabella completa, confronto sulle politiche di acquisizione, note sulle dipendenze e flussi di
memory setupper Hermes - Hindsight Memory per OpenCode, Cursor e altri agenti di coding — un plugin per OpenCode, la CLI di Cursor e altri ambienti di esecuzione, con una banca condivisa per repository
Per la memoria di base delimitata solo per Hermes (MEMORY.md / USER.md), consulta Sistema di memoria di Hermes Agent. Per l’installazione di Mnemosyne e una guida alla politica di scrittura conservativa, consulta Mnemosyne per Hermes Agent: Avvio rapido della memoria locale. Per Hindsight su Hermes con embedding locali, re-ranking, controllo del percorso di scrittura e backup della banca, consulta Hindsight per Hermes Agent: Memoria self-hosted con LLM locali.
Governance della memoria e modalità di guasto
L’acquisizione automatica, la riflessione e il consolidamento possono trasformare l’inferenza stessa di un modello in un “fatto” durevole che viene trattato come prova nelle sessioni successive.
- Loop di memoria auto-rinforzanti negli agenti AI — le sette forme che questo feedback assume, perché la provenienza conta più degli embedding e come testare se un provider rifiuta di ricordare
Grafi di conoscenza e Cognee
Conoscenza istituzionale e di progetto estratta in grafi per assistenti a conoscenza del recupero.
- Self-Hosting di Cognee — Scelta dell’LLM su Ollama — avvio rapido pratico di Cognee con modelli locali
- Scelta del LLM giusto per Cognee — Setup locale su Ollama — confronto dei modelli per la qualità del grafo rispetto all’hardware
I costruttori di grafi come Cognee tipicamente ingeriscono vault Markdown, wiki o export che le persone hanno già modificato: la rilevanza, la nomenclatura e il “perché questo era importante” sono per lo più definiti prima che i frammenti vengano sottoposti ad embedding. Un corpus upstream disordinato restituisce ambiguità all’assistente; i flussi di lavoro disciplinati di acquisizione attraverso l’espressione limitano quel danno. Per questa impostazione incentrata sull’utente — incluso come differisce dal RAG incentrato sul recupero — consulta Seconda cervello spiegato per ingegneri.
