Memoria dei sistemi di IA — Conoscenza persistente e memoria degli agenti
Conoscenza persistente al di là di un singolo thread di chat.
Questa sezione raccoglie guide su conoscenza e memoria persistente per i sistemi AI — come gli assistenti conservano fatti, preferenze e contesto sintetizzato tra le sessioni senza affollare ogni singolo token in un unico prompt. Qui, “memoria” significa ritenzione intenzionale (fatti sugli utenti, riassunti, archivi gestiti da plugin), non la RAM della GPU o i pesi del modello.
Completa il più ampio cluster Sistemi AI — OpenClaw, Hermes, orchestrazione — e si affianca a RAG per i meccanismi di recupero e a Hosting LLM per l’esecuzione dei modelli.
La memoria si colloca all’interno dello stack di assistenti più ampio descritto in Architettura degli Assistenti AI, insieme al routing, agli strumenti e all’osservabilità.
Progettazione della memoria per gli assistenti
Guida trasversale per la memoria a breve termine, strutturata e di recupero — politica di consolidamento, compromessi sui vettori e pattern da OpenAI, LangGraph, Hermes e OpenClaw.
- Sistemi di memoria negli assistenti AI che aiutano davvero — memoria di lavoro, stato strutturato, livelli di recupero e quando la memoria aiuta o fa male
Fornitori 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 dei fornitori di memoria per agenti — tabella completa, confronto delle politiche di acquisizione, note sulle dipendenze e flussi di
memory setupper Hermes
Per la memoria di base limitata solo a Hermes (MEMORY.md / USER.md), vedere Sistema di memoria di Hermes Agent. Per l’installazione di Mnemosyne e una guida alla politica di scrittura conservativa, vedere Mnemosyne per Hermes Agent: Avvio rapido della memoria locale. Per Hindsight su Hermes con embedding locali, reranking, controllo del percorso di scrittura e backup della banca, vedere Hindsight per Hermes Agent: Memoria self-hosted con LLM locali.
Governance della memoria e modalità di fallimento
L’acquisizione automatica, la riflessione e il consolidamento possono trasformare le inferenze del modello stesso 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 con consapevolezza del recupero.
- Self-Hosting di Cognee — Scelta del LLM su Ollama — avvio rapido pratico di Cognee con modelli locali
- Scegliere il LLM giusto per Cognee — Setup locale Ollama — confronto dei modelli per qualità del grafico rispetto all’hardware
I costruttori di grafi come Cognee tipicamente ingeriscono vault in Markdown, wiki o esportazioni che le persone hanno già modificato—salienza, denominazione e “perché questo era importante” sono in gran parte stabiliti prima che i chunk raggiungano gli embedding. Un corpus upstream approssimativo allena l’ambiguità nell’assistente; i flussi di lavoro disciplinati da acquisizione-atro-pressione limitano quel danno. Per quella prospettiva centrata sull’uomo—including come differisce dal RAG con priorità al recupero—vedere Seconda cervello spiegato per gli ingegneri.
