«Quando le conclusioni ricordate diventano nuove prove.»
La memoria persistente trasforma un agente da uno strumento che va continuamente spiegato a uno che porta avanti il contesto — ma apre un modello di guasto che la chat stateless evita: un’interpretazione può diventare memoria, essere recuperata come fatto e giustificare una versione più forte di sé stessa.
Un passaggio sicuro oltre l’import in una riga
Migrare un assistente AI non è la stessa cosa di copiare la configurazione di un’applicazione. La parte difficile è preservare l’identità, la memoria, il comportamento degli strumenti, i lavori programmati e l’accesso alla messaggistica senza che due gateway agiscano come lo stesso bot.
Abilità, server MCP o entrambi?
Le competenze degli agenti e i server MCP vengono spesso presentati come modi alternativi per estendere un agente AI. Questa inquadratura è errata: una competenza insegna all’agente come lavorare, mentre un server MCP gli fornisce accesso governato a funzionalità live.
Pattern di polling affidabili per agenti AI.
Gli agenti di polling sono una delle parti meno glamour dell’architettura degli assistenti AI, ma sono anche tra le più utili.
MCP fornisce agli agenti strumenti. A2A fornisce agli agenti pari.
L’architettura degli agenti AI sta iniziando a dividersi in due livelli.
A2A trasforma gli agenti in pari della rete.
Il protocollo A2A, acronimo di Agent2Agent Protocol, è uno standard aperto per la comunicazione tra sistemi di agenti AI indipendenti.
Memoria operativa, strutturata e di recupero per gli assistenti.
La memoria trasforma gli assistenti da sistemi reattivi a sistemi persistenti, ma è anche il luogo in cui molti sistemi degradano silenziosamente. I sondaggi sostengono che la distinzione tra memoria a breve e lungo termine non sia più sufficiente per la memoria dei moderni agenti; OpenAI e gli SDK di LangGraph indicano uno stack più semplice: memoria di lavoro, stato durevole e recupero (retrieval).
Come vengono effettivamente costruiti assistenti seri.
Un assistente AI in produzione non è “un LLM con un prompt”. È un sistema che accetta l’intento, mantiene lo stato, decide quando recuperare informazioni o agire ed espone sufficienti dettagli di runtime per eseguire il debug delle anomalie.
Stelle, token, download: chi vince davvero?
I framework open-source per agenti AI sono in piena esplosione di popolarità su GitHub. Due progetti al cuore dell’ecosistema dei sistemi AI self-hosted — OpenClaw e Hermes Agent — hanno preso un tale vantaggio che il resto del settore combatte per un lontano terzo posto.
Riferimento per l'ottimizzazione di LLM agentic
Questa pagina è un riferimento pratico per la regolazione dell’inferenza di LLM agentic (temperatura, top_p, top_k, penalità e come interagiscono in flussi di lavoro multi-step e intensivi nell’uso di strumenti).
Esegui OpenClaw in modo sicuro con NemoClaw
La maggior parte degli stack per agenti AI tratta ancora la sicurezza come una correzione da applicare dopo la dimostrazione. NemoClaw parte dall’assunzione opposta e rende isolamento, policy e routing le impostazioni predefinite fin dal primo giorno.
La policy di acquisizione conta ora quanto il recall.
Aggiornato a settembre 2026: aggiunti Mnemosyne e Memori, ampliata la configurazione di Honcho e Hindsight, e aggiunta una tabella di confronto delle policy di acquisizione accanto alla tabella infrastrutturale originale.
Le competenze da conservare e quelle da saltare
OpenClaw ha due storie di estensioni, ed è facile confonderle.
Le plugin estendono il runtime. Le competenze (skills) estendono il comportamento dell’agente.
Prima i plugin. Nomenclatura delle competenze in breve.
Questo articolo riguarda i plugin OpenClaw — pacchetti gateway nativi che aggiungono canali, fornitori di modelli, strumenti, voce, memoria, media, ricerca web e altre superfici runtime.
Come sono strutturati realmente i sistemi OpenClaw
OpenClaw sembra semplice nelle dimostrazioni. In produzione, diventa un sistema.
La maggior parte delle configurazioni di AI locali parte da un modello e da un runtime.
