AI agent memory: cosa conservare, dove e a quale costo

Prima di acquistare una soluzione di AI agent memory, chiarisci che cosa va perso: il prompt corrente, un’attività ancora da completare o informazioni che serviranno la prossima settimana. Claude Managed Agents di Anthropic costa $0.08 per ora di sessione con runtime attivo, oltre ai token del modello, ma conservare le informazioni e richiamare quelle utili sono due scelte progettuali distinte. Parti dallo stato della sessione salvato e da brevi file di istruzioni; aggiungi un archivio a lungo termine quando le nuove sessioni devono recuperare fatti selezionati dal lavoro precedente.

AI agent memory: che cosa deve restare disponibile?

La memoria di un agente è l’insieme delle informazioni che può conservare e riportare nel proprio lavoro. La distinzione che conta è tra ciò che il modello vede nella richiesta corrente e ciò che viene salvato altrove per una richiesta futura.

Se dopo un riavvio un agente dimentica un cliente, aumentare il limite del prompt non gli farà recuperare la storia di quel cliente. Se dimentica quale passaggio di una procedura di rimborso ha completato, un archivio di preferenze consultabile non ricostruirà la transazione in modo affidabile. Individua l’informazione mancante prima di scegliere un prodotto.

Queste quattro categorie operative aiutano a decidere. Sono livelli che si possono combinare, più che definizioni concorrenti di memoria.

Un token è una piccola unità di testo elaborata dal modello e conteggiata dall’API. Un checkpoint è un record salvato dell’avanzamento di un workflow. Un embedding è una rappresentazione numerica di un contenuto, usata per cercare in base al significato. Nessuno di questi termini cambia la domanda centrale: che cosa va salvato e quando va letto?

La finestra di contesto è il piano di lavoro

La finestra di contesto contiene ciò che il modello può usare per questa richiesta. Inserisci l’ultimo messaggio del cliente, i dettagli pertinenti del ticket e la politica sui rimborsi: il modello potrà considerarli insieme. Se ometti una promessa fatta in precedenza, non avrà una base affidabile per rispettarla.

Immagina una scrivania in un archivio. Può essere grande, ma i documenti sugli scaffali restano fuori. Una scrivania più ampia offre più spazio per lavorare; qualcuno deve comunque scegliere quali documenti appoggiarci.

Il costo operativo dipende dal materiale che presenti, compreso il testo ripetuto. L’ottimizzazione utile è un prompt mirato, con le informazioni necessarie a quella decisione. Quando conta la precisione, conserva identificativi esatti, vincoli e risultati dei tool: un breve riepilogo che perde l’ID dell’ordine è un falso risparmio.

Lo stato della sessione tiene insieme la stessa attività

Lo stato della sessione risponde alla domanda: «A che punto eravamo?» Per un agente che gestisce rimborsi può contenere l’ID del ticket, la cronologia della conversazione, lo stato dell’approvazione e il risultato del tool che indica se il rimborso è stato inoltrato. La documentazione di Google su Sessions distingue gli eventi della conversazione dallo stato temporaneo usato durante quell’interazione.

Salvare la trascrizione è utile, ma l’applicazione che ospita l’agente dovrebbe registrare anche l’avanzamento delle operazioni in record strutturati. È il sistema di pagamento che deve stabilire se il denaro è stato trasferito. Chiedere a un modello di dedurlo dalle parole di una conversazione crea un rischio evitabile di eseguire due volte la stessa azione.

Parti dallo stato della sessione quando il problema è «l’agente perde il filo dopo una disconnessione». La persistenza dipende da dove lo salvi. Una variabile dentro un processo worker scompare quando quel processo termina; un archivio persistente può essere caricato dal worker successivo.

Gli archivi a lungo termine portano informazioni selezionate nel lavoro futuro

Un archivio a lungo termine risponde alla domanda: «Che cosa deve sapere questo agente quando inizia una nuova attività?» Un cliente che torna può preferire l’email al telefono. Un progetto può avere una decisione che spiega perché è stata scartata una certa integrazione. Questi fatti devono poter durare oltre una singola conversazione.

L’archivio può essere composto da semplici record recuperati tramite l’ID del cliente. La ricerca per significato diventa utile quando la domanda è meno prevedibile, per esempio: «Quali obiezioni aveva sollevato questo cliente l’ultima volta?» Non serve tutta questa infrastruttura per recuperare una preferenza linguistica già nota.

Mantieni i record aziendali come fonte autorevole. «Preferisce l’email» può essere una preferenza memorizzata. «Ha pagato la fattura» deve arrivare dal sistema di fatturazione quando la decisione dipende da quel dato. La memoria può indirizzarti al record pertinente; non dovrebbe sostituirlo senza renderlo esplicito.

File e skill conservano istruzioni e lezioni apprese

Spesso bastano dei file quando il problema ricorrente è «l’agente di coding dimentica le nostre convenzioni». Nella documentazione di Claude Code di Anthropic, CLAUDE.md fornisce istruzioni scritte, i file AGENTS.md supportati forniscono indicazioni per il repository e la memoria automatica contiene note che l’agente scrive a partire da correzioni e preferenze.

Una skill è una procedura riutilizzabile, di solito composta da un file di istruzioni e materiale di supporto. «Come preparare un rilascio» va in una skill. «Il cliente ha cambiato la preferenza di consegna» va nello stato del cliente. Una nota su un errore passato può servire in entrambi i casi, a seconda che sia una lezione generale o un fatto relativo a un cliente.

Claude Code carica il contenuto di una skill quando viene usata, mentre nomi e descrizioni delle skill disponibili occupano spazio nell’elenco. I file hanno quindi un costo operativo anche quando archiviarli costa poco. Per approfondire, leggi come ridurre il costo in contesto delle skill di Claude Code.

Mantieni brevi le istruzioni permanenti e sposta le procedure occasionali nelle skill. Ricorda anche che un’istruzione scritta orienta il modello: permessi e divieti vanno fatti rispettare dai controlli dell’applicazione.

Un sistema di memoria per agenti deve comunque costruire ogni prompt

Un archivio persistente serve solo se le informazioni giuste arrivano alla richiesta successiva. Salvare tutto e recuperare tutto trasforma la persistenza in una costosa rielaborazione della trascrizione.

Separa il flusso di scrittura da quello di lettura

Il flusso di scrittura decide che cosa diventerà un ricordo utilizzabile in futuro. Dopo un’interazione di assistenza può salvare una preferenza di contatto confermata e un riferimento alla fonte, lasciando invece una lamentela temporanea nella cronologia del ticket. Un’applicazione può scrivere direttamente un campo strutturato; un modello di estrazione può trasformare una conversazione in fatti candidati alla memorizzazione.

Il flusso di lettura decide che cosa serve all’attività corrente. Autentica il cliente, scegli l’ambito corretto, recupera i fatti pertinenti, scarta i record scaduti o sostituiti e inserisci il materiale selezionato nel prompt. Registra quali ricordi sono stati usati, così da poter risalire all’origine di una risposta sbagliata.

La panoramica di Memory Bank di Google descrive la generazione di ricordi dalle conversazioni e l’inserimento di quelli recuperati nel prompt. Le informazioni persistenti e il contesto di lavoro restano separati.

Per un cliente che torna, il prompt utile può contenere il ticket di oggi, una preferenza di comunicazione e la politica attuale. In genere non servono tutte le chat da cui è nata quella preferenza. La selezione è il lavoro progettuale centrale, sia che tu gestisca un database sia che acquisti un servizio gestito.

Le etichette dei contenuti non dicono dove risiede la memoria

Puoi incontrare i termini memoria episodica, riferita agli eventi passati; memoria semantica, riferita ai fatti; e memoria procedurale, riferita a come fare qualcosa. Queste etichette dei contenuti possono essere utili, ma un evento può trovarsi in una riga di database, in una nota di testo o nel record di una conversazione.

La retrieval-augmented generation, o RAG, consiste nel trovare materiale pertinente e fornirlo al modello prima che risponda. Sia la consultazione di un documento sulle politiche sia il recupero di una preferenza memorizzata possono usare questo meccanismo. La memoria richiede anche di decidere che cosa conservare, aggiornare e dimenticare. La RAG può utilizzare anche fonti che cambiano: non è per definizione una raccolta statica di documenti.

La memoria è diversa anche dall’addestramento, che modifica i parametri del modello. Leggere una nota salvata dà al modello informazioni per il lavoro corrente. Non dimostra che il modello di base le abbia apprese in modo permanente.

Che cosa offrono già i grandi fornitori

I servizi nativi possono gestire buona parte della persistenza, ma hanno confini diversi. Le funzionalità e i prezzi riportati qui sotto sono stati verificati sulla documentazione pubblica e sulle pagine dei prezzi dei fornitori il 5 ottobre 2026.

Per chi sviluppa, cambia il punto di partenza: esamina prima i servizi per conversazioni e memoria disponibili nel runtime che già usi. Un fornitore separato trova spazio quando quei servizi non soddisfano un’esigenza specifica di recupero, portabilità, correzione o controllo.

Memoria di Claude: applicazione, sessione e archivio sono livelli distinti

Claude di Anthropic offre memoria nell’applicazione per gli utenti e funzioni separate di persistenza per chi sviluppa con Claude Managed Agents. La memoria dell’app Claude salva singoli argomenti durante le chat; i progetti hanno spazi di memoria e riepiloghi separati. L’attuale pagina di assistenza indica che la memoria è attiva per impostazione predefinita per Free, Pro e Max, mentre i proprietari di Team ed Enterprise ne controllano la disponibilità. Quella funzione dell’app non descrive l’architettura dello stato dei clienti nella tua applicazione.

Le sessioni di Managed Agents mantengono la cronologia tra le interazioni. Per condividere informazioni con le sessioni successive, collega un memory store: una raccolta di documenti di testo che l’agente legge e scrive sotto /mnt/memory/. Gli archivi vengono collegati alla creazione della sessione. Una sessione supporta 8 archivi e un archivio supporta 10,000 ricordi; quando si riempie, la scrittura di nuovi ricordi fallisce, mentre quelli esistenti restano leggibili e modificabili. Gli archivi condivisi di riferimento possono essere read_only. Sono limiti documentati degli archivi: suddividi e ripulisci i contenuti prima che la crescita provochi scritture fallite.

La pagina dei prezzi di Claude indica $0.08 per ora di sessione attiva, oltre alle tariffe standard dei token. Non riporta una tariffa separata per l’archiviazione nei memory store. La documentazione dettagliata sui prezzi specifica che il runtime viene conteggiato nello stato running, escludendo il tempo in idle, rescheduling e terminated.

La conseguenza pratica è che va messo a budget il lavoro dell’agente, non il semplice tempo di esistenza della sessione. Non considerare i file persistenti come input gratuito per il modello e non dare per scontato che un archivio montato sappia automaticamente quale documento merita attenzione.

Stato delle conversazioni OpenAI: i thread persistenti elaborano comunque il contesto

La Conversations API di OpenAI fornisce un thread persistente alla Responses API, che genera risposte del modello e interazioni con i tool. Puoi riutilizzare un ID di conversazione tra sessioni, dispositivi o attività; la conversazione può contenere messaggi, chiamate ai tool e relativi output. In alternativa, previous_response_id collega le risposte in una catena. La guida allo stato delle conversazioni specifica che l’input precedente nella catena resta fatturabile. Distingue inoltre gli oggetti risposta, salvati per 30 giorni per impostazione predefinita, dagli oggetti conversazione e dai loro elementi, che non hanno quella scadenza di 30 giorni.

Un thread persistente preserva la continuità. Decidere quali fatti usare in futuri thread non collegati resta un requisito dell’applicazione. Conserva in modo persistente anche l’associazione tra cliente e conversazione: un thread salvato serve a poco se il worker successivo non trova l’ID corretto.

La pagina dei prezzi di OpenAI indica che la Responses API non ha un prezzo separato dall’utilizzo del modello e non elenca una tariffa distinta per Conversations. Come esempio di tariffa, il prezzo standard di GPT-6.1 Sol per il contesto breve è $2 per milione di token di input e $10 per milione di token di output. Modello, modalità di elaborazione, lunghezza del contesto e tool incidono sulla fattura.

Per le scelte di runtime che vanno oltre il salvataggio delle conversazioni, consulta il confronto tra OpenAI Agents API e Agents SDK dopo aver definito che cosa deve conservare la tua applicazione.

Google Sessions e Memory Bank: stato della conversazione e fatti persistenti

Gemini Enterprise Agent Platform di Google separa Sessions da Memory Bank. Sessions conserva la cronologia delle interazioni e lo stato della conversazione. Memory Bank genera e gestisce fatti per le sessioni successive, con ambito, scadenza e revisioni.

La documentazione di Google sul recupero specifica che l’ambito dei ricordi deve corrispondere esattamente a quello della richiesta. L’ambito è l’identità e il raggruppamento assegnati a un ricordo; non si può modificare dopo la creazione. Chi sviluppa deve comunque fornire l’identità corretta e far rispettare chi è autorizzato a usarla.

L’attuale pagina dei prezzi indica $0.30 per GiB-mese per l’archiviazione di Sessions e Memory Bank, comprese le revisioni di Memory Bank; $0.085 per 3 milioni di letture; e $0.085 per 1 milione di scritture, conteggiate proporzionalmente tramite Agent Compute. I token per generare i ricordi e gli embedding si aggiungono a questi costi. Questa struttura tariffaria si applica dal 1 settembre 2026.

Per chi sviluppa, è un servizio gestito per il ciclo di vita delle informazioni, più che un semplice contenitore di log delle chat. Per chi lo gestisce, vanno messi a budget i token di generazione e la conservazione delle revisioni. La voce di runtime di Google chiamata «Agent Memory (RAM)» si riferisce alla memoria di lavoro del computer, una risorsa diversa dai fatti memorizzati sui clienti.

Quanto costa usare la memoria degli agenti

Conta l’intero ciclo di scrittura e lettura prima di parlare di risparmio. La memoria può ridurre l’input ripetuto, aggiungendo però estrazione, recupero e manutenzione. Il basso costo dell’archiviazione non basta a risolvere il confronto.

Il modello di costo utile è questo:

Costo mensile della memoria = estrazione e aggiornamenti + archiviazione + recupero + token di input dei contenuti recuperati + runtime aggiuntivo + lavoro operativo.

Il lavoro operativo comprende correzioni, modifiche alla conservazione dei dati, scritture fallite e indagini sugli errori. Tienine traccia anche quando non compare sulla fattura di un fornitore. Non convertirlo in una tariffa oraria inventata: usa i costi effettivi del tuo personale e degli incidenti.

Un budget mensile con una soglia di convenienza esplicita

Supponiamo che un agente personalizzato abbia 10,000 esecuzioni al mese con una cronologia da recuperare. Ognuna rielabora attualmente 10,000 vecchi token di input. Un’architettura selettiva fornisce invece 1,000 token di informazioni memorizzate per esecuzione e impiega 2,000 token di input più 200 di output per estrarre la memoria dopo ogni esecuzione.

Sono ipotesi illustrative sul carico di lavoro, non prestazioni misurate. Le tariffe standard di Claude Sonnet 5.5 sono $2 per milione di token di input e $10 per milione di token di output.

• Rielaborazione della cronologia: 10,000 esecuzioni × 10,000 token = 100 milioni di token di input, per un costo di $200/mese.
• Contesto selezionato: 10,000 × 1,000 = 10 milioni di token di input, per un costo di $20/mese.
• Estrazione: 20 milioni di token di input costano $40; 2 milioni di token di output costano $20. Totale: $60/mese.

L’architettura selettiva parte da $80/mese prima degli altri costi. Ha quindi $120/mese disponibili per i costi aggiuntivi di archiviazione, ricerca, runtime, nuovi tentativi e manutenzione prima di diventare più cara della soluzione di partenza, che rielabora la cronologia per $200. Entrambe le alternative escludono lo stesso costo dell’attività di base e della generazione delle risposte.

È questa la soglia da calcolare: la spesa evitata per rielaborare la cronologia deve superare tutti i costi aggiuntivi della memoria. Se l’estrazione deve leggere l’intera trascrizione originale, sostituisci l’input ipotizzato con quel volume effettivo. Se bastano modifiche occasionali per creare un nuovo ricordo, calcola invece il costo con quella frequenza di scrittura più bassa.

La tariffa della cache proviene dalla documentazione dei prezzi di Anthropic. Una cache può ridurre il costo di elaborare ripetutamente lo stesso contenuto. Non decide se un fatto memorizzato è ancora valido o appartiene a questo utente.

Runtime attivo e archiviazione richiedono voci separate

Supponiamo che 10,000 esecuzioni di Claude Managed Agents impieghino 6 minuti attivi ciascuna. Il totale è 1,000 ore di sessione × $0.08 = $80/mese di runtime, prima dei token e degli altri utilizzi fatturabili. Il calcolo usa la tariffa di runtime pubblicata; i sei minuti sono una durata attiva ipotizzata, non un benchmark osservato. Nel confronto tra architetture di memoria che usano già lo stesso runtime, aggiungi solo il runtime incrementale.

Con gli attuali contatori di Google, supponiamo di avere 10 GiB-mese fatturabili, 3 milioni di letture fatturabili e 1 milione di scritture fatturabili dopo le quote incluse. Il subtotale di archiviazione e operazioni è $3.00 + $0.085 + $0.085 = $3.17/mese. Sono esclusi i token di generazione dei ricordi, gli embedding, l’inferenza dell’agente e il runtime. La pagina dei prezzi di Google include quote mensili per account pari a 1 GiB-mese di archiviazione e 50 ore di Agent Compute; l’esempio presuppone che siano già esaurite. Un GiB è un’unità binaria di archiviazione corrispondente a circa un miliardo di byte.

Da questo non si può concludere che l’intero servizio di memoria di un fornitore sia più economico. Quelle fatture conteggiano lavori diversi. Calcola il costo del workflow che vuoi eseguire, compresa la frequenza con cui l’agente legge, scrive, rigenera i fatti e li carica nel contesto.

Gestire la memoria degli agenti: errori tipici e rimedi

In produzione, il problema decisivo è controllare quali fatti diventano contesto considerato affidabile. Un archivio può conservare un fatto sbagliato, restituire il record di un altro cliente o mantenere un’istruzione malevola con la stessa affidabilità con cui conserva informazioni utili.

Fatti obsoleti: conserva fonti e validità, poi verifica di nuovo

Immagina che un cliente cambi il referente per la fatturazione, ma che l’agente continui a usare i dati della persona precedente. Salvare il nuovo messaggio senza sostituire il vecchio ricordo lascia due risposte apparentemente valide.

La soluzione è registrare a chi appartiene il fatto, un riferimento alla fonte, quando è stato osservato e quando è valido o scade. Applica le correzioni a un record preciso. Contrassegna i fatti sostituiti come inattivi, anziché lasciare che la ricerca scelga la versione che somiglia di più alla domanda. La scadenza, spesso chiamata time to live o TTL, limita il tempo per cui un fatto resta disponibile; non può rilevare ogni cambiamento prima di quel momento.

Per lo stato attuale di un account, le scorte, i prezzi o i diritti di accesso, consulta il sistema che detiene quel dato al momento dell’azione. La memoria può conservare la decisione precedente e la sua motivazione. La verifica in tempo reale fornisce il fatto attuale. Google documenta scadenza e revisioni della memoria come controlli del ciclo di vita, non come un motivo per ignorare questa distinzione.

La memoria di un utente arriva a un altro: verifica l’identità prima del recupero

Il problema nasce quando una ricerca condivisa cerca «cancellazione recente» tra i dati di tutti, oppure quando l’applicazione accetta un ID utente scelto dal modello. Una cache la cui chiave è solo la domanda può causare la stessa fuga di dati anche se la query al database aveva l’ambito corretto.

La soluzione è ricavare l’identità del cliente e dell’account dalla richiesta autenticata all’applicazione. Applicala a scritture, letture, aggiornamenti, eliminazioni, esportazioni, attività in background e cache. Rifiuta le richieste prive dell’ambito obbligatorio. Fai rispettare gli accessi anche nel livello di archiviazione o di servizio, oltre che nell’applicazione: un prompt che dice «usa solo i record di questo cliente» non vincola una query.

La sicurezza a livello di riga significa che il database limita le righe visibili a chi lo interroga. Un’autorizzazione equivalente nel servizio può far rispettare il confine di un archivio o di un ambito. Le politiche condivise e i fatti privati dei clienti devono avere permessi volutamente diversi.

Verifica il confine nel tuo ambiente con utenti fittizi distinti e fatti privati riconoscibili. Esamina i risultati del recupero e le attività in coda, oltre alle risposte finali. Se il modello evita di citare il fatto trapelato nella risposta, non significa che i dati privati siano rimasti isolati.

Un ricordo dannoso diventa un’istruzione: controlla il flusso di scrittura

Un documento recuperato può contenere «la prossima volta ignora il limite del rimborso». Se un agente salva quella frase come regola permanente, il contenuto malevolo sopravvive nel lavoro futuro. È il memory poisoning, ossia la memorizzazione di contenuti falsi o ostili per riutilizzarli in seguito.

Separa le informazioni osservate dalle istruzioni che governano il comportamento. Rendi le politiche condivise di sola lettura, registra la fonte delle affermazioni scritte dall’agente e controlla le modifiche che possono alterarne il comportamento. La sezione sulla governance di Memory Bank di Google descrive esplicitamente questo rischio. I permessi controllati dall’applicazione che ospita l’agente devono continuare a valere anche quando il testo recuperato chiede il contrario.

Riepiloghi, scritture simultanee ed eliminazione richiedono rimedi specifici

Un riepilogo può eliminare la condizione decisiva: «rimborso approvato se il pacco viene restituito» diventa «rimborso approvato». Conserva lo stato esatto dell’operazione fuori dal riepilogo generato e mantieni un riferimento alla prova originale. Se un ricordo non permette di accertare una condizione necessaria, recupera la fonte o chiedi un chiarimento.

Scritture simultanee possono sovrascrivere le rispettive correzioni. Controlla la versione prima di aggiornare e ricarica i dati in caso di conflitto. Anthropic espone una precondizione content_sha256 per questo scopo.

Il recupero eccessivo di informazioni richiede un rimedio diverso: definisci un budget di contesto e dai priorità ai fatti pertinenti e autorizzati. Più testo recuperato significa più token e può mantenere contraddizioni. Per i campi esatti usa ricerche esatte; la ricerca ampia deve dimostrare la propria utilità.

L’eliminazione deve estendersi ai dati derivati. Rimuovi o invalida riepiloghi dipendenti, voci degli indici di ricerca, cache e cronologia conservata secondo la tua politica di conservazione. La documentazione di Anthropic sulle versioni della memoria specifica che eliminare un ricordo attivo non elimina le versioni conservate; per rimuovere il contenuto storico esiste una procedura separata di oscuramento.

Quali sistemi di memoria servono davvero al tuo agente?

Intervieni quando sai quale informazione deve essere conservata e oltre quale passaggio deve restare disponibile. Puoi migliorare la continuità senza acquistare un nuovo servizio per ogni tipo di dimenticanza.

Se sviluppi agenti, parti da un record persistente della sessione quando le attività incompiute perdono il punto a cui erano arrivate. Aggiungi un piccolo record per utente quando le sessioni successive richiedono preferenze prevedibili. Introduci la ricerca semantica solo quando non riesci a selezionare in modo affidabile i fatti utili tramite chiavi note. File e skill sono la strada diretta per istruzioni e procedure di progetto ricorrenti.

Se gestisci gli agenti in produzione, intervieni quando la perdita di stato causa lavoro ripetuto, risposte obsolete o azioni duplicate. Registra i token caricati, la frequenza di scrittura e i risultati del recupero insieme alle correzioni. Rimanda l’estrazione automatica a lungo termine se nessuno è responsabile di scadenza ed eliminazione; individua prima i fatti che devono durare.

Se acquisti una soluzione, chiedi al fornitore dove risiede lo stato, come puoi ispezionarlo e correggerlo, in quali passaggi resta disponibile e come vengono fatti rispettare gli accessi. Un prodotto gestito è utile quando elimina lavoro sul ciclo di vita dei dati che altrimenti ricadrebbe sul tuo team. Portabilità, eliminazione e costo del tuo carico di lavoro devono guidare l’acquisto.

Il problema non ti riguarda se un’attività senza stato riceve tutti gli input attuali necessari e nessuna attività successiva ha bisogno della sua cronologia. Conservare un log di audit può comunque essere utile, ma non richiede di inserirlo automaticamente nei prompt futuri.

La scelta cambia quando la soluzione più semplice raggiunge un limite preciso. Un campo per la preferenza del cliente funziona finché non servono eventi pertinenti da una lunga cronologia. La trascrizione di una sessione funziona finché ogni nuova richiesta non deve passare al setaccio attività precedenti non collegate. Un manuale operativo funziona finché l’informazione mancante non è uno stato del cliente che cambia, anziché una procedura stabile.

Strumenti per la memoria degli agenti AI: dove si collocano Mem0, Zep e Letta

Mem0 è un’integrazione di memoria che estrae fatti dai messaggi inviati e li recupera per un utente selezionato. La sua guida rapida mostra add con user_id, la ricerca con un filtro corrispondente e il passaggio dei ricordi restituiti al modello. Quest’ultimo passaggio è il confine dell’integrazione: i fatti salvati devono comunque essere forniti all’agente che risponde.

Usa questa descrizione per capire l’architettura. Non dimostra che Mem0 sia l’acquisto migliore per il tuo carico di lavoro.

Zep costruisce un Context Graph, una rete di fatti, relazioni e relative fonti nel tempo. La sua documentazione descrive timestamp che indicano quando i fatti diventano validi o non più validi. Specifica anche che la tracciabilità delle fonti non garantisce la correttezza. Una relazione di un account che cambia è un caso d’uso per questa struttura; la fonte deve comunque essere attendibile.

Un grafo descrive come si collegano le informazioni. Non elimina la responsabilità di chi sviluppa nel decidere quali record siano accessibili a chi effettua la richiesta.

Letta offre blocchi di memoria, sezioni persistenti inserite all’inizio del prompt di un agente. La sua documentazione sui blocchi di memoria specifica che sono sempre visibili, senza recupero, e possono essere di sola lettura. Questo modello può essere adatto a un profilo di lavoro stabile. Il compromesso è diretto: i contenuti sempre visibili occupano contesto, quindi mantieni quei blocchi mirati.

Per la scelta dei prodotti, le modalità di deployment e il confronto dei piani, consulta i migliori sistemi di memoria persistente per agenti AI del 2026. Scegli qui il livello necessario, poi confronta gli strumenti con quel requisito.

Quali promesse sulla memoria degli agenti sono esagerate?

«L’agente ricorda tutto» è una promessa di prodotto incompleta. Le domande utili sono se un fatto sopravvive, se viene restituito per l’attività giusta e se resta corretto e autorizzato quando viene usato.

Una finestra di contesto più grande offre spazio per presentare più materiale. Non sceglie il record del cliente giusto. Un archivio vettoriale cerca per significato; non stabilisce di per sé che una vecchia preferenza sia stata revocata. Una nota scritta dall’agente conserva un’affermazione; non la dimostra.

Più scrittura automatica può creare anche più lavoro operativo. Salvare ogni lamentela come preferenza duratura insegna all’agente un profilo distorto del cliente. Ripetere l’estrazione può costare più che recuperare un campo strutturato. Una raccolta di fatti brevi, verificabili e corretti può essere più utile di un’enorme cronologia consultabile.

La promessa d’acquisto più solida è più circoscritta: il prodotto gestisce uno specifico ciclo di persistenza e recupero di cui hai bisogno, con controlli e costi che sai spiegare. Acquista quel risultato quando il lavoro operativo risparmiato ne giustifica il costo.

Da fare lunedì: risolvi una dimenticanza ricorrente

Scegli un workflow ricorrente e scrivi esattamente che cosa serve all’esecuzione successiva. Per un agente di assistenza, parti da un ticket incompiuto, dalla preferenza di contatto di un cliente che torna e dalla procedura per emettere un rimborso.

1. 1

   Assegna a ogni informazione il posto giusto

   Metti l’avanzamento del ticket nello stato della sessione e nei record delle operazioni, la preferenza di contatto verificata in un record per utente e la procedura di rimborso in un file di istruzioni o in una skill. Mantieni lo stato attuale del pagamento nel sistema di pagamento.

2. 2

   Definisci chi può leggere e modificare i dati

   Determina l’identità nell’applicazione che ospita l’agente, fai rispettare l’ambito su ogni operazione e cache e mantieni le procedure condivise di sola lettura per le normali sessioni di lavoro.

3. 3

   Progetta correzione ed eliminazione insieme alla persistenza

   Registra fonti e validità. Dai a chi gestisce il sistema un record preciso da correggere e una procedura di eliminazione che comprenda copie derivate e versioni conservate.

4. 4

   Verifica il funzionamento e misura i costi

   Nel tuo ambiente, verifica la continuità dopo un riavvio, i fatti cambiati e l’isolamento tra utenti. Registra token del modello, scritture, letture, runtime attivo e lavoro di correzione. Acquista altra infrastruttura di memoria quando un requisito preciso supera le capacità di questa architettura semplice.

Quali tipi di memoria può avere un agente?

Per le decisioni in produzione, distingui finestra di contesto, stato della sessione, archivi a lungo termine e file o skill. Episodica, semantica e procedurale descrivono i contenuti: eventi passati, fatti e istruzioni. Non impongono un database o un fornitore.

Che cos’è una skill per la memoria di un agente?

Una skill è una procedura riutilizzabile che l’agente può leggere e applicare. Può conservare un metodo tra sessioni; apprendere e aggiornare fatti sui clienti richiede un ciclo separato di scrittura e lettura.

Come funziona l’architettura della memoria di un agente AI?

Combina un flusso di scrittura delle informazioni utili con un flusso di lettura che seleziona materiale autorizzato e attuale per una richiesta al modello. Persistenza, identità, correzione, scadenza e budget di contesto fanno tutti parte di questa architettura.

Quali sono alcuni esempi di memoria degli agenti?

Un ticket di rimborso incompiuto richiede lo stato della sessione. La preferenza linguistica verificata di un cliente che torna richiede un record persistente. Un manuale operativo sui rimborsi va in una skill o in un file di istruzioni. Ogni elemento arriva nella finestra di contesto quando la richiesta corrente ne ha bisogno.

Trovi altre guide pratiche per sviluppare e gestire agenti nella newsletter.