PKM vs RAG vs Wiki vs Sistemi di Memoria: Spiegato in Modo Chiaro
Una mappa dei sistemi moderni di conoscenza
PKM, RAG, wikis e sistemi di memoria AI sono spesso discussi come se risolvessero lo stesso problema. Non è così. Tutti si occupano di conoscenza, ma operano a livelli diversi:
- Il PKM aiuta gli esseri umani a pensare.
- Le Wiki aiutano i gruppi a preservare la conoscenza condivisa.
- Il RAG aiuta le macchine a recuperare conoscenza esterna.
- I sistemi di memoria aiutano gli agenti AI a mantenere il contesto nel tempo.
Confondere questi sistemi porta a una cattiva architettura.
Si ottengono wiki pieni di appunti personali, sistemi RAG senza una fonte di verità, livelli di memoria che si fingono database e strumenti PKM sovraccarichi di automazioni per cui non sono mai stati progettati.
Un modello migliore è considerarli come parti diverse di uno spettro di sistemi di conoscenza.
Questo articolo confronta PKM, RAG, wiki e sistemi di memoria AI per struttura, recupero, proprietà, evoluzione e casi d’uso reali.
La versione breve
| Sistema | Utente principale | Scopo principale | Ideale per |
|---|---|---|---|
| PKM | Individuale | Sviluppare conoscenza personale | Pensiero, apprendimento, sintesi |
| Wiki | Team o gruppo pubblico | Mantenere conoscenza condivisa | Documentazione, politiche, riferimento |
| RAG | Sistema macchina | Recuperare contesto per la generazione | Risposte AI su dati esterni |
| Memoria AI | Agente AI | Persistere il contesto nel tempo | Agenti a lunga esecuzione e personalizzazione |
La distinzione più importante è questa:
PKM e wiki strutturano la conoscenza. RAG recupera la conoscenza. I sistemi di memoria evolvono il contesto dell’agente.
Questo è il modello mentale fondamentale.
Perché questi sistemi vengono confusi
Si sovrappongono nel comportamento visibile.
Tutti possono:
- archiviare note
- recuperare informazioni
- rispondere a domande
- organizzare riferimenti
- collegare idee
Ma differiscono per intento.
Un sistema PKM non è solo una wiki privata. Una wiki non è solo un database RAG. Un pipeline RAG non è una memoria AI. Un sistema di memoria AI non è un sostituto della documentazione strutturata.
La confusione deriva dal considerare la “conoscenza” come un’unica entità.
In pratica, la conoscenza ha più livelli:
- Cattura
- Struttura
- Recupero
- Interpretazione
- Riutilizzo
- Evoluzione
Diversi sistemi ottimizzano diverse fasi.
I quattro paradigmi
1. PKM
PKM sta per gestione della conoscenza personale.
È la pratica di catturare, organizzare, collegare e utilizzare la conoscenza per il lavoro personale.
I sistemi PKM tipici includono:
- Obsidian
- Logseq
- Notion
- cartelle Markdown plain
- sistemi [Zettelkasten](https://www.glukhov.org/it/knowledge-management/methods/zettelkasten-for-developers/ “Una guida pratica allo Zettelkasten per sviluppatori: scrivere note atomiche, collegare concetti al codice, evitare trappole delle cartelle e costruire un sistema di conoscenza utile.})
- sistemi del secondo cervello
Il PKM è guidato dall’umano.
L’obiettivo non è solo lo stoccaggio. L’obiettivo è un pensiero migliore.
In cosa il PKM è bravo
Il PKM funziona bene per:
- imparare un nuovo dominio
- sviluppare idee originali
- collegare note nel tempo
- scrivere articoli o libri
- tracciare la ricerca personale
- costruire un secondo cervello
Un buon sistema PKM è caotico in un modo utile. Supporta pensieri incompiuti, idee parziali, contesto privato e concetti in evoluzione.
Questo è il motivo per cui il PKM non è lo stesso della documentazione.
La documentazione vuole chiarezza. Il PKM tollera l’ambiguità.
Modalità di fallimento del PKM
Il PKM spesso fallisce quando diventa:
- una discarica
- un progetto di tassonomia delle cartelle
- un’estetica della produttività
- un hobby di ottimizzazione degli strumenti
- un archivio privato che nessuno usa
Il rischio principale è la raccolta senza sintesi.
Se si salva solo l’informazione, non si ha un sistema di conoscenza. Si ha una discarica personale.
Punto di vista personale
Il PKM dovrebbe ottimizzare il riutilizzo, non la cattura.
Catturare tutto sembra produttivo, ma crea debito. Il vero valore appare quando le note diventano collegate, riscritte, compresse e utilizzate nell’output.
2. Wiki
Una wiki è una base di conoscenza strutturata progettata per il riferimento condiviso.
I sistemi wiki tipici includono:
- DokuWiki
- MediaWiki
- Confluence
- BookStack
- siti di documentazione basati su Git
- basi di conoscenza aziendali interne
Una wiki è solitamente più formale del PKM.
Dovrebbe rispondere a:
Cosa sappiamo e dove si trova la versione corrente?
In cosa le wiki sono brave
Le wiki funzionano bene per:
- documentazione del team
- runbook operativi
- conoscenza del prodotto
- documenti politici
- riferimento tecnico
- materiale di onboarding
- conoscenza del dominio stabile
Una wiki è un contratto sociale.
Dice:
Questa pagina è il posto dove vive questa conoscenza.
Questo rende la proprietà e la manutenzione critiche.
Modalità di fallimento delle wiki
Le wiki spesso falliscono perché diventano obsolete.
Problemi comuni:
- nessun proprietario della pagina
- screenshot obsoleti
- pagine duplicate
- versioni canoniche non chiare
- troppa gerarchia
- nessun ritmo di manutenzione
Una wiki con informazioni vecchie è peggio di nessuna wiki, perché crea falsa sicurezza.
Punto di vista personale
Una wiki dovrebbe essere noiosa.
Questo è un complimento.
Una buona wiki non è dove le idee nascono. È dove la conoscenza stabile è preservata dopo che è diventata utile ad altri.
3. RAG
RAG sta per generazione aumentata dal recupero.
È un’architettura AI in cui un sistema recupera informazioni esterne rilevanti prima di chiedere a un modello linguistico di generare una risposta.
Un pipeline RAG di base solitamente ha:
- Documenti
- Suddivisione in blocchi (Chunking)
- Embedding o indice di ricerca
- Recupero
- Reranking opzionale
- Assemblaggio del prompt
- Generazione LLM
Il RAG è guidato dalla macchina.
L’obiettivo non è creare conoscenza. L’obiettivo è dare al modello un contesto rilevante al momento della query.
In cosa il RAG è bravo
Il RAG funziona bene per:
- risposta a domande sui documenti
- assistenti di ricerca interni
- bot di supporto
- assistenti di documentazione tecnica
- ricerca di conformità
- ricerca su grandi corpus
- collegamento di LLM a informazioni aggiornate
Il RAG è particolarmente utile quando il modello non può o non dovrebbe memorizzare le informazioni.
Modalità di fallimento del RAG
Il RAG spesso fallisce quando i team lo trattano come una ricerca magica.
Problemi comuni:
- cattiva suddivisione in blocchi
- recupero debole
- contesto rumoroso
- metadati mancanti
- nessuna fonte di verità
- documenti obsoleti
- valutazione debole
- nessun ciclo di feedback umano
Il RAG non risolve una cattiva gestione della conoscenza.
Se il contenuto sottostante è frammentato, obsoleto o contraddittorio, il sistema RAG metterà in evidenza quel caos con sicurezza.
Punto di vista personale
Il RAG non è una strategia di conoscenza.
Il RAG è una strategia di accesso.
Aiuta le macchine ad accedere alla conoscenza, ma non decide quale conoscenza sia valida, mantenuta, canonica o utile.
4. Sistemi di memoria AI
I sistemi di memoria AI danno agli agenti un contesto persistente oltre un singolo prompt o conversazione.
Possono archiviare:
- preferenze dell’utente
- decisioni passate
- fatti a lungo termine
- cronologia delle attività
- riepiloghi
- riflessioni
- entità estratte
- memorie episodiche
- memorie semantiche
Gli esempi e le idee correlate includono:
- livelli di memoria stile MemGPT
- memoria a lungo termine degli agenti
- memoria episodica
- memoria semantica
- memoria vettoriale
- memoria del profilo
- memoria dello stato degli strumenti
- agenti riflessivi
La memoria AI è guidata dall’agente.
L’obiettivo è la continuità.
In cosa la memoria AI è brava
I sistemi di memoria AI funzionano bene per:
- assistenti personali
- agenti di coding a lunga esecuzione
- agenti di ricerca
- agenti di supporto clienti
- sistemi di tutoraggio
- automazione dei flussi di lavoro
- compagni persistenti
- esecuzione di attività multi-sessione
La memoria è importante quando il sistema deve comportarsi come se ricordi.
Modalità di fallimento della memoria AI
I sistemi di memoria sono pericolosi se non gestiti.
Problemi comuni:
- ricordare fatti sbagliati
- archiviare troppo
- rischio per la privacy
- preferenze obsolete
- ranking della memoria povero
- avvelenamento della memoria
- nessun meccanismo di oblio
- confondere la memoria con la verità
Un sistema di memoria ha bisogno di governance.
Dovrebbe rispondere a:
- Cosa dovrebbe essere ricordato?
- Chi l’ha approvato?
- Quanto tempo dovrebbe vivere?
- Quando dovrebbe essere dimenticato?
- Come viene corretto?
Punto di vista personale
La memoria AI non è solo un contesto lungo.
Il contesto lungo permette a un modello di vedere di più contemporaneamente. La memoria decide cosa sopravvive nel tempo.
Questi sono problemi diversi.
Tabella delle differenze fondamentali
| Dimensione | PKM | Wiki | RAG | Memoria AI |
|---|---|---|---|---|
| Utente principale | Individuale | Team o gruppo pubblico | Sistema AI | Agente AI |
| Funzione principale | Pensiero | Riferimento condiviso | Recupero al momento della query | Contesto persistente |
| Stato della conoscenza | In evoluzione | Stabilizzata | Recuperata | Adattiva |
| Struttura | Flessibile | Esplicita | Basata su indice | Appresa o estratta |
| Stile di recupero | Ricerca e collegamento umano | Navigazione e ricerca | Recupero semantico o ibrido | Rilevanza più salienza |
| Proprietà | Personale | Proprietari della pagina o del team | Amministratori di sistema | Controllato dall’agente o dall’utente |
| Orizzonte temporale | Lungo termine personale | Lungo termine condiviso | Momento della query | Multi-sessione |
| Output migliore | Intuizione | Riferimento affidabile | Risposta fondata | Continuità |
| Rischio principale | Accumulo | Obsolescenza | Cattivo recupero | Cattiva memoria |
| Metrica buona | Riutilizzo nel pensiero | Fiducia e freschezza | Qualità della risposta | Continuità utile |
Struttura vs recupero vs evoluzione
Il modo più semplice per capire questi sistemi è confrontare cosa ottimizzano. Le implicazioni architetturali di questa distinzione sono esplorate in profondità in Recupero vs Rappresentazione nei Sistemi di Conoscenza.
Il PKM ottimizza l’evoluzione personale
Il PKM riguarda come cambia la tua comprensione.
Raccolti materiale, lo riscrivi, lo colleghi e lo trasformi in qualcosa di utile.
L’output è spesso:
- un modello mentale migliore
- un articolo scritto
- una decisione
- una direzione di ricerca
- un’intuizione riutilizzabile
Il PKM non riguarda principalmente la ricerca rapida. Riguarda la comprensione a lungo termine.
Le wiki ottimizzano la struttura condivisa
Le wiki riguardano la conoscenza stabile.
Chiedono:
- Qual è la risposta corrente?
- Chi ne è il proprietario?
- Dove dovrebbero andare le persone?
- Cosa dovrebbe essere aggiornato?
Una wiki funziona quando le persone le fanno affidamento.
Il RAG ottimizza il recupero della macchina
Il RAG riguarda il recupero del contesto giusto al momento giusto.
Chiede:
- Quali documenti sono rilevanti?
- Quali blocchi dovrebbero essere utilizzati?
- Quanto contesto si adatta?
- Cosa dovrebbe citare il modello?
Il RAG funziona quando la qualità del recupero è alta e il corpus sorgente è affidabile.
La memoria AI ottimizza la continuità
I sistemi di memoria riguardano la persistenza tra le sessioni.
Chiedono:
- Cosa dovrebbe ricordare l’agente?
- Cosa dovrebbe essere dimenticato?
- Quale memoria è importante ora?
- Come dovrebbe la memoria cambiare il comportamento?
La memoria funziona quando migliora il comportamento futuro senza inquinare l’agente con contesto obsoleto o errato.
Quando usare il PKM
Usa il PKM quando la conoscenza è personale, incompiuta o esplorativa.
Buoni scenari:
- imparare i sistemi distribuiti
- pianificare articoli
- ricercare l’architettura LLM
- raccogliere note sui libri
- costruire un secondo cervello
- tracciare esperimenti personali
Usa il PKM quando stai ancora pensando.
Esempio
Stai imparando a conoscere la valutazione del RAG.
Raccolgi:
- articoli
- note sui benchmark
- diagrammi
- idee di implementazione
- fallimenti dai tuoi esperimenti personali
Questo appartiene prima al PKM.
In seguito, una volta che la conoscenza si stabilizza, puoi pubblicare un articolo o trasformarlo in documentazione.
Quando usare una wiki
Usa una wiki quando la conoscenza deve essere condivisa e mantenuta.
Buoni scenari:
- onboarding del team
- documentazione API
- runbook operativi
- record delle decisioni architetturali
- conoscenza del prodotto
- istruzioni di deployment
- procedure di supporto
Usa una wiki quando altri hanno bisogno di una risposta affidabile.
Esempio
Il tuo team ha un unico modo corretto per effettuare il deployment di un sito Hugo su S3 e CloudFront.
Questo non appartiene solo agli appunti privati di qualcuno.
Appartiene a una wiki o a un sistema di documentazione con proprietà chiara.
Quando usare il RAG
Usa il RAG quando un sistema AI ha bisogno di accesso a conoscenza esterna al momento della query.
Buoni scenari:
- chatbot sulla documentazione
- assistente di ricerca sui documenti interni
- assistente di supporto sugli articoli di aiuto
- assistente legale o di conformità
- ricerca su grandi set di documenti
- assistente per sviluppatori sulla documentazione del codice
Usa il RAG quando il problema è:
Il modello ha bisogno di informazioni che vivono al di fuori dei suoi pesi.
Esempio
Hai centinaia di articoli tecnici e vuoi un assistente che risponda alle domande usando quelli.
Il RAG è un’ottima scelta.
Ma solo se i documenti sono abbastanza puliti per essere recuperati.
Quando usare la memoria AI
Usa la memoria AI quando un agente ha bisogno di continuità.
Buoni scenari:
- agenti di coding che ricordano le convenzioni del progetto
- assistenti personali che ricordano le preferenze
- agenti di ricerca che continuano indagini lunghe
- agenti di tutoraggio che ricordano i progressi dello studente
- agenti di supporto che ricordano interazioni precedenti
- agenti autonomi che tracciano gli obiettivi
Usa la memoria quando il sistema deve migliorare nel tempo.
Esempio
Un agente di coding dovrebbe ricordare:
- il progetto usa Go
- i test vengono eseguiti con un comando specifico
- l’utente preferisce dipendenze minime
- le migrazioni del database seguono una convenzione
Questo non è solo recupero. È contesto operativo persistente.
Come questi sistemi si combinano
I sistemi più utili sono ibridi.
Un’architettura di conoscenza matura potrebbe sembrare così:
- PKM per l’esplorazione personale
- Wiki per la conoscenza condivisa stabile
- RAG per l’accesso della macchina
- Memoria AI per la continuità degli agenti a lunga esecuzione
Ogni livello ha un compito.
Pattern 1. Da PKM a Wiki
Questo è il pipeline della conoscenza umana.
Flusso:
- Catturare note privatamente
- Collegare idee
- Distillare intuizioni
- Pubblicare conoscenza stabile
- Mantenere come riferimento condiviso
Questo è come la ricerca personale diventa conoscenza organizzativa.
Esempio
Ricercavi strumenti di conoscenza self-hosted su Obsidian.
Dopo aver testato DokuWiki, Nextcloud e sistemi Markdown statici, scrivi una guida stabile nel tuo sito o nella wiki del team.
Il PKM ha creato l’intuizione. La wiki preserva il risultato.
Pattern 2. Da Wiki a RAG
Questo è il pipeline di accesso della macchina.
Flusso:
- Mantenere pagine wiki canoniche
- Indicizzarle
- Recuperare sezioni rilevanti
- Generare risposte fondate
- Collegare alle fonti
Questo è uno dei pattern RAG più puliti.
La wiki rimane la fonte di verità. Il RAG diventa il livello di accesso.
Esempio
Un bot di supporto risponde alle domande usando una wiki del prodotto.
Il bot non dovrebbe sostituire la wiki. Dovrebbe citare e indirizzare gli utenti alle pagine canoniche.
Pattern 3. RAG più memoria
Questo è il pipeline di continuità dell’agente.
Flusso:
- Il RAG recupera fatti esterni
- La memoria archivia il contesto utente o dell’attività
- L’agente combina entrambi
- Il comportamento futuro migliora
Il RAG risponde a:
Cosa dice la base di conoscenza?
La memoria risponde a:
Cosa è importante riguardo a questo utente, progetto o attività?
Esempio
Un agente di coding usa il RAG per recuperare la documentazione del framework.
Usa la memoria per ricordare che il tuo progetto evita ORMs, preferisce sqlc e usa il logging strutturato.
Questi sono tipi di conoscenza diversi.
Pattern 4. PKM più assistente AI
Questo è il pipeline di pensiero ibrido.
Flusso:
- L’umano cattura note
- L’AI riassume e suggerisce collegamenti
- L’umano modifica e valida
- La conoscenza diventa più strutturata
- Alcune pagine si laureano nella wiki o nella pubblicazione
L’AI potenzia il sistema PKM, ma non dovrebbe possedere la verità.
Esempio
Un assistente AI può suggerire connessioni tra note su RAG, sistemi di memoria e LLM Wiki.
Ma l’umano decide quali connessioni sono significative.
Errori architetturali comuni
Errore 1. Trattare il RAG come una wiki
Il RAG non è una base di conoscenza.
Non crea automaticamente una struttura canonica. Recupera da ciò che esiste.
Se i documenti sorgente sono cattivi, il RAG diventa un’interfaccia sicura verso una conoscenza cattiva.
Errore 2. Trattare la memoria come un database
La memoria AI è contesto selettivo, non stoccaggio generale.
Un database archivia record. La memoria cambia il comportamento.
Se hai bisogno di fatti esatti, usa un database o una base di conoscenza. Se hai bisogno di continuità, usa la memoria.
Errore 3. Trattare il PKM come documentazione
Il PKM può essere caotico.
La documentazione non dovrebbe esserlo.
Le note private possono contenere idee a metà formate. La documentazione condivisa dovrebbe contenere conoscenza stabile e mantenuta.
Errore 4. Trattare una wiki come strumento di pensiero
Una wiki può supportare il pensiero, ma non è ideale per l’esplorazione iniziale.
Se ogni pensiero iniziale deve diventare una pagina lucida, le persone smettono di scrivere.
Usa il PKM per il pensiero grezzo. Usa le wiki per la conoscenza durevole.
Errore 5. Trattare il contesto lungo come memoria
Il contesto lungo non è memoria.
Aiuta solo mentre il contesto è presente.
La memoria persiste, seleziona, aggiorna e a volte dimentica.
Guida alle decisioni
Usa questo modello decisionale semplice.
Se la conoscenza è privata e in evoluzione
Usa il PKM.
Se la conoscenza è condivisa e stabile
Usa una wiki.
Se un AI ha bisogno di rispondere da documenti esterni
Usa il RAG.
Se un agente ha bisogno di continuità nel tempo
Usa la memoria.
Se hai bisogno di tutti e quattro
Costruisci un sistema stratificato.
Non forzare uno strumento a fare ogni lavoro.
Lo spettro dei sistemi di conoscenza
Questi sistemi formano uno spettro dal pensiero umano alla continuità AI.
| Livello | Sistema | Ruolo |
|---|---|---|
| Pensiero umano | PKM | Esplorare e sintetizzare |
| Struttura condivisa | Wiki | Preservare e mantenere |
| Accesso macchina | RAG | Recuperare e generare |
| Continuità agente | Memoria | Persistere e adattarsi |
La direzione è importante.
La conoscenza spesso inizia come pensiero personale, diventa struttura condivisa, viene indicizzata per il recupero della macchina e poi diventa parte del comportamento persistente dell’agente.
Questa è la stack di conoscenza moderna.
Dove si colloca LLM Wiki
I sistemi stile LLM Wiki si collocano tra la wiki e l’architettura AI.
Non sono RAG classico.
Invece di recuperare solo blocchi al momento della query, tentano di pre-strutturare la conoscenza in pagine, riepiloghi, entità e collegamenti.
Questo li rende più vicini ai sistemi di conoscenza compilata.
Un posizionamento utile:
| Sistema | Posizione |
|---|---|
| Wiki | Conoscenza strutturata mantenuta dall’uomo |
| RAG | Recupero macchina al momento della query |
| LLM Wiki | Conoscenza strutturata dalla macchina al momento dell’ingestione |
| Memoria | Contesto persistente dell’agente |
Questo è il motivo per cui LLM Wiki appartiene vicino all’architettura dei sistemi di conoscenza, non all’interno del RAG ordinario.
Esempi pratici
Esempio 1. Blog tecnico personale
Un blogger tecnico potrebbe usare:
- PKM per le note di ricerca
- sito Hugo come conoscenza pubblicata
- collegamento interno come struttura simile a una wiki
- RAG successivamente per la ricerca nel sito
- memoria AI per le preferenze dell’assistente di scrittura
Questa è un’architettura solida.
Mantiene il giudizio umano al centro consentendo ancora il supporto AI.
Esempio 2. Team di ingegneria
Un team di ingegneria potrebbe usare:
- PKM per l’apprendimento individuale
- wiki per standard e runbook
- assistente RAG per la documentazione interna
- memoria per agenti di coding che lavorano all’interno dei repository
La wiki dovrebbe rimanere canonica.
L’assistente RAG non dovrebbe inventare processi. Il livello di memoria dovrebbe ricordare le preferenze del progetto, non sostituire le decisioni architetturali.
Esempio 3. Flusso di lavoro di ricerca AI
Un ricercatore potrebbe usare:
- PKM per le note sui paper
- wiki per riepiloghi stabili
- RAG per la ricerca letteraria
- memoria per agenti di ricerca a lunga esecuzione
Questo funziona perché ogni livello gestisce una scala temporale diversa.
Sicurezza e governance
I sistemi di conoscenza diventano rischiosi quando archiviano informazioni sensibili o obsolete.
Governance del PKM
Domande:
- Cosa dovrebbe rimanere privato?
- Cosa dovrebbe essere pubblicato?
- Cosa dovrebbe essere cancellato?
Governance della Wiki
Domande:
- Chi possiede ogni pagina?
- Quando è stata revisionata l’ultima volta?
- Cosa è canonico?
Governance del RAG
Domande:
- Quali fonti sono indicizzate?
- Le risposte sono citate?
- Come viene valutato il recupero?
- Qual è il contenuto escluso?
Governance della Memoria
Domande:
- Cosa viene ricordato?
- Gli utenti possono ispezionare la memoria?
- Gli utenti possono cancellare la memoria?
- Come vengono corrette le memorie errate?
La memoria ha bisogno della governance più rigorosa perché può influenzare silenziosamente il comportamento futuro.
Nota su SEO e strategia dei contenuti
Se gestisci un sito tecnico, questa distinzione non è solo architetturale. È anche editoriale.
Puoi mappare i contenuti così:
- Le pagine PKM spiegano le pratiche di conoscenza umana.
- Le pagine Wiki spiegano i sistemi di conoscenza strutturata.
- Le pagine RAG spiegano l’ingegneria del recupero.
- Le pagine di Memoria spiegano il comportamento AI persistente.
- Le pagine di Architettura confrontano e collegano i paradigmi.
Questo dà al tuo sito una mesh di autorità pulita invece di una pila di articoli AI vagamente correlati.
Conclusione finale
PKM, RAG, wiki e sistemi di memoria AI non sono competitori.
Sono risposte diverse a domande diverse.
Il PKM chiede:
Come posso pensare meglio nel tempo?
Una wiki chiede:
Cosa sappiamo e dove si trova la versione affidabile?
Il RAG chiede:
Quale contesto esterno dovrebbe usare il modello proprio ora?
La memoria AI chiede:
Cosa dovrebbe ricordare questo agente per il futuro?
Una volta separate queste domande, l’architettura diventa ovvia.
Usa il PKM per pensare. Usa le wiki per la verità condivisa. Usa il RAG per il recupero. Usa la memoria per la continuità.
Il futuro non è un sistema di conoscenza che sostituisce tutti gli altri.
Il futuro è architettura di conoscenza stratificata. Per strumenti, metodi e piattaforme self-hosted attraverso tutto lo spettro della gestione della conoscenza, la mappa del pilastro cluster mappa il territorio.
Fonti e letture aggiuntive
- https://cloud.google.com/use-cases/retrieval-augmented-generation
- https://aws.amazon.com/what-is/retrieval-augmented-generation/
- https://www.ibm.com/think/topics/retrieval-augmented-generation
- https://www.ibm.com/think/topics/knowledge-management
- https://arxiv.org/abs/2310.08560
- https://research.memgpt.ai/
- https://zettelkasten.de/posts/building-a-second-brain-and-zettelkasten/
