[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:it":3,"public-menus:all":38,"post:what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again:it":205,"related:post:what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again:it:1":1627},{"statusCode":4,"data":5,"message":37},200,{"tenantId":6,"lang":7,"defaultLang":8,"siteUrl":9,"contactEmail":10,"brandName":11,"logoUrl":12,"siteName":11,"siteDescription":13,"ogImage":10,"robotsIndex":14,"socialLinks":10,"reservedSlugs":10,"seoPolicy":15},"stajic","it","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":16,"relatedContent":17,"crossDomainLinks":18},{"logoUrl":12},{"enabled":14},[19,22,25,28,31,34],{"url":20,"label":21,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":23,"label":24,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":26,"label":27,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.com","bazify.com",{"url":29,"label":30,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.de","bazify.de",{"url":32,"label":33,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.at","bazify.at",{"url":35,"label":36,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[39,45],{"id":40,"name":41,"location":42,"isActive":14,"isDefault":43,"items":44},1,"main-navigation","header",false,[],{"id":46,"name":47,"location":48,"isActive":14,"isDefault":14,"items":49},4,"main-menu","sidebar",[50,66,79,93,103,118,133],{"id":51,"title":52,"url":60,"target":61,"icon":62,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":64,"portfolioId":10,"children":65},"item-18",{"de":53,"en":54,"es":55,"fr":56,"it":54,"ru":57,"sr":58,"zh":59},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":67,"title":68,"url":75,"target":61,"icon":76,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":77,"portfolioId":10,"children":78},"item-22",{"de":69,"en":69,"es":70,"fr":69,"it":71,"ru":72,"sr":73,"zh":74},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":80,"title":81,"url":89,"target":61,"icon":90,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":91,"portfolioId":10,"children":92},"item-19",{"de":82,"en":83,"es":84,"fr":83,"it":85,"ru":86,"sr":87,"zh":88},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":94,"title":95,"url":99,"target":61,"icon":100,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":101,"portfolioId":10,"children":102},"item-23",{"de":96,"en":96,"es":96,"fr":96,"it":96,"ru":97,"sr":97,"zh":98},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":104,"title":105,"url":114,"target":61,"icon":115,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":116,"portfolioId":10,"children":117},"item-32",{"de":106,"en":107,"es":108,"fr":109,"it":110,"ru":111,"sr":112,"zh":113},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":119,"title":120,"url":129,"target":61,"icon":130,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":131,"portfolioId":10,"children":132},"item-20",{"de":121,"en":122,"es":123,"fr":124,"it":125,"ru":126,"sr":127,"zh":128},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":134,"title":135,"url":144,"target":61,"icon":145,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":147},"item-21",{"de":136,"en":137,"es":138,"fr":139,"it":140,"ru":141,"sr":142,"zh":143},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[148,161,175,181,193],{"id":149,"title":150,"url":144,"target":61,"icon":159,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":160},"item-24",{"de":151,"en":152,"es":153,"fr":154,"it":155,"ru":156,"sr":157,"zh":158},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":162,"title":163,"url":171,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":174},"item-29",{"de":164,"en":165,"es":166,"fr":167,"it":168,"ru":169,"sr":170,"zh":143},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":176,"title":177,"url":179,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":180},"item-28",{"de":178,"en":178,"es":178,"fr":178,"it":178,"ru":178,"sr":178,"zh":178},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":182,"title":183,"url":191,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":192},"item-27",{"de":184,"en":185,"es":186,"fr":187,"it":188,"ru":189,"sr":190,"zh":185},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":194,"title":195,"url":203,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":204},"item-31",{"de":196,"en":197,"es":198,"fr":199,"it":200,"ru":201,"sr":202,"zh":197},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":206,"message":1626},{"id":207,"title":208,"slug":209,"content":210,"contentJson":211,"excerpt":814,"featuredImage":815,"featuredImageAlt":816,"featuredImageCaption":10,"featuredImageTitle":10,"featuredImageCopyright":10,"featuredImageAuthor":10,"featuredImageSourceUrl":10,"featuredImageLicense":10,"featuredImageIsAiGenerated":43,"status":817,"publishedAt":818,"createdAt":819,"updatedAt":820,"seoLocalePaths":821,"categories":830,"author":843,"translations":848},"470","Cosa dovrebbe ricordare, dimenticare, ricalcolare o recuperare di nuovo un agente IA?","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Indice\">\u003Cstrong class=\"editorjs-toc__title\">Indice\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-5\" class=\"editorjs-toc__link\">Il vero problema della memoria non è l'archiviazione, ma il controllo del ciclo di vita\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-9\" class=\"editorjs-toc__link\">Quattro azioni possibili per qualsiasi informazione dell'agente\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-11\" class=\"editorjs-toc__link\">Il Test di ammissione alla memoria\u003C\u002Fa>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-1\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">1. Ricorda: conoscenza duratura che migliora le decisioni future\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">2. Rileggere o recuperare: fatti volatili con una fonte di verità esterna\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-23\" class=\"editorjs-toc__link\">3. Ricalcolare: informazioni derivate che è più economico calcolare che considerare attendibili\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-26\" class=\"editorjs-toc__link\">4. Dimenticare, far scadere o sostituire: la cancellazione è una capacità\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-30\" class=\"editorjs-toc__link\">Il metodo decisionale\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-32\" class=\"editorjs-toc__link\">Esempi: lo stesso agente dovrebbe usare diverse azioni sul ciclo di vita\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-34\" class=\"editorjs-toc__link\">La memoria dovrebbe memorizzare le condizioni, non solo le conclusioni\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">La scrittura in memoria dovrebbe essere più costosa della lettura\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-40\" class=\"editorjs-toc__link\">La qualità della memoria ha almeno cinque dimensioni\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-43\" class=\"editorjs-toc__link\">Cosa non inserire nella memoria durevole per impostazione predefinita\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-45\" class=\"editorjs-toc__link\">La memoria è specifica per l'attività: non esiste un archivio ottimale universale\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">Cosa potrebbe cambiare questa risposta?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-52\" class=\"editorjs-toc__link\">Limitazioni\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-55\" class=\"editorjs-toc__link\">Conclusione\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-59\" class=\"editorjs-toc__link\">FAQ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-61\" class=\"editorjs-toc__link\">Glossario\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-63\" class=\"editorjs-toc__link\">Fonti primarie e ulteriori letture\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Cp>Gli agenti IA a lungo termine accumulano molte più informazioni di quante ne dovrebbero ricordare in modo permanente. Conversazioni, output di strumenti, calcoli intermedi, preferenze degli utenti, decisioni di progetto, risultati di ricerca, stato del sistema, errori e procedure riuscite possono sembrare tutti utili sul momento. Trattarli tutti come memoria durevole crea un secondo problema: l'agente deve successivamente decidere quali informazioni archiviate siano ancora affidabili, aggiornate, pertinenti e sicure da riutilizzare.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Risposta diretta\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un agente IA dovrebbe <strong>ricordare le informazioni che sono durature, riutilizzabili, che preservano la provenienza e costose da riscoprire<\u002Fstrong>; <strong>rileggere o recuperare i fatti volatili dalla loro fonte autorevole<\u002Fstrong>; <strong>ricalcolare i valori derivati economici quando la freschezza è importante<\u002Fstrong>; e <strong>dimenticare, far scadere o sostituire le informazioni il cui riutilizzo futuro crea più rischi che valore<\u002Fstrong>. L'azione corretta dipende meno dal fatto che un'informazione sia "importante" e più dalla sua volatilità, autorevolezza, costo di derivazione, valore di riutilizzo, sensibilità e comportamento di revisione.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Informazioni sul modello decisionale\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Il modello Ricorda \u002F Rileggi \u002F Ricalcola \u002F Dimentica e il Test di ammissione alla memoria di seguito sono strumenti architetturali pratici proposti in questo articolo. Non sono standard formali del settore. Sono progettati per rendere le decisioni sulla memoria degli agenti esplicite, verificabili e controllabili.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-5\">Il vero problema della memoria non è l'archiviazione, ma il controllo del ciclo di vita\u003C\u002Fh2>\n\u003Cp>I moderni sistemi di agenti possono archiviare quasi tutto: trascrizioni complete, riassunti, embedding, file, record di database, tracce di strumenti, fatti strutturati, competenze e artefatti esterni. La capacità di archiviazione non è quindi la parte difficile. La parte difficile è decidere cosa merita di sopravvivere, per quanto tempo dovrebbe sopravvivere e cosa deve accadere quando la realtà cambia.\u003C\u002Fp>\n\u003Cp>Le linee guida di OpenAI sulla memoria di sessione avvertono esplicitamente che portare avanti troppa cronologia può creare distrazione, inefficienza, avvelenamento del contesto ed errori cumulativi. Anthropic tratta analogamente il contesto come una risorsa finita che deve essere curata anziché accumulata. Microsoft Research si è mossa nella stessa direzione: PlugMem converte la cronologia grezza delle interazioni in conoscenza strutturata riutilizzabile invece di trattare l'intera cronologia come memoria di pari valore.\u003C\u002Fp>\n\u003Cp>La conseguenza architetturale è semplice: la memoria necessita di una politica di ammissione, di una politica di manutenzione e di una politica di dismissione. Un retriever da solo non fornisce queste semantiche.\u003C\u002Fp>\n\u003Ch2 id=\"section-9\">Quattro azioni possibili per qualsiasi informazione dell'agente\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Azione\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Usa quando\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Esempi tipici\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Rischio primario\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ricorda\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'informazione rimane utile per compiti futuri ed è costosa o impossibile da ricostruire in modo affidabile\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Preferenza utente stabile, decisione di progetto accettata, competenza riutilizzabile, vincolo a lungo termine verificato\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Persistere qualcosa di falso, obsoleto o troppo generico\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Rileggi \u002F Recupera\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'informazione ha una fonte autorevole che può cambiare\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autorizzazioni, inventario, versione della policy, stato dell'ordine, prezzo del prodotto, documentazione API attuale\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Utilizzare una copia vecchia invece dell'autorità corrente\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ricalcola\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'informazione è derivata ed è sufficientemente economica da calcolare di nuovo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Totali, punteggi, classifiche, riassunti da dati di origine correnti, trasformazioni deterministiche\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Persistere output derivati obsoleti\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Dimentica \u002F Fai scadere \u002F Sostituisci\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il riutilizzo futuro ha scarso valore o crea rischi di privacy, obsolescenza, conflitto o contaminazione\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Output temporaneo di strumenti, ipotesi fallita, decisione superata, token temporaneo, stato dell'ambiente obsoleto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Perdere informazioni che in seguito si rivelano necessarie\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-11\">Il Test di ammissione alla memoria\u003C\u002Fh2>\n\u003Cp>Prima che un'informazione diventi memoria duratura dell'agente, testala rispetto a sei proprietà. Queste proprietà sono più utili di un vago punteggio di importanza perché prevedono come si comporterà l'informazione nel tempo.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Sei proprietà che determinano se un'informazione appartiene alla memoria\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Proprietà\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Domanda\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Pressione decisionale\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Volatilità\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Autorevolezza\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Valore di riutilizzo\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Costo di ricostruzione\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Sensibilità\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Comportamento di revisione\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Caside class=\"editorjs-callout editorjs-callout--tip my-6 rounded-xl border p-5 border-violet-300 bg-violet-50 dark:border-violet-900 dark:bg-violet-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Una regola pratica\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Se un fatto è <strong>volatile + autorevole altrove + economico da recuperare<\u002Fstrong>, non promuovere un valore copiato nella memoria a lungo termine. Archivia invece il puntatore, l'identificatore o il percorso di recupero.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch3 id=\"section-15\">1. Ricorda: conoscenza duratura che migliora le decisioni future\u003C\u002Fh3>\n\u003Cp>Una buona memoria duratura riduce il lavoro ripetuto senza trasformare lo stato di ieri nella verità di oggi. I candidati tipici includono preferenze esplicite dell'utente, vincoli di progetto duraturi, decisioni e relative motivazioni, procedure riutilizzabili, pattern di fallimento ricorrenti e fatti verificati che non dovrebbero cambiare frequentemente.\u003C\u002Fp>\n\u003Cp>I ricordi più forti non sono necessariamente le trascrizioni grezze. Il lavoro di PlugMem del 2026 sostiene la conversione della cronologia delle interazioni in fatti compatti e competenze riutilizzabili. BREW di Microsoft distilla analogamente le traiettorie passate in conoscenza procedurale recuperabile che descrive cosa fare, quando si applica e a cosa prestare attenzione. Entrambi puntano verso un utile principio di progettazione: archiviare conoscenza riutilizzabile, non semplicemente testo storico.\u003C\u002Fp>\n\u003Cp>Un elemento ricordato dovrebbe anche conservare la provenienza. Un agente futuro dovrebbe essere in grado di distinguere tra \"l'utente lo ha richiesto esplicitamente\", \"il sistema lo ha osservato\", \"una fonte lo ha dichiarato\" e \"un modello lo ha dedotto\". Senza tale distinzione, la memoria converte gradualmente prove, interpretazioni e speculazioni in un unico pool indifferenziato.\u003C\u002Fp>\n\u003Ch3 id=\"section-19\">2. Rileggere o recuperare: fatti volatili con una fonte di verità esterna\u003C\u002Fh3>\n\u003Cp>Alcune informazioni sono preziose proprio perché cambiano. Autorizzazioni correnti, stato degli ordini, inventario, stato dell'account, integrità del servizio, documentazione software, prezzi, orari, normative e comportamento delle API dovrebbero normalmente essere riletti dal sistema che li possiede prima di un utilizzo rilevante.\u003C\u002Fp>\n\u003Cp>L'agente può ricordare che una fonte esiste, come accedervi o quali campi sono importanti. Non dovrebbe dare per scontato che un vecchio valore recuperato rimanga autorevole. Ciò separa la memoria di dove e come ottenere la verità da una copia memorizzata nella cache della verità.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">La trappola della memoria obsoleta\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un fatto può essere ricordato perfettamente ed essere comunque errato. La qualità della memoria non è solo l'accuratezza del richiamo; include anche il sapere quando il richiamo deve cedere il passo a una nuova lettura autorevole.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch3 id=\"section-23\">3. Ricalcolare: informazioni derivate che è più economico calcolare che considerare attendibili\u003C\u002Fh3>\n\u003Cp>Le informazioni derivate meritano un trattamento diverso rispetto ai fatti di origine. Se un valore può essere ricalcolato in modo deterministico a partire dagli input correnti, rendere persistente il risultato può creare un'obsolescenza non necessaria. Totali, percentuali, classifiche, flag di idoneità, riepiloghi generati e altri output derivati dovrebbero spesso essere ricalcolati al momento dell'uso.\u003C\u002Fp>\n\u003Cp>Il compromesso fondamentale è il costo. Se il ricalcolo è costoso, il sistema può memorizzare nella cache il risultato insieme alla versione esatta dell'input, al timestamp, al metodo di derivazione e alle condizioni di invalidazione. Se il ricalcolo è economico, di solito vince la freschezza del dato.\u003C\u002Fp>\n\u003Ch3 id=\"section-26\">4. Dimenticare, far scadere o sostituire: la cancellazione è una capacità\u003C\u002Fh3>\n\u003Cp>Dimenticare non è necessariamente un difetto. È un meccanismo di controllo. Gli output temporanei degli strumenti, i risultati di ricerca isolati, le ipotesi errate, lo stato temporaneo dell'ambiente, gli artefatti di ragionamento intermedi, le preferenze utente obsolete, le credenziali scadute e le decisioni superate possono diventare tutti elementi di rischio se rimangono attivi a tempo indeterminato.\u003C\u002Fp>\n\u003Cp>La recente ricerca sulla memoria riconosce sempre più spesso che un accumulo illimitato può degradare le prestazioni. L'architettura di memoria ispirata all'uomo presentata da Microsoft nel 2026 include esplicitamente l'oblio basato sull'interferenza e il consolidamento, mentre PlugMem segnala che le cronologie grezze possono sovraccaricare gli agenti con contesti di scarso valore. La lezione ingegneristica non richiede di copiare la memoria biologica: la ritenzione dovrebbe essere selettiva.\u003C\u002Fp>\n\u003Cp>In molti sistemi, la sostituzione è più sicura della cancellazione immediata. La vecchia decisione rimane verificabile, ma il recupero predefinito punta alla nuova decisione. Questo è importante per progetti, policy, conformità e qualsiasi flusso di lavoro in cui la cronologia delle modifiche costituisce essa stessa una prova.\u003C\u002Fp>\n\u003Ch2 id=\"section-30\">Il metodo decisionale\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Decidere il ciclo di vita di un elemento informativo\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Classificare le informazioni\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Si tratta di uno stato autorevole, preferenza dell'utente, prova esterna, output derivato, procedura, osservazione o inferenza del modello?\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Identificare la fonte di verità\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Determinare se un altro sistema o fonte rimane più autorevole della memoria stessa.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Stimare la volatilità\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Valutare con quale probabilità l'elemento cambierà prima del successivo riutilizzo significativo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Stimare il riutilizzo e il costo di ricostruzione\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Confrontare il valore futuro con il costo e l'affidabilità del recupero o della ricreazione delle informazioni.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Verificare sensibilità e ambito\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Definire chi può accedere alle informazioni, dove possono persistere e se la persistenza è giustificata.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Definire l'invalidazione\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Specificare scadenza, sostituzione, risoluzione dei conflitti o una condizione che imponga una nuova lettura autorevole.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Scegliere l'azione\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Memorizzare, rileggere\u002Frecuperare, ricalcolare o dimenticare\u002Ffar scadere\u002Fsostituire.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Preservare la provenienza\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Memorizzare metadati sufficienti a distinguere tra fatto di origine, dichiarazione dell'utente, osservazione, derivazione e inferenza del modello.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-32\">Esempi: lo stesso agente dovrebbe usare diverse azioni sul ciclo di vita\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Informazione\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Azione consigliata\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Perché\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“L'utente preferisce risposte tecniche e concise.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Memorizzare\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Preferenza stabile con elevato valore di riutilizzo\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Il deployment è attualmente in pausa.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Rileggere\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lo stato operativo corrente può cambiare\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Il costo totale previsto è di 48.620 €.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ricalcolare dagli input attuali\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il valore derivato dovrebbe seguire le modifiche della fonte\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Una risposta grezza di uno strumento di 20.000 token di ieri\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Dimenticare o archiviare esternamente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Basso riutilizzo diretto; costo elevato di contesto\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un workaround confermato per un errore di compilazione ricorrente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Memorizzare come procedura riutilizzabile\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Elevato riutilizzo futuro e costosa riscoperta\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un'ipotesi del modello sul motivo del guasto di un server\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Non promuovere a fatto durevole\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'inferenza non è una prova verificata\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Una vecchia decisione di progetto successivamente sostituita da una nuova\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Sostituire, conservare la cronologia di audit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'ultima decisione dovrebbe prevalere senza cancellare la provenienza\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il prezzo corrente di un prodotto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Recuperare di nuovo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Elevata volatilità e autorità esterna\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un'interpretazione legale o normativa\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Memorizzare l'analisi precedente solo con metadati di fonte\u002Fversione; ricontrollare l'autorità prima dell'azione\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'applicabilità può variare nel tempo e in base alla giurisdizione\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-34\">La memoria dovrebbe memorizzare le condizioni, non solo le conclusioni\u003C\u002Fh2>\n\u003Cp>Una memoria duratura diventa pericolosa quando registra solo la conclusione e perde le condizioni in base alle quali tale conclusione era valida. “Usa database-per-tenant” è più debole di “Usa database-per-tenant quando l'isolamento normativo e i requisiti di ciclo di vita specifici del tenant superano l'overhead operativo”. La seconda forma preserva il perimetro decisionale.\u003C\u002Fp>\n\u003Cp>Questo è ancora più importante per le procedure apprese dall'agente. Un flusso di lavoro riuscito dovrebbe acquisire non solo i passaggi, ma anche le precondizioni, l'ambiente, la versione dello strumento, i criteri di successo osservabili e le modalità di fallimento note. Altrimenti, una memoria recuperata nel contesto sbagliato può riprodurre con sicurezza una soluzione obsoleta.\u003C\u002Fp>\n\u003Ch2 id=\"section-37\">La scrittura in memoria dovrebbe essere più costosa della lettura\u003C\u002Fh2>\n\u003Cp>Leggere un ricordo debole può danneggiare una sola risposta. Scrivere un ricordo debole può danneggiare molte risposte future. Questa asimmetria suggerisce un percorso di scrittura più rigoroso rispetto a quello di lettura: classificare il candidato, verificare la provenienza, rilevare contraddizioni, applicare regole di riservatezza, definire l'ambito e decidere se è necessaria una conferma umana o una convalida esterna.\u003C\u002Fp>\n\u003Cp>Ciò è particolarmente importante quando un agente scrive memorie a partire dal proprio output generato. Un riepilogo generato può contenere errori di compressione. Il fallimento di uno strumento può essere interpretato male. Un'ipotesi plausibile può essere archiviata come un dato di fatto. Se tali output diventano contesto futuro privo di stato probatorio, l'agente rischia di innescare un ciclo di errori che si autoalimenta.\u003C\u002Fp>\n\u003Ch2 id=\"section-40\">La qualità della memoria ha almeno cinque dimensioni\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Dimensione\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Domanda\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Qualità di conservazione\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il sistema ha preservato le informazioni destinate a durare?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Qualità di recupero\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il sistema è in grado di recuperare il ricordo corretto al momento opportuno?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Qualità di aggiornamento\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il sistema riconosce quando le informazioni archiviate non sono più attuali?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Qualità di provenienza\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il sistema è in grado di distinguere tra fonte, dichiarazione dell'utente, osservazione, derivazione e inferenza?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Qualità di dismissione\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il sistema è in grado di far decadere, sostituire, limitare o rimuovere le informazioni quando non devono più influenzare le decisioni?\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>I benchmark stanno iniziando a separare questi aspetti. MemGym di Microsoft valuta esplicitamente la memoria in contesti operativi di agenti a lungo termine e riporta punteggi isolati sulla memoria, concepiti per ridurre i fattori di confondimento dovuti a ragionamento, recupero e capacità d'uso degli strumenti. Questa direzione è fondamentale poiché il punteggio finale di un'attività non può, da solo, indicare se la memoria stessa sia stata d'aiuto, di ostacolo o del tutto irrilevante.\u003C\u002Fp>\n\u003Ch2 id=\"section-43\">Cosa non inserire nella memoria durevole per impostazione predefinita\u003C\u002Fh2>\n\u003Cul>\u003Cli>Catene di pensiero (chain-of-thought) grezze o artefatti di ragionamento nascosti.\u003C\u002Fli>\u003Cli>Token di autenticazione temporanei, segreti o credenziali.\u003C\u002Fli>\u003Cli>Ipotesi generate dal modello che non sono state verificate.\u003C\u002Fli>\u003Cli>Stato volatile gestito da un sistema autorevole attivo.\u003C\u002Fli>\u003Cli>Valori derivati ricalcolabili a basso costo senza i rispettivi input di origine.\u003C\u002Fli>\u003Cli>Output estesi di strumenti salvati solo perché lo spazio di archiviazione è disponibile.\u003C\u002Fli>\u003Cli>Copie duplicate di informazioni già gestite da una fonte di verità più attendibile.\u003C\u002Fli>\u003Cli>Dati personali sensibili privi di una chiara finalità di persistenza, ambito di accesso e ciclo di vita.\u003C\u002Fli>\u003Cli>Conclusioni superate prive di un'esplicita semantica di versione o dismissione.\u003C\u002Fli>\u003Cli>Messaggi di errore o stati di errore utili solo per l'esecuzione corrente e privi di valore diagnostico riutilizzabile.\u003C\u002Fli>\u003C\u002Ful>\n\u003Ch2 id=\"section-45\">La memoria è specifica per l'attività: non esiste un archivio ottimale universale\u003C\u002Fh2>\n\u003Cp>Un agente di programmazione trae vantaggio da procedure riutilizzabili, convenzioni di repository, pattern di correzione riusciti e decisioni di progetto. Un assistente personale potrebbe aver bisogno di preferenze, impegni e contesto relazionale. Un agente per il commercio necessita dello stato attuale di prodotti e transazioni molto più che di copie storiche di prezzi o inventario. Un agente di ricerca beneficia della provenienza delle fonti, di ipotesi irrisolte e dello stato esplicito delle evidenze.\u003C\u002Fp>\n\u003Cp>Il lavoro M-star di Microsoft Research evidenzia direttamente questo punto: i sistemi di memoria ottimizzati per uno scopo possono adattarsi male a un altro, e meccanismi di memoria dedicati a una specifica attività possono superare una progettazione generica e fissa. Lo schema della memoria dovrebbe quindi seguire le decisioni che l'agente deve prendere, anziché un modello universale imposto indistintamente.\u003C\u002Fp>\n\u003Ch2 id=\"section-48\">Cosa potrebbe cambiare questa risposta?\u003C\u002Fh2>\n\u003Cp>L'equilibrio si sposta quando il recupero è lento o costoso, i sistemi autorevoli sono accessibili a intermittenza, il ricalcolo è oneroso, le regole di audit richiedono snapshot storici o l'agente deve operare offline. In questi casi, potrebbe essere necessario memorizzare nella cache o rendere persistenti più informazioni — ma sempre corredate da metadati di versione, provenienza, marcatura temporale e invalidazione.\u003C\u002Fp>\n\u003Cp>L'equilibrio cambia anche per gli agenti il cui valore principale risiede nella personalizzazione. Può valere la pena ricordare una preferenza stabile anche se tecnicamente potrebbe essere richiesta nuovamente. Al contrario, nei settori ad alto rischio, la soglia per convertire un'osservazione o un'interpretazione in memoria durevole dovrebbe essere notevolmente più elevata.\u003C\u002Fp>\n\u003Cp>Le future piattaforme di memoria gestita potrebbero automatizzare consolidamento, recupero, oblio e costruzione del contesto. Ciò può ridurre il lavoro di implementazione, ma non elimina il problema di governance: quali informazioni possono influenzare le decisioni future, a quali condizioni e quando il sistema deve tornare alla fonte primaria di verità?\u003C\u002Fp>\n\u003Ch2 id=\"section-52\">Limitazioni\u003C\u002Fh2>\n\u003Cp>Non esiste una definizione univoca di \"memoria dell'agente\" tra gli attuali framework e ricerche. Alcuni sistemi utilizzano il termine per indicare la cronologia delle conversazioni, altri per archivi persistenti esterni, conoscenza strutturata, procedure apprese, checkpoint o adattamento del modello. Il modello decisionale presentato in questo articolo si concentra sulla semantica del ciclo di vita operativo piuttosto che sull'imposizione di un unico vocabolario.\u003C\u002Fp>\n\u003Cp>Le quattro azioni del ciclo di vita possono inoltre sovrapporsi. Un sistema può ricordare un riepilogo stabile, mantenere un puntatore alla fonte, rileggere campi volatili e ricalcolare un risultato derivato all'interno di un unico flusso di lavoro. Lo scopo del modello non è forzare una sola primitiva di archiviazione per ciascun fatto, bensì rendere esplicita la ragione della persistenza.\u003C\u002Fp>\n\u003Ch2 id=\"section-55\">Conclusione\u003C\u002Fh2>\n\u003Cp>Un agente utile non vince ricordando il più possibile. Vince preservando le informazioni giuste, tornando alle fonti autorevoli quando la realtà può cambiare, ricalcolando ciò che è più sicuro derivare nuovamente e dismettendo le informazioni che non dovrebbero più influenzare le decisioni future.\u003C\u002Fp>\n\u003Cp>La domanda pratica per ogni potenziale elemento di memoria non è quindi «Possiamo memorizzarlo?», bensì: le decisioni future saranno più affidabili se questo dato sopravvive? Se la risposta dipende da freschezza, autorevolezza, costo, riservatezza o revisione, codifica queste condizioni nel ciclo di vita della memoria invece di affidarti unicamente al recupero.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fit\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Dal protocollo di ricerca a un framework generale di ragionamento per l'IA\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Un metodo di ragionamento indipendente dal dominio per separare le prove dalle ipotesi, testare ipotesi concorrenti e utilizzare regole di validazione esplicite.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leggi il framework di ragionamento →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-59\">FAQ\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Ciclo di vita della memoria degli agenti IA\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Quali informazioni dovrebbe ricordare a lungo termine un agente IA?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">È preferibile privilegiare informazioni durature, riutilizzabili, che preservano la provenienza e la cui ricostruzione risulterebbe costosa o inaffidabile, come le preferenze stabili dell'utente, le decisioni di progetto approvate, le procedure riutilizzabili e i vincoli a lungo termine verificati.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Cosa dovrebbe recuperare nuovamente un agente IA invece di memorizzarlo?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Le informazioni volatili con una fonte esterna autorevole dovrebbero normalmente essere recuperate di nuovo prima di un utilizzo rilevante. Tra gli esempi figurano permessi, inventario, prezzi correnti, stato dell'account, versioni delle policy, stato dei servizi e documentazione aggiornata.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Quando un agente IA dovrebbe ricalcolare le informazioni?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Ricalcola i valori derivati quando il calcolo è economico e i risultati obsoleti sarebbero costosi. Mantenere persistente un valore derivato ha più senso quando il ricalcolo è dispendioso e la cache include la versione di origine e le condizioni di invalidazione.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Gli agenti IA dovrebbero dimenticare le informazioni?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Sì. L'oblio, la scadenza e la sostituzione sono controlli utili per informazioni temporanee, obsolete, sensibili, di scarso valore o fuorvianti. Una conservazione illimitata può generare rumore e consentire a informazioni obsolete o errate di continuare a influenzare le decisioni future.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Memorizzare l'intera cronologia delle conversazioni è una buona strategia di memoria?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Non da sola. La cronologia grezza può preservare le prove, ma gli agenti a lunga esecuzione richiedono solitamente curatela, strutturazione, riassunti, fatti o procedure riutilizzabili, recupero e regole sul ciclo di vita, affinché la cronologia di scarso valore non predomini sul contesto futuro.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-61\">Glossario\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Termini chiave del ciclo di vita della memoria\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"memory-admission\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Ammissione alla memoria\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Il processo decisionale che determina se un'informazione può diventare memoria persistente dell'agente.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"supersession\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Sostituzione (Supersession)\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Contrassegnare una memoria o una decisione precedente come sostituita da informazioni più recenti, preservando lo storico ove necessario.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"invalidation\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Invalidazione\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Una regola o un evento che rende un valore memorizzato o salvato in cache non sicuro da riutilizzare senza aggiornamento, ricalcolo o revisione.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"provenance\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Provenienza\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Metadati che descrivono l'origine delle informazioni, quando sono state osservate, chi o cosa le ha asserite e come sono state trasformate.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"volatility\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Volatilità\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La probabilità che le informazioni cambino tra il momento in cui vengono memorizzate e quello in cui vengono riutilizzate.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"reconstruction-cost\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Costo di ricostruzione\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Il tempo, il denaro, le risorse di calcolo, l'uso di strumenti o l'incertezza necessari per recuperare o rigenerare le informazioni anziché memorizzarle.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-63\">Fonti primarie e ulteriori letture\u003C\u002Fh2>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Context Engineering: Short-Term Memory Management with Sessions\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Linee guida su trimming, riassunto, contesti a lunga esecuzione e rischi come dettagli obsoleti e context poisoning.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Effective Context Engineering for AI Agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Linee guida ingegneristiche su curatela, compattazione, annotazione strutturata e mantenimento di un contesto utile per l'agente su orizzonti temporali estesi.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Effective Harnesses for Long-Running Agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Lavoro pratico sulla conservazione dei progressi e degli artefatti attraverso le finestre di contesto nei task di agenti a lunga esecuzione.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Ffrom-raw-interaction-to-reusable-knowledge-rethinking-memory-for-ai-agents\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — PlugMem\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Ricerca sulla trasformazione delle interazioni grezze dell'agente in fatti e competenze strutturati e riutilizzabili, anziché accumulare una cronologia indifferenziata.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmstar-every-task-deserves-its-own-memory-harness\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — M★: Every Task Deserves Its Own Memory Harness\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Ricerca che dimostra come meccanismi di memoria specifici per il singolo task possano superare architetture di memoria generiche e fisse.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmemgym-a-long-horizon-memory-environment-for-llm-agents\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — MemGym\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Un benchmark per isolare e valutare le prestazioni della memoria in ambienti di agenti a lungo termine.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fhuman-inspired-memory-architecture-for-llm-agents\u002F\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Microsoft Research — Human-Inspired Memory Architecture for LLM Agents\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Ricerca che esplora consolidamento, oblio basato sull'interferenza, riconsolidamento e recupero nella memoria persistente degli agenti.\u003C\u002Fp>\u003C\u002Fa>",{"time":212,"blocks":213,"version":813},1790367540377,[214,222,228,236,243,248,253,258,263,268,299,304,309,351,358,363,368,373,378,383,388,393,400,405,410,415,420,425,430,435,440,472,477,522,527,532,537,542,547,552,557,579,584,589,607,612,617,622,627,632,637,642,647,652,657,662,667,672,681,686,712,717,744,749,759,768,777,786,795,804],{"id":215,"data":216,"type":220,"tunes":221},"XDf71jsthn",{"title":217,"maxLevel":218,"minLevel":219},"Indice",3,2,"tableOfContents",{},{"id":223,"data":224,"type":226,"tunes":227},"intro",{"text":225},"Gli agenti IA a lungo termine accumulano molte più informazioni di quante ne dovrebbero ricordare in modo permanente. Conversazioni, output di strumenti, calcoli intermedi, preferenze degli utenti, decisioni di progetto, risultati di ricerca, stato del sistema, errori e procedure riuscite possono sembrare tutti utili sul momento. Trattarli tutti come memoria durevole crea un secondo problema: l'agente deve successivamente decidere quali informazioni archiviate siano ancora affidabili, aggiornate, pertinenti e sicure da riutilizzare.","paragraph",{},{"id":229,"data":230,"type":234,"tunes":235},"direct",{"body":231,"title":232,"variant":233},"Un agente IA dovrebbe \u003Cstrong>ricordare le informazioni che sono durature, riutilizzabili, che preservano la provenienza e costose da riscoprire\u003C\u002Fstrong>; \u003Cstrong>rileggere o recuperare i fatti volatili dalla loro fonte autorevole\u003C\u002Fstrong>; \u003Cstrong>ricalcolare i valori derivati economici quando la freschezza è importante\u003C\u002Fstrong>; e \u003Cstrong>dimenticare, far scadere o sostituire le informazioni il cui riutilizzo futuro crea più rischi che valore\u003C\u002Fstrong>. L'azione corretta dipende meno dal fatto che un'informazione sia \"importante\" e più dalla sua volatilità, autorevolezza, costo di derivazione, valore di riutilizzo, sensibilità e comportamento di revisione.","Risposta diretta","info","callout",{},{"id":237,"data":238,"type":234,"tunes":242},"model-note",{"body":239,"title":240,"variant":241},"Il modello Ricorda \u002F Rileggi \u002F Ricalcola \u002F Dimentica e il Test di ammissione alla memoria di seguito sono strumenti architetturali pratici proposti in questo articolo. Non sono standard formali del settore. Sono progettati per rendere le decisioni sulla memoria degli agenti esplicite, verificabili e controllabili.","Informazioni sul modello decisionale","note",{},{"id":244,"data":245,"type":42,"tunes":247},"h-lifecycle",{"text":246,"level":219},"Il vero problema della memoria non è l'archiviazione, ma il controllo del ciclo di vita",{},{"id":249,"data":250,"type":226,"tunes":252},"p-life-1",{"text":251},"I moderni sistemi di agenti possono archiviare quasi tutto: trascrizioni complete, riassunti, embedding, file, record di database, tracce di strumenti, fatti strutturati, competenze e artefatti esterni. La capacità di archiviazione non è quindi la parte difficile. La parte difficile è decidere cosa merita di sopravvivere, per quanto tempo dovrebbe sopravvivere e cosa deve accadere quando la realtà cambia.",{},{"id":254,"data":255,"type":226,"tunes":257},"p-life-2",{"text":256},"Le linee guida di OpenAI sulla memoria di sessione avvertono esplicitamente che portare avanti troppa cronologia può creare distrazione, inefficienza, avvelenamento del contesto ed errori cumulativi. Anthropic tratta analogamente il contesto come una risorsa finita che deve essere curata anziché accumulata. Microsoft Research si è mossa nella stessa direzione: PlugMem converte la cronologia grezza delle interazioni in conoscenza strutturata riutilizzabile invece di trattare l'intera cronologia come memoria di pari valore.",{},{"id":259,"data":260,"type":226,"tunes":262},"p-life-3",{"text":261},"La conseguenza architetturale è semplice: la memoria necessita di una politica di ammissione, di una politica di manutenzione e di una politica di dismissione. Un retriever da solo non fornisce queste semantiche.",{},{"id":264,"data":265,"type":42,"tunes":267},"h-actions",{"text":266,"level":219},"Quattro azioni possibili per qualsiasi informazione dell'agente",{},{"id":269,"data":270,"type":297,"tunes":298},"table-actions",{"content":271,"stretched":43,"withHeadings":14},[272,277,282,287,292],[273,274,275,276],"Azione","Usa quando","Esempi tipici","Rischio primario",[278,279,280,281],"Ricorda","L'informazione rimane utile per compiti futuri ed è costosa o impossibile da ricostruire in modo affidabile","Preferenza utente stabile, decisione di progetto accettata, competenza riutilizzabile, vincolo a lungo termine verificato","Persistere qualcosa di falso, obsoleto o troppo generico",[283,284,285,286],"Rileggi \u002F Recupera","L'informazione ha una fonte autorevole che può cambiare","Autorizzazioni, inventario, versione della policy, stato dell'ordine, prezzo del prodotto, documentazione API attuale","Utilizzare una copia vecchia invece dell'autorità corrente",[288,289,290,291],"Ricalcola","L'informazione è derivata ed è sufficientemente economica da calcolare di nuovo","Totali, punteggi, classifiche, riassunti da dati di origine correnti, trasformazioni deterministiche","Persistere output derivati obsoleti",[293,294,295,296],"Dimentica \u002F Fai scadere \u002F Sostituisci","Il riutilizzo futuro ha scarso valore o crea rischi di privacy, obsolescenza, conflitto o contaminazione","Output temporaneo di strumenti, ipotesi fallita, decisione superata, token temporaneo, stato dell'ambiente obsoleto","Perdere informazioni che in seguito si rivelano necessarie","table",{},{"id":300,"data":301,"type":42,"tunes":303},"h-admission",{"text":302,"level":219},"Il Test di ammissione alla memoria",{},{"id":305,"data":306,"type":226,"tunes":308},"p-admission-intro",{"text":307},"Prima che un'informazione diventi memoria duratura dell'agente, testala rispetto a sei proprietà. Queste proprietà sono più utili di un vago punteggio di importanza perché prevedono come si comporterà l'informazione nel tempo.",{},{"id":310,"data":311,"type":349,"tunes":350},"admission-comparison",{"rows":312,"title":338,"layout":297,"columns":339},[313,318,322,326,330,334],{"id":314,"label":315,"values":316},"volatility","Volatilità",[317,317,317],"",{"id":319,"label":320,"values":321},"authority","Autorevolezza",[317,317,317],{"id":323,"label":324,"values":325},"reuse","Valore di riutilizzo",[317,317,317],{"id":327,"label":328,"values":329},"reconstruction","Costo di ricostruzione",[317,317,317],{"id":331,"label":332,"values":333},"sensitivity","Sensibilità",[317,317,317],{"id":335,"label":336,"values":337},"revision","Comportamento di revisione",[317,317,317],"Sei proprietà che determinano se un'informazione appartiene alla memoria",[340,343,346],{"id":341,"label":342},"property","Proprietà",{"id":344,"label":345},"question","Domanda",{"id":347,"label":348},"effect","Pressione decisionale","comparison",{},{"id":352,"data":353,"type":234,"tunes":357},"rule-volatile",{"body":354,"title":355,"variant":356},"Se un fatto è \u003Cstrong>volatile + autorevole altrove + economico da recuperare\u003C\u002Fstrong>, non promuovere un valore copiato nella memoria a lungo termine. Archivia invece il puntatore, l'identificatore o il percorso di recupero.","Una regola pratica","tip",{},{"id":359,"data":360,"type":42,"tunes":362},"h-remember",{"text":361,"level":218},"1. Ricorda: conoscenza duratura che migliora le decisioni future",{},{"id":364,"data":365,"type":226,"tunes":367},"p-remember-1",{"text":366},"Una buona memoria duratura riduce il lavoro ripetuto senza trasformare lo stato di ieri nella verità di oggi. I candidati tipici includono preferenze esplicite dell'utente, vincoli di progetto duraturi, decisioni e relative motivazioni, procedure riutilizzabili, pattern di fallimento ricorrenti e fatti verificati che non dovrebbero cambiare frequentemente.",{},{"id":369,"data":370,"type":226,"tunes":372},"p-remember-2",{"text":371},"I ricordi più forti non sono necessariamente le trascrizioni grezze. Il lavoro di PlugMem del 2026 sostiene la conversione della cronologia delle interazioni in fatti compatti e competenze riutilizzabili. BREW di Microsoft distilla analogamente le traiettorie passate in conoscenza procedurale recuperabile che descrive cosa fare, quando si applica e a cosa prestare attenzione. Entrambi puntano verso un utile principio di progettazione: archiviare conoscenza riutilizzabile, non semplicemente testo storico.",{},{"id":374,"data":375,"type":226,"tunes":377},"p-remember-3",{"text":376},"Un elemento ricordato dovrebbe anche conservare la provenienza. Un agente futuro dovrebbe essere in grado di distinguere tra \"l'utente lo ha richiesto esplicitamente\", \"il sistema lo ha osservato\", \"una fonte lo ha dichiarato\" e \"un modello lo ha dedotto\". Senza tale distinzione, la memoria converte gradualmente prove, interpretazioni e speculazioni in un unico pool indifferenziato.",{},{"id":379,"data":380,"type":42,"tunes":382},"h-reread",{"text":381,"level":218},"2. Rileggere o recuperare: fatti volatili con una fonte di verità esterna",{},{"id":384,"data":385,"type":226,"tunes":387},"p-reread-1",{"text":386},"Alcune informazioni sono preziose proprio perché cambiano. Autorizzazioni correnti, stato degli ordini, inventario, stato dell'account, integrità del servizio, documentazione software, prezzi, orari, normative e comportamento delle API dovrebbero normalmente essere riletti dal sistema che li possiede prima di un utilizzo rilevante.",{},{"id":389,"data":390,"type":226,"tunes":392},"p-reread-2",{"text":391},"L'agente può ricordare che una fonte esiste, come accedervi o quali campi sono importanti. Non dovrebbe dare per scontato che un vecchio valore recuperato rimanga autorevole. Ciò separa la memoria di dove e come ottenere la verità da una copia memorizzata nella cache della verità.",{},{"id":394,"data":395,"type":234,"tunes":399},"stale-trap",{"body":396,"title":397,"variant":398},"Un fatto può essere ricordato perfettamente ed essere comunque errato. La qualità della memoria non è solo l'accuratezza del richiamo; include anche il sapere quando il richiamo deve cedere il passo a una nuova lettura autorevole.","La trappola della memoria obsoleta","warning",{},{"id":401,"data":402,"type":42,"tunes":404},"h-recompute",{"text":403,"level":218},"3. Ricalcolare: informazioni derivate che è più economico calcolare che considerare attendibili",{},{"id":406,"data":407,"type":226,"tunes":409},"p-recompute-1",{"text":408},"Le informazioni derivate meritano un trattamento diverso rispetto ai fatti di origine. Se un valore può essere ricalcolato in modo deterministico a partire dagli input correnti, rendere persistente il risultato può creare un'obsolescenza non necessaria. Totali, percentuali, classifiche, flag di idoneità, riepiloghi generati e altri output derivati dovrebbero spesso essere ricalcolati al momento dell'uso.",{},{"id":411,"data":412,"type":226,"tunes":414},"p-recompute-2",{"text":413},"Il compromesso fondamentale è il costo. Se il ricalcolo è costoso, il sistema può memorizzare nella cache il risultato insieme alla versione esatta dell'input, al timestamp, al metodo di derivazione e alle condizioni di invalidazione. Se il ricalcolo è economico, di solito vince la freschezza del dato.",{},{"id":416,"data":417,"type":42,"tunes":419},"h-forget",{"text":418,"level":218},"4. Dimenticare, far scadere o sostituire: la cancellazione è una capacità",{},{"id":421,"data":422,"type":226,"tunes":424},"p-forget-1",{"text":423},"Dimenticare non è necessariamente un difetto. È un meccanismo di controllo. Gli output temporanei degli strumenti, i risultati di ricerca isolati, le ipotesi errate, lo stato temporaneo dell'ambiente, gli artefatti di ragionamento intermedi, le preferenze utente obsolete, le credenziali scadute e le decisioni superate possono diventare tutti elementi di rischio se rimangono attivi a tempo indeterminato.",{},{"id":426,"data":427,"type":226,"tunes":429},"p-forget-2",{"text":428},"La recente ricerca sulla memoria riconosce sempre più spesso che un accumulo illimitato può degradare le prestazioni. L'architettura di memoria ispirata all'uomo presentata da Microsoft nel 2026 include esplicitamente l'oblio basato sull'interferenza e il consolidamento, mentre PlugMem segnala che le cronologie grezze possono sovraccaricare gli agenti con contesti di scarso valore. La lezione ingegneristica non richiede di copiare la memoria biologica: la ritenzione dovrebbe essere selettiva.",{},{"id":431,"data":432,"type":226,"tunes":434},"p-forget-3",{"text":433},"In molti sistemi, la sostituzione è più sicura della cancellazione immediata. La vecchia decisione rimane verificabile, ma il recupero predefinito punta alla nuova decisione. Questo è importante per progetti, policy, conformità e qualsiasi flusso di lavoro in cui la cronologia delle modifiche costituisce essa stessa una prova.",{},{"id":436,"data":437,"type":42,"tunes":439},"h-method",{"text":438,"level":219},"Il metodo decisionale",{},{"id":441,"data":442,"type":470,"tunes":471},"decision-flow",{"steps":443,"title":468,"orientation":469},[444,447,450,453,456,459,462,465],{"label":445,"description":446},"1. Classificare le informazioni","Si tratta di uno stato autorevole, preferenza dell'utente, prova esterna, output derivato, procedura, osservazione o inferenza del modello?",{"label":448,"description":449},"2. Identificare la fonte di verità","Determinare se un altro sistema o fonte rimane più autorevole della memoria stessa.",{"label":451,"description":452},"3. Stimare la volatilità","Valutare con quale probabilità l'elemento cambierà prima del successivo riutilizzo significativo.",{"label":454,"description":455},"4. Stimare il riutilizzo e il costo di ricostruzione","Confrontare il valore futuro con il costo e l'affidabilità del recupero o della ricreazione delle informazioni.",{"label":457,"description":458},"5. Verificare sensibilità e ambito","Definire chi può accedere alle informazioni, dove possono persistere e se la persistenza è giustificata.",{"label":460,"description":461},"6. Definire l'invalidazione","Specificare scadenza, sostituzione, risoluzione dei conflitti o una condizione che imponga una nuova lettura autorevole.",{"label":463,"description":464},"7. Scegliere l'azione","Memorizzare, rileggere\u002Frecuperare, ricalcolare o dimenticare\u002Ffar scadere\u002Fsostituire.",{"label":466,"description":467},"8. Preservare la provenienza","Memorizzare metadati sufficienti a distinguere tra fatto di origine, dichiarazione dell'utente, osservazione, derivazione e inferenza del modello.","Decidere il ciclo di vita di un elemento informativo","auto","processFlow",{},{"id":473,"data":474,"type":42,"tunes":476},"h-examples",{"text":475,"level":219},"Esempi: lo stesso agente dovrebbe usare diverse azioni sul ciclo di vita",{},{"id":478,"data":479,"type":297,"tunes":521},"examples-table",{"content":480,"stretched":43,"withHeadings":14},[481,485,489,493,497,501,505,509,513,517],[482,483,484],"Informazione","Azione consigliata","Perché",[486,487,488],"“L'utente preferisce risposte tecniche e concise.”","Memorizzare","Preferenza stabile con elevato valore di riutilizzo",[490,491,492],"“Il deployment è attualmente in pausa.”","Rileggere","Lo stato operativo corrente può cambiare",[494,495,496],"“Il costo totale previsto è di 48.620 €.”","Ricalcolare dagli input attuali","Il valore derivato dovrebbe seguire le modifiche della fonte",[498,499,500],"Una risposta grezza di uno strumento di 20.000 token di ieri","Dimenticare o archiviare esternamente","Basso riutilizzo diretto; costo elevato di contesto",[502,503,504],"Un workaround confermato per un errore di compilazione ricorrente","Memorizzare come procedura riutilizzabile","Elevato riutilizzo futuro e costosa riscoperta",[506,507,508],"Un'ipotesi del modello sul motivo del guasto di un server","Non promuovere a fatto durevole","L'inferenza non è una prova verificata",[510,511,512],"Una vecchia decisione di progetto successivamente sostituita da una nuova","Sostituire, conservare la cronologia di audit","L'ultima decisione dovrebbe prevalere senza cancellare la provenienza",[514,515,516],"Il prezzo corrente di un prodotto","Recuperare di nuovo","Elevata volatilità e autorità esterna",[518,519,520],"Un'interpretazione legale o normativa","Memorizzare l'analisi precedente solo con metadati di fonte\u002Fversione; ricontrollare l'autorità prima dell'azione","L'applicabilità può variare nel tempo e in base alla giurisdizione",{},{"id":523,"data":524,"type":42,"tunes":526},"h-conditions",{"text":525,"level":219},"La memoria dovrebbe memorizzare le condizioni, non solo le conclusioni",{},{"id":528,"data":529,"type":226,"tunes":531},"p-cond-1",{"text":530},"Una memoria duratura diventa pericolosa quando registra solo la conclusione e perde le condizioni in base alle quali tale conclusione era valida. “Usa database-per-tenant” è più debole di “Usa database-per-tenant quando l'isolamento normativo e i requisiti di ciclo di vita specifici del tenant superano l'overhead operativo”. La seconda forma preserva il perimetro decisionale.",{},{"id":533,"data":534,"type":226,"tunes":536},"p-cond-2",{"text":535},"Questo è ancora più importante per le procedure apprese dall'agente. Un flusso di lavoro riuscito dovrebbe acquisire non solo i passaggi, ma anche le precondizioni, l'ambiente, la versione dello strumento, i criteri di successo osservabili e le modalità di fallimento note. Altrimenti, una memoria recuperata nel contesto sbagliato può riprodurre con sicurezza una soluzione obsoleta.",{},{"id":538,"data":539,"type":42,"tunes":541},"h-write-cost",{"text":540,"level":219},"La scrittura in memoria dovrebbe essere più costosa della lettura",{},{"id":543,"data":544,"type":226,"tunes":546},"p-write-1",{"text":545},"Leggere un ricordo debole può danneggiare una sola risposta. Scrivere un ricordo debole può danneggiare molte risposte future. Questa asimmetria suggerisce un percorso di scrittura più rigoroso rispetto a quello di lettura: classificare il candidato, verificare la provenienza, rilevare contraddizioni, applicare regole di riservatezza, definire l'ambito e decidere se è necessaria una conferma umana o una convalida esterna.",{},{"id":548,"data":549,"type":226,"tunes":551},"p-write-2",{"text":550},"Ciò è particolarmente importante quando un agente scrive memorie a partire dal proprio output generato. Un riepilogo generato può contenere errori di compressione. Il fallimento di uno strumento può essere interpretato male. Un'ipotesi plausibile può essere archiviata come un dato di fatto. Se tali output diventano contesto futuro privo di stato probatorio, l'agente rischia di innescare un ciclo di errori che si autoalimenta.",{},{"id":553,"data":554,"type":42,"tunes":556},"h-quality",{"text":555,"level":219},"La qualità della memoria ha almeno cinque dimensioni",{},{"id":558,"data":559,"type":297,"tunes":578},"quality-table",{"content":560,"stretched":43,"withHeadings":14},[561,563,566,569,572,575],[562,345],"Dimensione",[564,565],"Qualità di conservazione","Il sistema ha preservato le informazioni destinate a durare?",[567,568],"Qualità di recupero","Il sistema è in grado di recuperare il ricordo corretto al momento opportuno?",[570,571],"Qualità di aggiornamento","Il sistema riconosce quando le informazioni archiviate non sono più attuali?",[573,574],"Qualità di provenienza","Il sistema è in grado di distinguere tra fonte, dichiarazione dell'utente, osservazione, derivazione e inferenza?",[576,577],"Qualità di dismissione","Il sistema è in grado di far decadere, sostituire, limitare o rimuovere le informazioni quando non devono più influenzare le decisioni?",{},{"id":580,"data":581,"type":226,"tunes":583},"p-quality-1",{"text":582},"I benchmark stanno iniziando a separare questi aspetti. MemGym di Microsoft valuta esplicitamente la memoria in contesti operativi di agenti a lungo termine e riporta punteggi isolati sulla memoria, concepiti per ridurre i fattori di confondimento dovuti a ragionamento, recupero e capacità d'uso degli strumenti. Questa direzione è fondamentale poiché il punteggio finale di un'attività non può, da solo, indicare se la memoria stessa sia stata d'aiuto, di ostacolo o del tutto irrilevante.",{},{"id":585,"data":586,"type":42,"tunes":588},"h-not-store",{"text":587,"level":219},"Cosa non inserire nella memoria durevole per impostazione predefinita",{},{"id":590,"data":591,"type":605,"tunes":606},"not-store-list",{"meta":592,"items":593,"style":604},{},[594,595,596,597,598,599,600,601,602,603],"Catene di pensiero (chain-of-thought) grezze o artefatti di ragionamento nascosti.","Token di autenticazione temporanei, segreti o credenziali.","Ipotesi generate dal modello che non sono state verificate.","Stato volatile gestito da un sistema autorevole attivo.","Valori derivati ricalcolabili a basso costo senza i rispettivi input di origine.","Output estesi di strumenti salvati solo perché lo spazio di archiviazione è disponibile.","Copie duplicate di informazioni già gestite da una fonte di verità più attendibile.","Dati personali sensibili privi di una chiara finalità di persistenza, ambito di accesso e ciclo di vita.","Conclusioni superate prive di un'esplicita semantica di versione o dismissione.","Messaggi di errore o stati di errore utili solo per l'esecuzione corrente e privi di valore diagnostico riutilizzabile.","unordered","list",{},{"id":608,"data":609,"type":42,"tunes":611},"h-task-specific",{"text":610,"level":219},"La memoria è specifica per l'attività: non esiste un archivio ottimale universale",{},{"id":613,"data":614,"type":226,"tunes":616},"p-task-1",{"text":615},"Un agente di programmazione trae vantaggio da procedure riutilizzabili, convenzioni di repository, pattern di correzione riusciti e decisioni di progetto. Un assistente personale potrebbe aver bisogno di preferenze, impegni e contesto relazionale. Un agente per il commercio necessita dello stato attuale di prodotti e transazioni molto più che di copie storiche di prezzi o inventario. Un agente di ricerca beneficia della provenienza delle fonti, di ipotesi irrisolte e dello stato esplicito delle evidenze.",{},{"id":618,"data":619,"type":226,"tunes":621},"p-task-2",{"text":620},"Il lavoro M-star di Microsoft Research evidenzia direttamente questo punto: i sistemi di memoria ottimizzati per uno scopo possono adattarsi male a un altro, e meccanismi di memoria dedicati a una specifica attività possono superare una progettazione generica e fissa. Lo schema della memoria dovrebbe quindi seguire le decisioni che l'agente deve prendere, anziché un modello universale imposto indistintamente.",{},{"id":623,"data":624,"type":42,"tunes":626},"h-change",{"text":625,"level":219},"Cosa potrebbe cambiare questa risposta?",{},{"id":628,"data":629,"type":226,"tunes":631},"p-change-1",{"text":630},"L'equilibrio si sposta quando il recupero è lento o costoso, i sistemi autorevoli sono accessibili a intermittenza, il ricalcolo è oneroso, le regole di audit richiedono snapshot storici o l'agente deve operare offline. In questi casi, potrebbe essere necessario memorizzare nella cache o rendere persistenti più informazioni — ma sempre corredate da metadati di versione, provenienza, marcatura temporale e invalidazione.",{},{"id":633,"data":634,"type":226,"tunes":636},"p-change-2",{"text":635},"L'equilibrio cambia anche per gli agenti il cui valore principale risiede nella personalizzazione. Può valere la pena ricordare una preferenza stabile anche se tecnicamente potrebbe essere richiesta nuovamente. Al contrario, nei settori ad alto rischio, la soglia per convertire un'osservazione o un'interpretazione in memoria durevole dovrebbe essere notevolmente più elevata.",{},{"id":638,"data":639,"type":226,"tunes":641},"p-change-3",{"text":640},"Le future piattaforme di memoria gestita potrebbero automatizzare consolidamento, recupero, oblio e costruzione del contesto. Ciò può ridurre il lavoro di implementazione, ma non elimina il problema di governance: quali informazioni possono influenzare le decisioni future, a quali condizioni e quando il sistema deve tornare alla fonte primaria di verità?",{},{"id":643,"data":644,"type":42,"tunes":646},"h-limitations",{"text":645,"level":219},"Limitazioni",{},{"id":648,"data":649,"type":226,"tunes":651},"p-limit-1",{"text":650},"Non esiste una definizione univoca di \"memoria dell'agente\" tra gli attuali framework e ricerche. Alcuni sistemi utilizzano il termine per indicare la cronologia delle conversazioni, altri per archivi persistenti esterni, conoscenza strutturata, procedure apprese, checkpoint o adattamento del modello. Il modello decisionale presentato in questo articolo si concentra sulla semantica del ciclo di vita operativo piuttosto che sull'imposizione di un unico vocabolario.",{},{"id":653,"data":654,"type":226,"tunes":656},"p-limit-2",{"text":655},"Le quattro azioni del ciclo di vita possono inoltre sovrapporsi. Un sistema può ricordare un riepilogo stabile, mantenere un puntatore alla fonte, rileggere campi volatili e ricalcolare un risultato derivato all'interno di un unico flusso di lavoro. Lo scopo del modello non è forzare una sola primitiva di archiviazione per ciascun fatto, bensì rendere esplicita la ragione della persistenza.",{},{"id":658,"data":659,"type":42,"tunes":661},"h-conclusion",{"text":660,"level":219},"Conclusione",{},{"id":663,"data":664,"type":226,"tunes":666},"p-conclusion-1",{"text":665},"Un agente utile non vince ricordando il più possibile. Vince preservando le informazioni giuste, tornando alle fonti autorevoli quando la realtà può cambiare, ricalcolando ciò che è più sicuro derivare nuovamente e dismettendo le informazioni che non dovrebbero più influenzare le decisioni future.",{},{"id":668,"data":669,"type":226,"tunes":671},"p-conclusion-2",{"text":670},"La domanda pratica per ogni potenziale elemento di memoria non è quindi «Possiamo memorizzarlo?», bensì: le decisioni future saranno più affidabili se questo dato sopravvive? Se la risposta dipende da freschezza, autorevolezza, costo, riservatezza o revisione, codifica queste condizioni nel ciclo di vita della memoria invece di affidarti unicamente al recupero.",{},{"id":673,"data":674,"type":679,"tunes":680},"internal-reasoning",{"url":675,"title":676,"excerpt":677,"ctaLabel":678},"https:\u002F\u002Fstajic.de\u002Fit\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework","Dal protocollo di ricerca a un framework generale di ragionamento per l'IA","Un metodo di ragionamento indipendente dal dominio per separare le prove dalle ipotesi, testare ipotesi concorrenti e utilizzare regole di validazione esplicite.","Leggi il framework di ragionamento","referralArticle",{},{"id":682,"data":683,"type":42,"tunes":685},"h-faq",{"text":684,"level":219},"FAQ",{},{"id":687,"data":688,"type":687,"tunes":711},"faq",{"items":689,"title":710},[690,694,698,702,706],{"id":691,"answer":692,"question":693},"faq1","È preferibile privilegiare informazioni durature, riutilizzabili, che preservano la provenienza e la cui ricostruzione risulterebbe costosa o inaffidabile, come le preferenze stabili dell'utente, le decisioni di progetto approvate, le procedure riutilizzabili e i vincoli a lungo termine verificati.","Quali informazioni dovrebbe ricordare a lungo termine un agente IA?",{"id":695,"answer":696,"question":697},"faq2","Le informazioni volatili con una fonte esterna autorevole dovrebbero normalmente essere recuperate di nuovo prima di un utilizzo rilevante. Tra gli esempi figurano permessi, inventario, prezzi correnti, stato dell'account, versioni delle policy, stato dei servizi e documentazione aggiornata.","Cosa dovrebbe recuperare nuovamente un agente IA invece di memorizzarlo?",{"id":699,"answer":700,"question":701},"faq3","Ricalcola i valori derivati quando il calcolo è economico e i risultati obsoleti sarebbero costosi. Mantenere persistente un valore derivato ha più senso quando il ricalcolo è dispendioso e la cache include la versione di origine e le condizioni di invalidazione.","Quando un agente IA dovrebbe ricalcolare le informazioni?",{"id":703,"answer":704,"question":705},"faq4","Sì. L'oblio, la scadenza e la sostituzione sono controlli utili per informazioni temporanee, obsolete, sensibili, di scarso valore o fuorvianti. Una conservazione illimitata può generare rumore e consentire a informazioni obsolete o errate di continuare a influenzare le decisioni future.","Gli agenti IA dovrebbero dimenticare le informazioni?",{"id":707,"answer":708,"question":709},"faq5","Non da sola. La cronologia grezza può preservare le prove, ma gli agenti a lunga esecuzione richiedono solitamente curatela, strutturazione, riassunti, fatti o procedure riutilizzabili, recupero e regole sul ciclo di vita, affinché la cronologia di scarso valore non predomini sul contesto futuro.","Memorizzare l'intera cronologia delle conversazioni è una buona strategia di memoria?","Ciclo di vita della memoria degli agenti IA",{},{"id":713,"data":714,"type":42,"tunes":716},"h-glossary",{"text":715,"level":219},"Glossario",{},{"id":718,"data":719,"type":718,"tunes":743},"glossary",{"title":720,"entries":721},"Termini chiave del ciclo di vita della memoria",[722,726,730,734,738,740],{"term":723,"anchor":724,"definition":725},"Ammissione alla memoria","memory-admission","Il processo decisionale che determina se un'informazione può diventare memoria persistente dell'agente.",{"term":727,"anchor":728,"definition":729},"Sostituzione (Supersession)","supersession","Contrassegnare una memoria o una decisione precedente come sostituita da informazioni più recenti, preservando lo storico ove necessario.",{"term":731,"anchor":732,"definition":733},"Invalidazione","invalidation","Una regola o un evento che rende un valore memorizzato o salvato in cache non sicuro da riutilizzare senza aggiornamento, ricalcolo o revisione.",{"term":735,"anchor":736,"definition":737},"Provenienza","provenance","Metadati che descrivono l'origine delle informazioni, quando sono state osservate, chi o cosa le ha asserite e come sono state trasformate.",{"term":315,"anchor":314,"definition":739},"La probabilità che le informazioni cambino tra il momento in cui vengono memorizzate e quello in cui vengono riutilizzate.",{"term":328,"anchor":741,"definition":742},"reconstruction-cost","Il tempo, il denaro, le risorse di calcolo, l'uso di strumenti o l'incertezza necessari per recuperare o rigenerare le informazioni anziché memorizzarle.",{},{"id":745,"data":746,"type":42,"tunes":748},"h-sources",{"text":747,"level":219},"Fonti primarie e ulteriori letture",{},{"id":750,"data":751,"type":757,"tunes":758},"src-openai-session",{"link":752,"meta":753},"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory",{"image":754,"title":755,"description":756},{"url":317},"OpenAI — Context Engineering: Short-Term Memory Management with Sessions","Linee guida su trimming, riassunto, contesti a lunga esecuzione e rischi come dettagli obsoleti e context poisoning.","linkTool",{},{"id":760,"data":761,"type":757,"tunes":767},"src-anthropic-context",{"link":762,"meta":763},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":764,"title":765,"description":766},{"url":317},"Anthropic — Effective Context Engineering for AI Agents","Linee guida ingegneristiche su curatela, compattazione, annotazione strutturata e mantenimento di un contesto utile per l'agente su orizzonti temporali estesi.",{},{"id":769,"data":770,"type":757,"tunes":776},"src-anthropic-harness",{"link":771,"meta":772},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents",{"image":773,"title":774,"description":775},{"url":317},"Anthropic — Effective Harnesses for Long-Running Agents","Lavoro pratico sulla conservazione dei progressi e degli artefatti attraverso le finestre di contesto nei task di agenti a lunga esecuzione.",{},{"id":778,"data":779,"type":757,"tunes":785},"src-ms-plugmem",{"link":780,"meta":781},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Ffrom-raw-interaction-to-reusable-knowledge-rethinking-memory-for-ai-agents\u002F",{"image":782,"title":783,"description":784},{"url":317},"Microsoft Research — PlugMem","Ricerca sulla trasformazione delle interazioni grezze dell'agente in fatti e competenze strutturati e riutilizzabili, anziché accumulare una cronologia indifferenziata.",{},{"id":787,"data":788,"type":757,"tunes":794},"src-ms-mstar",{"link":789,"meta":790},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmstar-every-task-deserves-its-own-memory-harness\u002F",{"image":791,"title":792,"description":793},{"url":317},"Microsoft Research — M★: Every Task Deserves Its Own Memory Harness","Ricerca che dimostra come meccanismi di memoria specifici per il singolo task possano superare architetture di memoria generiche e fisse.",{},{"id":796,"data":797,"type":757,"tunes":803},"src-ms-memgym",{"link":798,"meta":799},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmemgym-a-long-horizon-memory-environment-for-llm-agents\u002F",{"image":800,"title":801,"description":802},{"url":317},"Microsoft Research — MemGym","Un benchmark per isolare e valutare le prestazioni della memoria in ambienti di agenti a lungo termine.",{},{"id":805,"data":806,"type":757,"tunes":812},"src-ms-human-memory",{"link":807,"meta":808},"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fhuman-inspired-memory-architecture-for-llm-agents\u002F",{"image":809,"title":810,"description":811},{"url":317},"Microsoft Research — Human-Inspired Memory Architecture for LLM Agents","Ricerca che esplora consolidamento, oblio basato sull'interferenza, riconsolidamento e recupero nella memoria persistente degli agenti.",{},"2.31","Gli agenti a lunga esecuzione non dovrebbero ricordare tutto. Questo articolo fornisce un modello pratico di ciclo di vita per decidere cosa appartiene alla memoria durevole, cosa dovrebbe essere recuperato di nuovo, cosa è più sicuro ricalcolare e cosa dovrebbe scadere o essere sostituito.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28.webp","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28","PUBLISHED","2026-09-25T09:43:00.000Z","2026-09-25T15:43:41.228Z","2026-09-25T20:20:04.123Z",{"en":822,"de":823,"sr":824,"es":825,"fr":826,"it":827,"ru":828,"zh":829},"\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fde\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fsr\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fes\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Ffr\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fit\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fru\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","\u002Fzh\u002Fblog\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again",[831,835,839],{"id":832,"name":833,"slug":834},57,"Limiti dei dati","data-boundaries",{"id":836,"name":837,"slug":838},84,"Policy e limiti dati","policy-and-data",{"id":840,"name":841,"slug":842},54,"Modello di minaccia","threat-model",{"id":844,"login":845,"email":846,"displayName":847},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[849,1334],{"lang":850,"title":851,"content":852,"contentJson":853,"excerpt":1333},"en","What Should an AI Agent Remember, Forget, Recompute or Retrieve Again?","{\"time\":1790351469618,\"blocks\":[{\"id\":\"XDf71jsthn\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Long-running AI agents accumulate far more information than they should permanently remember. Conversations, tool outputs, intermediate calculations, user preferences, project decisions, search results, system state, mistakes, and successful procedures can all look useful in the moment. Treating all of them as durable memory creates a second problem: the agent must later decide which stored information is still trustworthy, current, relevant, and safe to reuse.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"An AI agent should \u003Cstrong>remember information that is durable, reusable, provenance-preserving, and expensive to rediscover\u003C\u002Fstrong>; \u003Cstrong>re-read or retrieve volatile facts from their authoritative source\u003C\u002Fstrong>; \u003Cstrong>recompute cheap derived values when freshness matters\u003C\u002Fstrong>; and \u003Cstrong>forget, expire, or supersede information whose future reuse creates more risk than value\u003C\u002Fstrong>. The correct action depends less on whether information is “important” and more on its volatility, authority, derivation cost, reuse value, sensitivity, and revision behaviour.\"},\"tunes\":{}},{\"id\":\"model-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"About the decision model\",\"body\":\"The Remember \u002F Re-read \u002F Recompute \u002F Forget model and the Memory Admission Test below are practical architecture tools proposed in this article. They are not formal industry standards. They are designed to make agent-memory decisions explicit, testable, and auditable.\"},\"tunes\":{}},{\"id\":\"h-lifecycle\",\"type\":\"header\",\"data\":{\"text\":\"The real memory problem is not storage — it is lifecycle control\",\"level\":2},\"tunes\":{}},{\"id\":\"p-life-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Modern agent systems can store almost anything: full transcripts, summaries, embeddings, files, database records, tool traces, structured facts, skills, and external artifacts. Storage capacity is therefore not the hard part. The hard part is deciding what deserves to survive, how long it should survive, and what must happen when reality changes.\"},\"tunes\":{}},{\"id\":\"p-life-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's session-memory guidance explicitly warns that carrying too much history forward can create distraction, inefficiency, context poisoning, and compounding errors. Anthropic similarly treats context as a finite resource that must be curated rather than accumulated. Microsoft Research has moved in the same direction: PlugMem converts raw interaction history into reusable structured knowledge instead of treating the complete history as equally valuable memory.\"},\"tunes\":{}},{\"id\":\"p-life-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architectural consequence is simple: memory needs an admission policy, a maintenance policy, and a retirement policy. A retriever alone does not provide those semantics.\"},\"tunes\":{}},{\"id\":\"h-actions\",\"type\":\"header\",\"data\":{\"text\":\"Four possible actions for any piece of agent information\",\"level\":2},\"tunes\":{}},{\"id\":\"table-actions\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Action\",\"Use when\",\"Typical examples\",\"Primary risk\"],[\"Remember\",\"The information remains useful across future tasks and is costly or impossible to reconstruct reliably\",\"Stable user preference, accepted project decision, reusable skill, verified long-term constraint\",\"Persisting something false, stale, or too broad\"],[\"Re-read \u002F Retrieve\",\"The information has an authoritative source that may change\",\"Permissions, inventory, policy version, order state, product price, current API documentation\",\"Using an old copy instead of current authority\"],[\"Recompute\",\"The information is derived and inexpensive enough to calculate again\",\"Totals, scores, rankings, summaries from current source data, deterministic transformations\",\"Persisting stale derived output\"],[\"Forget \u002F Expire \u002F Supersede\",\"Future reuse has little value or creates privacy, staleness, conflict, or contamination risk\",\"Transient tool output, failed hypothesis, superseded decision, temporary token, obsolete environment state\",\"Losing information that later proves necessary\"]]},\"tunes\":{}},{\"id\":\"h-admission\",\"type\":\"header\",\"data\":{\"text\":\"The Memory Admission Test\",\"level\":2},\"tunes\":{}},{\"id\":\"p-admission-intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Before information becomes durable agent memory, test it against six properties. These properties are more useful than a vague importance score because they predict how the information behaves over time.\"},\"tunes\":{}},{\"id\":\"admission-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Six properties that decide whether information belongs in memory\",\"layout\":\"table\",\"columns\":[{\"id\":\"property\",\"label\":\"Property\"},{\"id\":\"question\",\"label\":\"Question\"},{\"id\":\"effect\",\"label\":\"Decision pressure\"}],\"rows\":[{\"id\":\"volatility\",\"label\":\"Volatility\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"authority\",\"label\":\"Authority\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"reuse\",\"label\":\"Reuse value\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"reconstruction\",\"label\":\"Reconstruction cost\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"sensitivity\",\"label\":\"Sensitivity\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"revision\",\"label\":\"Revision behaviour\",\"values\":[\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"rule-volatile\",\"type\":\"callout\",\"data\":{\"variant\":\"tip\",\"title\":\"A practical rule\",\"body\":\"If a fact is \u003Cstrong>volatile + authoritative elsewhere + cheap to fetch\u003C\u002Fstrong>, do not promote a copied value into long-term memory. Store the pointer, identifier, or retrieval path instead.\"},\"tunes\":{}},{\"id\":\"h-remember\",\"type\":\"header\",\"data\":{\"text\":\"1. Remember: durable knowledge that improves future decisions\",\"level\":3},\"tunes\":{}},{\"id\":\"p-remember-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Good durable memory reduces repeated work without turning yesterday's state into today's truth. Typical candidates include explicit user preferences, durable project constraints, decisions and their rationale, reusable procedures, recurring failure patterns, and verified facts that are not expected to change frequently.\"},\"tunes\":{}},{\"id\":\"p-remember-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The strongest memories are not necessarily raw transcripts. PlugMem's 2026 work argues for converting interaction history into compact facts and reusable skills. Microsoft's BREW similarly distills past trajectories into retrievable procedural knowledge describing what to do, when it applies, and what to watch out for. Both point toward a useful design principle: store reusable knowledge, not merely historical text.\"},\"tunes\":{}},{\"id\":\"p-remember-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"A remembered item should also retain provenance. A future agent should be able to distinguish “the user explicitly requested this,” “the system observed this,” “a source stated this,” and “a model inferred this.” Without that distinction, memory gradually converts evidence, interpretation, and speculation into one undifferentiated pool.\"},\"tunes\":{}},{\"id\":\"h-reread\",\"type\":\"header\",\"data\":{\"text\":\"2. Re-read or retrieve: volatile facts with an external source of truth\",\"level\":3},\"tunes\":{}},{\"id\":\"p-reread-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some information is valuable precisely because it changes. Current permissions, order state, inventory, account status, service health, software documentation, prices, schedules, regulations, and API behaviour should normally be re-read from the system that owns them before consequential use.\"},\"tunes\":{}},{\"id\":\"p-reread-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The agent may remember that a source exists, how to access it, or what fields matter. It should not assume that an old retrieved value remains authoritative. This separates memory of where and how to obtain truth from a cached copy of truth.\"},\"tunes\":{}},{\"id\":\"stale-trap\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"The stale-memory trap\",\"body\":\"A fact can be perfectly remembered and still be wrong. Memory quality is not only recall accuracy; it also includes knowing when recall must yield to a fresh authoritative read.\"},\"tunes\":{}},{\"id\":\"h-recompute\",\"type\":\"header\",\"data\":{\"text\":\"3. Recompute: derived information that is cheaper to calculate than to trust\",\"level\":3},\"tunes\":{}},{\"id\":\"p-recompute-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Derived information deserves different treatment from source facts. If a value can be deterministically recalculated from current inputs, persisting the result may create unnecessary staleness. Totals, percentages, rankings, eligibility flags, generated summaries, and other derived outputs should often be recomputed when used.\"},\"tunes\":{}},{\"id\":\"p-recompute-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The key trade-off is cost. If recomputation is expensive, the system may cache the result together with the exact input version, timestamp, derivation method, and invalidation conditions. If recomputation is cheap, freshness usually wins.\"},\"tunes\":{}},{\"id\":\"h-forget\",\"type\":\"header\",\"data\":{\"text\":\"4. Forget, expire, or supersede: deletion is a capability\",\"level\":3},\"tunes\":{}},{\"id\":\"p-forget-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Forgetting is not necessarily a defect. It is a control mechanism. Transient tool outputs, one-off search results, failed hypotheses, temporary environment state, intermediate reasoning artifacts, obsolete user preferences, expired credentials, and superseded decisions can all become liabilities if they remain active indefinitely.\"},\"tunes\":{}},{\"id\":\"p-forget-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Recent memory research increasingly recognizes that unbounded accumulation can degrade performance. Microsoft's 2026 human-inspired memory architecture explicitly includes interference-based forgetting and consolidation, while PlugMem reports that raw histories can overwhelm agents with low-value context. The engineering lesson does not require copying biological memory: retention should be selective.\"},\"tunes\":{}},{\"id\":\"p-forget-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"In many systems, supersession is safer than immediate deletion. The old decision remains auditable, but retrieval defaults to the new decision. This matters for projects, policies, compliance, and any workflow where the history of change is itself evidence.\"},\"tunes\":{}},{\"id\":\"h-method\",\"type\":\"header\",\"data\":{\"text\":\"The decision method\",\"level\":2},\"tunes\":{}},{\"id\":\"decision-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"Decide the lifecycle of an information item\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Classify the information\",\"description\":\"Is it authoritative state, user preference, external evidence, derived output, procedure, observation, or model inference?\"},{\"label\":\"2. Identify the source of truth\",\"description\":\"Determine whether another system or source remains more authoritative than the memory itself.\"},{\"label\":\"3. Estimate volatility\",\"description\":\"Ask how likely the item is to change before the next meaningful reuse.\"},{\"label\":\"4. Estimate reuse and reconstruction cost\",\"description\":\"Compare future value with the cost and reliability of fetching or recreating the information.\"},{\"label\":\"5. Check sensitivity and scope\",\"description\":\"Define who may access the information, where it may persist, and whether persistence is justified.\"},{\"label\":\"6. Define invalidation\",\"description\":\"Specify expiry, supersession, conflict resolution, or a condition that forces a fresh authoritative read.\"},{\"label\":\"7. Choose the action\",\"description\":\"Remember, re-read\u002Fretrieve, recompute, or forget\u002Fexpire\u002Fsupersede.\"},{\"label\":\"8. Preserve provenance\",\"description\":\"Store enough metadata to distinguish source fact, user statement, observation, derivation, and model inference.\"}]},\"tunes\":{}},{\"id\":\"h-examples\",\"type\":\"header\",\"data\":{\"text\":\"Examples: the same agent should use different lifecycle actions\",\"level\":2},\"tunes\":{}},{\"id\":\"examples-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Information\",\"Recommended action\",\"Why\"],[\"“The user prefers concise technical answers.”\",\"Remember\",\"Stable preference with high reuse value\"],[\"“The deployment is currently paused.”\",\"Re-read\",\"Current operational state can change\"],[\"“The total projected cost is €48,620.”\",\"Recompute from current inputs\",\"Derived value should follow source changes\"],[\"A 20,000-token raw tool response from yesterday\",\"Forget or archive externally\",\"Low direct reuse; high context cost\"],[\"A confirmed workaround for a recurring build failure\",\"Remember as reusable procedure\",\"High future reuse and expensive rediscovery\"],[\"A model guess about why a server failed\",\"Do not promote to durable fact\",\"Inference is not verified evidence\"],[\"An old project decision later replaced by a new one\",\"Supersede, retain audit history\",\"The latest decision should win without erasing provenance\"],[\"A current product price\",\"Retrieve again\",\"High volatility and external authority\"],[\"A legal or policy interpretation\",\"Remember the prior analysis only with source\u002Fversion metadata; re-check authority before action\",\"Applicability can change with time and jurisdiction\"]]},\"tunes\":{}},{\"id\":\"h-conditions\",\"type\":\"header\",\"data\":{\"text\":\"Memory should store conditions, not only conclusions\",\"level\":2},\"tunes\":{}},{\"id\":\"p-cond-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A durable memory becomes dangerous when it stores only the conclusion and loses the conditions under which the conclusion was valid. “Use database-per-tenant” is weaker than “Use database-per-tenant when regulatory isolation and tenant-specific lifecycle requirements outweigh operational overhead.” The second form preserves the decision boundary.\"},\"tunes\":{}},{\"id\":\"p-cond-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This matters even more for agent-learned procedures. A successful workflow should capture not only the steps but also the preconditions, environment, tool version, observable success criteria, and known failure modes. Otherwise a memory retrieved in the wrong environment can confidently reproduce an obsolete solution.\"},\"tunes\":{}},{\"id\":\"h-write-cost\",\"type\":\"header\",\"data\":{\"text\":\"A memory write should be more expensive than a memory read\",\"level\":2},\"tunes\":{}},{\"id\":\"p-write-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Reading a weak memory can damage one answer. Writing a weak memory can damage many future answers. The asymmetry suggests a stricter write path than read path: classify the candidate, check provenance, detect contradictions, apply sensitivity rules, define scope, and decide whether human confirmation or external validation is required.\"},\"tunes\":{}},{\"id\":\"p-write-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is especially important when an agent writes memories from its own generated output. A generated summary can contain compression errors. A tool failure can be misinterpreted. A plausible hypothesis can be stored as a fact. If those outputs become future context without evidence status, the agent can create a self-reinforcing error loop.\"},\"tunes\":{}},{\"id\":\"h-quality\",\"type\":\"header\",\"data\":{\"text\":\"Memory quality has at least five dimensions\",\"level\":2},\"tunes\":{}},{\"id\":\"quality-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Dimension\",\"Question\"],[\"Retention quality\",\"Did the system preserve the information that should survive?\"],[\"Retrieval quality\",\"Can the system recover the right memory when it matters?\"],[\"Freshness quality\",\"Does the system know when stored information is no longer current?\"],[\"Provenance quality\",\"Can the system distinguish source, user statement, observation, derivation, and inference?\"],[\"Retirement quality\",\"Can the system expire, supersede, restrict, or remove information when it should no longer influence decisions?\"]]},\"tunes\":{}},{\"id\":\"p-quality-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Benchmarks are starting to separate these concerns. Microsoft's MemGym explicitly evaluates memory in long-horizon agentic settings and reports memory-isolated scores intended to reduce confounding from reasoning, retrieval, and tool-use ability. That direction is important because a final task score alone cannot tell you whether memory itself helped, harmed, or was irrelevant.\"},\"tunes\":{}},{\"id\":\"h-not-store\",\"type\":\"header\",\"data\":{\"text\":\"What not to put into durable memory by default\",\"level\":2},\"tunes\":{}},{\"id\":\"not-store-list\",\"type\":\"list\",\"data\":{\"style\":\"unordered\",\"meta\":{},\"items\":[\"Raw chain-of-thought or hidden reasoning artifacts.\",\"Temporary authentication tokens, secrets, or credentials.\",\"Model-generated hypotheses that have not been verified.\",\"Volatile state that has a live authoritative system.\",\"Cheaply recomputable derived values without their source inputs.\",\"Large tool outputs merely because storage is available.\",\"Duplicate copies of information already governed by a better source of truth.\",\"Sensitive personal data without a clear persistence purpose, access scope, and lifecycle.\",\"Superseded conclusions without explicit version or retirement semantics.\",\"Error messages or failure states that are only useful for the current run and have no reusable diagnostic value.\"]},\"tunes\":{}},{\"id\":\"h-task-specific\",\"type\":\"header\",\"data\":{\"text\":\"Memory is task-specific — there is no universal optimal store\",\"level\":2},\"tunes\":{}},{\"id\":\"p-task-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A coding agent benefits from reusable procedures, repository conventions, successful repair patterns, and project decisions. A personal assistant may need preferences, commitments, and relationship context. A commerce agent needs current product and transaction state far more than historical copies of price or inventory. A research agent benefits from source provenance, unresolved hypotheses, and explicit evidence status.\"},\"tunes\":{}},{\"id\":\"p-task-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Microsoft Research's M-star work makes this point directly: memory systems optimized for one purpose may transfer poorly to another, and task-specific memory mechanisms can outperform a fixed general-purpose design. The memory schema should therefore follow the decisions the agent must make, not a universal template imposed on every agent.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The balance changes when retrieval is slow or expensive, authoritative systems are intermittently unavailable, recomputation is costly, audit rules require historical snapshots, or the agent must operate offline. In those cases, more information may need to be cached or persisted — but with version, provenance, timestamp, and invalidation metadata.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The balance also changes for agents whose primary value is personalization. A stable preference may be worth remembering even if it could technically be asked again. Conversely, in high-risk domains, the threshold for converting an observation or interpretation into durable memory should be much higher.\"},\"tunes\":{}},{\"id\":\"p-change-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Future managed-memory platforms may automate consolidation, retrieval, forgetting, and context construction. That can reduce implementation work, but it does not remove the governance question: which information is allowed to influence future decisions, under what conditions, and when must the system return to the current source of truth?\"},\"tunes\":{}},{\"id\":\"h-limitations\",\"type\":\"header\",\"data\":{\"text\":\"Limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-limit-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"There is no single definition of “agent memory” across current frameworks and research. Some systems use the term for conversation history, others for external persistent stores, structured knowledge, learned procedures, checkpoints, or model adaptation. The decision model in this article focuses on operational lifecycle semantics rather than enforcing one vocabulary.\"},\"tunes\":{}},{\"id\":\"p-limit-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The four lifecycle actions can also overlap. A system may remember a stable summary, retain a pointer to the source, re-read volatile fields, and recompute a derived result in one workflow. The purpose of the model is not to force one storage primitive per fact, but to make the reason for persistence explicit.\"},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A useful agent does not win by remembering the most. It wins by preserving the right information, returning to authoritative sources when reality can change, recalculating what is safer to derive again, and retiring information that should no longer influence future decisions.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The practical question for every candidate memory is therefore not “Can we store this?” but: Will future decisions be more reliable if this survives? If the answer depends on freshness, authority, cost, sensitivity, or revision, encode those conditions into the memory lifecycle instead of trusting retrieval alone.\"},\"tunes\":{}},{\"id\":\"internal-reasoning\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework\",\"title\":\"From Research Protocol to a General AI Reasoning Framework\",\"excerpt\":\"A domain-independent reasoning method for separating evidence from assumptions, testing competing hypotheses, and using explicit validation rules.\",\"ctaLabel\":\"Read the reasoning framework\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"FAQ\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"AI agent memory lifecycle\",\"items\":[{\"id\":\"faq1\",\"question\":\"What information should an AI agent remember long term?\",\"answer\":\"Prefer information that is durable, reusable, provenance-preserving, and expensive or unreliable to reconstruct, such as stable user preferences, accepted project decisions, reusable procedures, and verified long-term constraints.\"},{\"id\":\"faq2\",\"question\":\"What should an AI agent retrieve again instead of remembering?\",\"answer\":\"Volatile information with an authoritative external source should normally be retrieved again before consequential use. Examples include permissions, inventory, current prices, account state, policy versions, service status, and current documentation.\"},{\"id\":\"faq3\",\"question\":\"When should an AI agent recompute information?\",\"answer\":\"Recompute derived values when the calculation is cheap and stale results would be costly. Persisting a derived value makes more sense when recomputation is expensive and the cache includes the source version and invalidation conditions.\"},{\"id\":\"faq4\",\"question\":\"Should AI agents forget information?\",\"answer\":\"Yes. Forgetting, expiry, and supersession are useful controls for transient, obsolete, sensitive, low-value, or misleading information. Unbounded retention can create noise and allow stale or incorrect information to keep influencing future decisions.\"},{\"id\":\"faq5\",\"question\":\"Is storing the entire conversation history a good memory strategy?\",\"answer\":\"Not by itself. Raw history can preserve evidence, but long-running agents usually need curation, structure, summaries, reusable facts or procedures, retrieval, and lifecycle rules so that low-value history does not dominate future context.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Key memory lifecycle terms\",\"entries\":[{\"term\":\"Memory admission\",\"definition\":\"The decision process that determines whether information is allowed to become persistent agent memory.\",\"anchor\":\"memory-admission\"},{\"term\":\"Supersession\",\"definition\":\"Marking an older memory or decision as replaced by newer information while preserving the historical record where needed.\",\"anchor\":\"supersession\"},{\"term\":\"Invalidation\",\"definition\":\"A rule or event that makes a stored or cached value unsafe to reuse without refresh, recomputation, or review.\",\"anchor\":\"invalidation\"},{\"term\":\"Provenance\",\"definition\":\"Metadata describing where information came from, when it was observed, who or what asserted it, and how it was transformed.\",\"anchor\":\"provenance\"},{\"term\":\"Volatility\",\"definition\":\"The likelihood that information will change between the time it is stored and the time it is reused.\",\"anchor\":\"volatility\"},{\"term\":\"Reconstruction cost\",\"definition\":\"The time, money, computation, tool use, or uncertainty required to recover or regenerate information instead of storing it.\",\"anchor\":\"reconstruction-cost\"}]},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and further reading\",\"level\":2},\"tunes\":{}},{\"id\":\"src-openai-session\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Context Engineering: Short-Term Memory Management with Sessions\",\"description\":\"Guidance on trimming, summarization, long-running context, and risks such as stale details and context poisoning.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-context\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective Context Engineering for AI Agents\",\"description\":\"Engineering guidance on curation, compaction, structured note-taking, and maintaining useful agent context over long horizons.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-harness\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective Harnesses for Long-Running Agents\",\"description\":\"Practical work on preserving progress and artifacts across context windows in long-running agent tasks.\"}},\"tunes\":{}},{\"id\":\"src-ms-plugmem\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fblog\u002Ffrom-raw-interaction-to-reusable-knowledge-rethinking-memory-for-ai-agents\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — PlugMem\",\"description\":\"Research on transforming raw agent interactions into structured reusable facts and skills rather than accumulating undifferentiated history.\"}},\"tunes\":{}},{\"id\":\"src-ms-mstar\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmstar-every-task-deserves-its-own-memory-harness\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — M★: Every Task Deserves Its Own Memory Harness\",\"description\":\"Research showing that task-specific memory mechanisms can outperform fixed general-purpose memory designs.\"}},\"tunes\":{}},{\"id\":\"src-ms-memgym\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fmemgym-a-long-horizon-memory-environment-for-llm-agents\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — MemGym\",\"description\":\"A benchmark for isolating and evaluating memory performance in long-horizon agent environments.\"}},\"tunes\":{}},{\"id\":\"src-ms-human-memory\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fpublication\u002Fhuman-inspired-memory-architecture-for-llm-agents\u002F\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Microsoft Research — Human-Inspired Memory Architecture for LLM Agents\",\"description\":\"Research exploring consolidation, interference-based forgetting, reconsolidation, and retrieval in persistent agent memory.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":854,"blocks":855,"version":1332},1790351469618,[856,860,864,869,874,878,882,886,890,894,923,927,931,961,966,970,974,978,982,986,990,994,999,1003,1007,1011,1015,1019,1023,1027,1031,1060,1064,1107,1111,1115,1119,1123,1127,1131,1135,1156,1160,1164,1179,1183,1187,1191,1195,1199,1203,1207,1211,1215,1219,1223,1227,1231,1238,1241,1261,1265,1286,1290,1296,1302,1308,1314,1320,1326],{"id":215,"data":857,"type":220,"tunes":859},{"title":858,"maxLevel":218,"minLevel":219},"Contents",{},{"id":223,"data":861,"type":226,"tunes":863},{"text":862},"Long-running AI agents accumulate far more information than they should permanently remember. Conversations, tool outputs, intermediate calculations, user preferences, project decisions, search results, system state, mistakes, and successful procedures can all look useful in the moment. Treating all of them as durable memory creates a second problem: the agent must later decide which stored information is still trustworthy, current, relevant, and safe to reuse.",{},{"id":229,"data":865,"type":234,"tunes":868},{"body":866,"title":867,"variant":233},"An AI agent should \u003Cstrong>remember information that is durable, reusable, provenance-preserving, and expensive to rediscover\u003C\u002Fstrong>; \u003Cstrong>re-read or retrieve volatile facts from their authoritative source\u003C\u002Fstrong>; \u003Cstrong>recompute cheap derived values when freshness matters\u003C\u002Fstrong>; and \u003Cstrong>forget, expire, or supersede information whose future reuse creates more risk than value\u003C\u002Fstrong>. The correct action depends less on whether information is “important” and more on its volatility, authority, derivation cost, reuse value, sensitivity, and revision behaviour.","Direct answer",{},{"id":237,"data":870,"type":234,"tunes":873},{"body":871,"title":872,"variant":241},"The Remember \u002F Re-read \u002F Recompute \u002F Forget model and the Memory Admission Test below are practical architecture tools proposed in this article. They are not formal industry standards. They are designed to make agent-memory decisions explicit, testable, and auditable.","About the decision model",{},{"id":244,"data":875,"type":42,"tunes":877},{"text":876,"level":219},"The real memory problem is not storage — it is lifecycle control",{},{"id":249,"data":879,"type":226,"tunes":881},{"text":880},"Modern agent systems can store almost anything: full transcripts, summaries, embeddings, files, database records, tool traces, structured facts, skills, and external artifacts. Storage capacity is therefore not the hard part. The hard part is deciding what deserves to survive, how long it should survive, and what must happen when reality changes.",{},{"id":254,"data":883,"type":226,"tunes":885},{"text":884},"OpenAI's session-memory guidance explicitly warns that carrying too much history forward can create distraction, inefficiency, context poisoning, and compounding errors. Anthropic similarly treats context as a finite resource that must be curated rather than accumulated. Microsoft Research has moved in the same direction: PlugMem converts raw interaction history into reusable structured knowledge instead of treating the complete history as equally valuable memory.",{},{"id":259,"data":887,"type":226,"tunes":889},{"text":888},"The architectural consequence is simple: memory needs an admission policy, a maintenance policy, and a retirement policy. A retriever alone does not provide those semantics.",{},{"id":264,"data":891,"type":42,"tunes":893},{"text":892,"level":219},"Four possible actions for any piece of agent information",{},{"id":269,"data":895,"type":297,"tunes":922},{"content":896,"stretched":43,"withHeadings":14},[897,902,907,912,917],[898,899,900,901],"Action","Use when","Typical examples","Primary risk",[903,904,905,906],"Remember","The information remains useful across future tasks and is costly or impossible to reconstruct reliably","Stable user preference, accepted project decision, reusable skill, verified long-term constraint","Persisting something false, stale, or too broad",[908,909,910,911],"Re-read \u002F Retrieve","The information has an authoritative source that may change","Permissions, inventory, policy version, order state, product price, current API documentation","Using an old copy instead of current authority",[913,914,915,916],"Recompute","The information is derived and inexpensive enough to calculate again","Totals, scores, rankings, summaries from current source data, deterministic transformations","Persisting stale derived output",[918,919,920,921],"Forget \u002F Expire \u002F Supersede","Future reuse has little value or creates privacy, staleness, conflict, or contamination risk","Transient tool output, failed hypothesis, superseded decision, temporary token, obsolete environment state","Losing information that later proves necessary",{},{"id":300,"data":924,"type":42,"tunes":926},{"text":925,"level":219},"The Memory Admission Test",{},{"id":305,"data":928,"type":226,"tunes":930},{"text":929},"Before information becomes durable agent memory, test it against six properties. These properties are more useful than a vague importance score because they predict how the information behaves over time.",{},{"id":310,"data":932,"type":349,"tunes":960},{"rows":933,"title":952,"layout":297,"columns":953},[934,937,940,943,946,949],{"id":314,"label":935,"values":936},"Volatility",[317,317,317],{"id":319,"label":938,"values":939},"Authority",[317,317,317],{"id":323,"label":941,"values":942},"Reuse value",[317,317,317],{"id":327,"label":944,"values":945},"Reconstruction cost",[317,317,317],{"id":331,"label":947,"values":948},"Sensitivity",[317,317,317],{"id":335,"label":950,"values":951},"Revision behaviour",[317,317,317],"Six properties that decide whether information belongs in memory",[954,956,958],{"id":341,"label":955},"Property",{"id":344,"label":957},"Question",{"id":347,"label":959},"Decision pressure",{},{"id":352,"data":962,"type":234,"tunes":965},{"body":963,"title":964,"variant":356},"If a fact is \u003Cstrong>volatile + authoritative elsewhere + cheap to fetch\u003C\u002Fstrong>, do not promote a copied value into long-term memory. Store the pointer, identifier, or retrieval path instead.","A practical rule",{},{"id":359,"data":967,"type":42,"tunes":969},{"text":968,"level":218},"1. Remember: durable knowledge that improves future decisions",{},{"id":364,"data":971,"type":226,"tunes":973},{"text":972},"Good durable memory reduces repeated work without turning yesterday's state into today's truth. Typical candidates include explicit user preferences, durable project constraints, decisions and their rationale, reusable procedures, recurring failure patterns, and verified facts that are not expected to change frequently.",{},{"id":369,"data":975,"type":226,"tunes":977},{"text":976},"The strongest memories are not necessarily raw transcripts. PlugMem's 2026 work argues for converting interaction history into compact facts and reusable skills. Microsoft's BREW similarly distills past trajectories into retrievable procedural knowledge describing what to do, when it applies, and what to watch out for. Both point toward a useful design principle: store reusable knowledge, not merely historical text.",{},{"id":374,"data":979,"type":226,"tunes":981},{"text":980},"A remembered item should also retain provenance. A future agent should be able to distinguish “the user explicitly requested this,” “the system observed this,” “a source stated this,” and “a model inferred this.” Without that distinction, memory gradually converts evidence, interpretation, and speculation into one undifferentiated pool.",{},{"id":379,"data":983,"type":42,"tunes":985},{"text":984,"level":218},"2. Re-read or retrieve: volatile facts with an external source of truth",{},{"id":384,"data":987,"type":226,"tunes":989},{"text":988},"Some information is valuable precisely because it changes. Current permissions, order state, inventory, account status, service health, software documentation, prices, schedules, regulations, and API behaviour should normally be re-read from the system that owns them before consequential use.",{},{"id":389,"data":991,"type":226,"tunes":993},{"text":992},"The agent may remember that a source exists, how to access it, or what fields matter. It should not assume that an old retrieved value remains authoritative. This separates memory of where and how to obtain truth from a cached copy of truth.",{},{"id":394,"data":995,"type":234,"tunes":998},{"body":996,"title":997,"variant":398},"A fact can be perfectly remembered and still be wrong. Memory quality is not only recall accuracy; it also includes knowing when recall must yield to a fresh authoritative read.","The stale-memory trap",{},{"id":401,"data":1000,"type":42,"tunes":1002},{"text":1001,"level":218},"3. Recompute: derived information that is cheaper to calculate than to trust",{},{"id":406,"data":1004,"type":226,"tunes":1006},{"text":1005},"Derived information deserves different treatment from source facts. If a value can be deterministically recalculated from current inputs, persisting the result may create unnecessary staleness. Totals, percentages, rankings, eligibility flags, generated summaries, and other derived outputs should often be recomputed when used.",{},{"id":411,"data":1008,"type":226,"tunes":1010},{"text":1009},"The key trade-off is cost. If recomputation is expensive, the system may cache the result together with the exact input version, timestamp, derivation method, and invalidation conditions. If recomputation is cheap, freshness usually wins.",{},{"id":416,"data":1012,"type":42,"tunes":1014},{"text":1013,"level":218},"4. Forget, expire, or supersede: deletion is a capability",{},{"id":421,"data":1016,"type":226,"tunes":1018},{"text":1017},"Forgetting is not necessarily a defect. It is a control mechanism. Transient tool outputs, one-off search results, failed hypotheses, temporary environment state, intermediate reasoning artifacts, obsolete user preferences, expired credentials, and superseded decisions can all become liabilities if they remain active indefinitely.",{},{"id":426,"data":1020,"type":226,"tunes":1022},{"text":1021},"Recent memory research increasingly recognizes that unbounded accumulation can degrade performance. Microsoft's 2026 human-inspired memory architecture explicitly includes interference-based forgetting and consolidation, while PlugMem reports that raw histories can overwhelm agents with low-value context. The engineering lesson does not require copying biological memory: retention should be selective.",{},{"id":431,"data":1024,"type":226,"tunes":1026},{"text":1025},"In many systems, supersession is safer than immediate deletion. The old decision remains auditable, but retrieval defaults to the new decision. This matters for projects, policies, compliance, and any workflow where the history of change is itself evidence.",{},{"id":436,"data":1028,"type":42,"tunes":1030},{"text":1029,"level":219},"The decision method",{},{"id":441,"data":1032,"type":470,"tunes":1059},{"steps":1033,"title":1058,"orientation":469},[1034,1037,1040,1043,1046,1049,1052,1055],{"label":1035,"description":1036},"1. Classify the information","Is it authoritative state, user preference, external evidence, derived output, procedure, observation, or model inference?",{"label":1038,"description":1039},"2. Identify the source of truth","Determine whether another system or source remains more authoritative than the memory itself.",{"label":1041,"description":1042},"3. Estimate volatility","Ask how likely the item is to change before the next meaningful reuse.",{"label":1044,"description":1045},"4. Estimate reuse and reconstruction cost","Compare future value with the cost and reliability of fetching or recreating the information.",{"label":1047,"description":1048},"5. Check sensitivity and scope","Define who may access the information, where it may persist, and whether persistence is justified.",{"label":1050,"description":1051},"6. Define invalidation","Specify expiry, supersession, conflict resolution, or a condition that forces a fresh authoritative read.",{"label":1053,"description":1054},"7. Choose the action","Remember, re-read\u002Fretrieve, recompute, or forget\u002Fexpire\u002Fsupersede.",{"label":1056,"description":1057},"8. Preserve provenance","Store enough metadata to distinguish source fact, user statement, observation, derivation, and model inference.","Decide the lifecycle of an information item",{},{"id":473,"data":1061,"type":42,"tunes":1063},{"text":1062,"level":219},"Examples: the same agent should use different lifecycle actions",{},{"id":478,"data":1065,"type":297,"tunes":1106},{"content":1066,"stretched":43,"withHeadings":14},[1067,1071,1074,1078,1082,1086,1090,1094,1098,1102],[1068,1069,1070],"Information","Recommended action","Why",[1072,903,1073],"“The user prefers concise technical answers.”","Stable preference with high reuse value",[1075,1076,1077],"“The deployment is currently paused.”","Re-read","Current operational state can change",[1079,1080,1081],"“The total projected cost is €48,620.”","Recompute from current inputs","Derived value should follow source changes",[1083,1084,1085],"A 20,000-token raw tool response from yesterday","Forget or archive externally","Low direct reuse; high context cost",[1087,1088,1089],"A confirmed workaround for a recurring build failure","Remember as reusable procedure","High future reuse and expensive rediscovery",[1091,1092,1093],"A model guess about why a server failed","Do not promote to durable fact","Inference is not verified evidence",[1095,1096,1097],"An old project decision later replaced by a new one","Supersede, retain audit history","The latest decision should win without erasing provenance",[1099,1100,1101],"A current product price","Retrieve again","High volatility and external authority",[1103,1104,1105],"A legal or policy interpretation","Remember the prior analysis only with source\u002Fversion metadata; re-check authority before action","Applicability can change with time and jurisdiction",{},{"id":523,"data":1108,"type":42,"tunes":1110},{"text":1109,"level":219},"Memory should store conditions, not only conclusions",{},{"id":528,"data":1112,"type":226,"tunes":1114},{"text":1113},"A durable memory becomes dangerous when it stores only the conclusion and loses the conditions under which the conclusion was valid. “Use database-per-tenant” is weaker than “Use database-per-tenant when regulatory isolation and tenant-specific lifecycle requirements outweigh operational overhead.” The second form preserves the decision boundary.",{},{"id":533,"data":1116,"type":226,"tunes":1118},{"text":1117},"This matters even more for agent-learned procedures. A successful workflow should capture not only the steps but also the preconditions, environment, tool version, observable success criteria, and known failure modes. Otherwise a memory retrieved in the wrong environment can confidently reproduce an obsolete solution.",{},{"id":538,"data":1120,"type":42,"tunes":1122},{"text":1121,"level":219},"A memory write should be more expensive than a memory read",{},{"id":543,"data":1124,"type":226,"tunes":1126},{"text":1125},"Reading a weak memory can damage one answer. Writing a weak memory can damage many future answers. The asymmetry suggests a stricter write path than read path: classify the candidate, check provenance, detect contradictions, apply sensitivity rules, define scope, and decide whether human confirmation or external validation is required.",{},{"id":548,"data":1128,"type":226,"tunes":1130},{"text":1129},"This is especially important when an agent writes memories from its own generated output. A generated summary can contain compression errors. A tool failure can be misinterpreted. A plausible hypothesis can be stored as a fact. If those outputs become future context without evidence status, the agent can create a self-reinforcing error loop.",{},{"id":553,"data":1132,"type":42,"tunes":1134},{"text":1133,"level":219},"Memory quality has at least five dimensions",{},{"id":558,"data":1136,"type":297,"tunes":1155},{"content":1137,"stretched":43,"withHeadings":14},[1138,1140,1143,1146,1149,1152],[1139,957],"Dimension",[1141,1142],"Retention quality","Did the system preserve the information that should survive?",[1144,1145],"Retrieval quality","Can the system recover the right memory when it matters?",[1147,1148],"Freshness quality","Does the system know when stored information is no longer current?",[1150,1151],"Provenance quality","Can the system distinguish source, user statement, observation, derivation, and inference?",[1153,1154],"Retirement quality","Can the system expire, supersede, restrict, or remove information when it should no longer influence decisions?",{},{"id":580,"data":1157,"type":226,"tunes":1159},{"text":1158},"Benchmarks are starting to separate these concerns. Microsoft's MemGym explicitly evaluates memory in long-horizon agentic settings and reports memory-isolated scores intended to reduce confounding from reasoning, retrieval, and tool-use ability. That direction is important because a final task score alone cannot tell you whether memory itself helped, harmed, or was irrelevant.",{},{"id":585,"data":1161,"type":42,"tunes":1163},{"text":1162,"level":219},"What not to put into durable memory by default",{},{"id":590,"data":1165,"type":605,"tunes":1178},{"meta":1166,"items":1167,"style":604},{},[1168,1169,1170,1171,1172,1173,1174,1175,1176,1177],"Raw chain-of-thought or hidden reasoning artifacts.","Temporary authentication tokens, secrets, or credentials.","Model-generated hypotheses that have not been verified.","Volatile state that has a live authoritative system.","Cheaply recomputable derived values without their source inputs.","Large tool outputs merely because storage is available.","Duplicate copies of information already governed by a better source of truth.","Sensitive personal data without a clear persistence purpose, access scope, and lifecycle.","Superseded conclusions without explicit version or retirement semantics.","Error messages or failure states that are only useful for the current run and have no reusable diagnostic value.",{},{"id":608,"data":1180,"type":42,"tunes":1182},{"text":1181,"level":219},"Memory is task-specific — there is no universal optimal store",{},{"id":613,"data":1184,"type":226,"tunes":1186},{"text":1185},"A coding agent benefits from reusable procedures, repository conventions, successful repair patterns, and project decisions. A personal assistant may need preferences, commitments, and relationship context. A commerce agent needs current product and transaction state far more than historical copies of price or inventory. A research agent benefits from source provenance, unresolved hypotheses, and explicit evidence status.",{},{"id":618,"data":1188,"type":226,"tunes":1190},{"text":1189},"Microsoft Research's M-star work makes this point directly: memory systems optimized for one purpose may transfer poorly to another, and task-specific memory mechanisms can outperform a fixed general-purpose design. The memory schema should therefore follow the decisions the agent must make, not a universal template imposed on every agent.",{},{"id":623,"data":1192,"type":42,"tunes":1194},{"text":1193,"level":219},"What would change this answer?",{},{"id":628,"data":1196,"type":226,"tunes":1198},{"text":1197},"The balance changes when retrieval is slow or expensive, authoritative systems are intermittently unavailable, recomputation is costly, audit rules require historical snapshots, or the agent must operate offline. In those cases, more information may need to be cached or persisted — but with version, provenance, timestamp, and invalidation metadata.",{},{"id":633,"data":1200,"type":226,"tunes":1202},{"text":1201},"The balance also changes for agents whose primary value is personalization. A stable preference may be worth remembering even if it could technically be asked again. Conversely, in high-risk domains, the threshold for converting an observation or interpretation into durable memory should be much higher.",{},{"id":638,"data":1204,"type":226,"tunes":1206},{"text":1205},"Future managed-memory platforms may automate consolidation, retrieval, forgetting, and context construction. That can reduce implementation work, but it does not remove the governance question: which information is allowed to influence future decisions, under what conditions, and when must the system return to the current source of truth?",{},{"id":643,"data":1208,"type":42,"tunes":1210},{"text":1209,"level":219},"Limitations",{},{"id":648,"data":1212,"type":226,"tunes":1214},{"text":1213},"There is no single definition of “agent memory” across current frameworks and research. Some systems use the term for conversation history, others for external persistent stores, structured knowledge, learned procedures, checkpoints, or model adaptation. The decision model in this article focuses on operational lifecycle semantics rather than enforcing one vocabulary.",{},{"id":653,"data":1216,"type":226,"tunes":1218},{"text":1217},"The four lifecycle actions can also overlap. A system may remember a stable summary, retain a pointer to the source, re-read volatile fields, and recompute a derived result in one workflow. The purpose of the model is not to force one storage primitive per fact, but to make the reason for persistence explicit.",{},{"id":658,"data":1220,"type":42,"tunes":1222},{"text":1221,"level":219},"Conclusion",{},{"id":663,"data":1224,"type":226,"tunes":1226},{"text":1225},"A useful agent does not win by remembering the most. It wins by preserving the right information, returning to authoritative sources when reality can change, recalculating what is safer to derive again, and retiring information that should no longer influence future decisions.",{},{"id":668,"data":1228,"type":226,"tunes":1230},{"text":1229},"The practical question for every candidate memory is therefore not “Can we store this?” but: Will future decisions be more reliable if this survives? If the answer depends on freshness, authority, cost, sensitivity, or revision, encode those conditions into the memory lifecycle instead of trusting retrieval alone.",{},{"id":673,"data":1232,"type":679,"tunes":1237},{"url":1233,"title":1234,"excerpt":1235,"ctaLabel":1236},"https:\u002F\u002Fstajic.de\u002Fblog\u002Ffrom-research-protocol-to-a-general-ai-reasoning-framework","From Research Protocol to a General AI Reasoning Framework","A domain-independent reasoning method for separating evidence from assumptions, testing competing hypotheses, and using explicit validation rules.","Read the reasoning framework",{},{"id":682,"data":1239,"type":42,"tunes":1240},{"text":684,"level":219},{},{"id":687,"data":1242,"type":687,"tunes":1260},{"items":1243,"title":1259},[1244,1247,1250,1253,1256],{"id":691,"answer":1245,"question":1246},"Prefer information that is durable, reusable, provenance-preserving, and expensive or unreliable to reconstruct, such as stable user preferences, accepted project decisions, reusable procedures, and verified long-term constraints.","What information should an AI agent remember long term?",{"id":695,"answer":1248,"question":1249},"Volatile information with an authoritative external source should normally be retrieved again before consequential use. Examples include permissions, inventory, current prices, account state, policy versions, service status, and current documentation.","What should an AI agent retrieve again instead of remembering?",{"id":699,"answer":1251,"question":1252},"Recompute derived values when the calculation is cheap and stale results would be costly. Persisting a derived value makes more sense when recomputation is expensive and the cache includes the source version and invalidation conditions.","When should an AI agent recompute information?",{"id":703,"answer":1254,"question":1255},"Yes. Forgetting, expiry, and supersession are useful controls for transient, obsolete, sensitive, low-value, or misleading information. Unbounded retention can create noise and allow stale or incorrect information to keep influencing future decisions.","Should AI agents forget information?",{"id":707,"answer":1257,"question":1258},"Not by itself. Raw history can preserve evidence, but long-running agents usually need curation, structure, summaries, reusable facts or procedures, retrieval, and lifecycle rules so that low-value history does not dominate future context.","Is storing the entire conversation history a good memory strategy?","AI agent memory lifecycle",{},{"id":713,"data":1262,"type":42,"tunes":1264},{"text":1263,"level":219},"Glossary",{},{"id":718,"data":1266,"type":718,"tunes":1285},{"title":1267,"entries":1268},"Key memory lifecycle terms",[1269,1272,1275,1278,1281,1283],{"term":1270,"anchor":724,"definition":1271},"Memory admission","The decision process that determines whether information is allowed to become persistent agent memory.",{"term":1273,"anchor":728,"definition":1274},"Supersession","Marking an older memory or decision as replaced by newer information while preserving the historical record where needed.",{"term":1276,"anchor":732,"definition":1277},"Invalidation","A rule or event that makes a stored or cached value unsafe to reuse without refresh, recomputation, or review.",{"term":1279,"anchor":736,"definition":1280},"Provenance","Metadata describing where information came from, when it was observed, who or what asserted it, and how it was transformed.",{"term":935,"anchor":314,"definition":1282},"The likelihood that information will change between the time it is stored and the time it is reused.",{"term":944,"anchor":741,"definition":1284},"The time, money, computation, tool use, or uncertainty required to recover or regenerate information instead of storing it.",{},{"id":745,"data":1287,"type":42,"tunes":1289},{"text":1288,"level":219},"Primary sources and further reading",{},{"id":750,"data":1291,"type":757,"tunes":1295},{"link":752,"meta":1292},{"image":1293,"title":755,"description":1294},{"url":317},"Guidance on trimming, summarization, long-running context, and risks such as stale details and context poisoning.",{},{"id":760,"data":1297,"type":757,"tunes":1301},{"link":762,"meta":1298},{"image":1299,"title":765,"description":1300},{"url":317},"Engineering guidance on curation, compaction, structured note-taking, and maintaining useful agent context over long horizons.",{},{"id":769,"data":1303,"type":757,"tunes":1307},{"link":771,"meta":1304},{"image":1305,"title":774,"description":1306},{"url":317},"Practical work on preserving progress and artifacts across context windows in long-running agent tasks.",{},{"id":778,"data":1309,"type":757,"tunes":1313},{"link":780,"meta":1310},{"image":1311,"title":783,"description":1312},{"url":317},"Research on transforming raw agent interactions into structured reusable facts and skills rather than accumulating undifferentiated history.",{},{"id":787,"data":1315,"type":757,"tunes":1319},{"link":789,"meta":1316},{"image":1317,"title":792,"description":1318},{"url":317},"Research showing that task-specific memory mechanisms can outperform fixed general-purpose memory designs.",{},{"id":796,"data":1321,"type":757,"tunes":1325},{"link":798,"meta":1322},{"image":1323,"title":801,"description":1324},{"url":317},"A benchmark for isolating and evaluating memory performance in long-horizon agent environments.",{},{"id":805,"data":1327,"type":757,"tunes":1331},{"link":807,"meta":1328},{"image":1329,"title":810,"description":1330},{"url":317},"Research exploring consolidation, interference-based forgetting, reconsolidation, and retrieval in persistent agent memory.",{},"2.31.6","Long-running agents should not remember everything. This article provides a practical lifecycle model for deciding what belongs in durable memory, what should be retrieved again, what is safer to recompute, and what should expire or be superseded.",{"lang":7,"title":208,"content":210,"contentJson":1335,"excerpt":814},{"time":212,"blocks":1336,"version":813},[1337,1340,1343,1346,1349,1352,1355,1358,1361,1364,1373,1376,1379,1399,1402,1405,1408,1411,1414,1417,1420,1423,1426,1429,1432,1435,1438,1441,1444,1447,1450,1462,1465,1479,1482,1485,1488,1491,1494,1497,1500,1510,1513,1516,1521,1524,1527,1530,1533,1536,1539,1542,1545,1548,1551,1554,1557,1560,1563,1566,1575,1578,1588,1591,1596,1601,1606,1611,1616,1621],{"id":215,"data":1338,"type":220,"tunes":1339},{"title":217,"maxLevel":218,"minLevel":219},{},{"id":223,"data":1341,"type":226,"tunes":1342},{"text":225},{},{"id":229,"data":1344,"type":234,"tunes":1345},{"body":231,"title":232,"variant":233},{},{"id":237,"data":1347,"type":234,"tunes":1348},{"body":239,"title":240,"variant":241},{},{"id":244,"data":1350,"type":42,"tunes":1351},{"text":246,"level":219},{},{"id":249,"data":1353,"type":226,"tunes":1354},{"text":251},{},{"id":254,"data":1356,"type":226,"tunes":1357},{"text":256},{},{"id":259,"data":1359,"type":226,"tunes":1360},{"text":261},{},{"id":264,"data":1362,"type":42,"tunes":1363},{"text":266,"level":219},{},{"id":269,"data":1365,"type":297,"tunes":1372},{"content":1366,"stretched":43,"withHeadings":14},[1367,1368,1369,1370,1371],[273,274,275,276],[278,279,280,281],[283,284,285,286],[288,289,290,291],[293,294,295,296],{},{"id":300,"data":1374,"type":42,"tunes":1375},{"text":302,"level":219},{},{"id":305,"data":1377,"type":226,"tunes":1378},{"text":307},{},{"id":310,"data":1380,"type":349,"tunes":1398},{"rows":1381,"title":338,"layout":297,"columns":1394},[1382,1384,1386,1388,1390,1392],{"id":314,"label":315,"values":1383},[317,317,317],{"id":319,"label":320,"values":1385},[317,317,317],{"id":323,"label":324,"values":1387},[317,317,317],{"id":327,"label":328,"values":1389},[317,317,317],{"id":331,"label":332,"values":1391},[317,317,317],{"id":335,"label":336,"values":1393},[317,317,317],[1395,1396,1397],{"id":341,"label":342},{"id":344,"label":345},{"id":347,"label":348},{},{"id":352,"data":1400,"type":234,"tunes":1401},{"body":354,"title":355,"variant":356},{},{"id":359,"data":1403,"type":42,"tunes":1404},{"text":361,"level":218},{},{"id":364,"data":1406,"type":226,"tunes":1407},{"text":366},{},{"id":369,"data":1409,"type":226,"tunes":1410},{"text":371},{},{"id":374,"data":1412,"type":226,"tunes":1413},{"text":376},{},{"id":379,"data":1415,"type":42,"tunes":1416},{"text":381,"level":218},{},{"id":384,"data":1418,"type":226,"tunes":1419},{"text":386},{},{"id":389,"data":1421,"type":226,"tunes":1422},{"text":391},{},{"id":394,"data":1424,"type":234,"tunes":1425},{"body":396,"title":397,"variant":398},{},{"id":401,"data":1427,"type":42,"tunes":1428},{"text":403,"level":218},{},{"id":406,"data":1430,"type":226,"tunes":1431},{"text":408},{},{"id":411,"data":1433,"type":226,"tunes":1434},{"text":413},{},{"id":416,"data":1436,"type":42,"tunes":1437},{"text":418,"level":218},{},{"id":421,"data":1439,"type":226,"tunes":1440},{"text":423},{},{"id":426,"data":1442,"type":226,"tunes":1443},{"text":428},{},{"id":431,"data":1445,"type":226,"tunes":1446},{"text":433},{},{"id":436,"data":1448,"type":42,"tunes":1449},{"text":438,"level":219},{},{"id":441,"data":1451,"type":470,"tunes":1461},{"steps":1452,"title":468,"orientation":469},[1453,1454,1455,1456,1457,1458,1459,1460],{"label":445,"description":446},{"label":448,"description":449},{"label":451,"description":452},{"label":454,"description":455},{"label":457,"description":458},{"label":460,"description":461},{"label":463,"description":464},{"label":466,"description":467},{},{"id":473,"data":1463,"type":42,"tunes":1464},{"text":475,"level":219},{},{"id":478,"data":1466,"type":297,"tunes":1478},{"content":1467,"stretched":43,"withHeadings":14},[1468,1469,1470,1471,1472,1473,1474,1475,1476,1477],[482,483,484],[486,487,488],[490,491,492],[494,495,496],[498,499,500],[502,503,504],[506,507,508],[510,511,512],[514,515,516],[518,519,520],{},{"id":523,"data":1480,"type":42,"tunes":1481},{"text":525,"level":219},{},{"id":528,"data":1483,"type":226,"tunes":1484},{"text":530},{},{"id":533,"data":1486,"type":226,"tunes":1487},{"text":535},{},{"id":538,"data":1489,"type":42,"tunes":1490},{"text":540,"level":219},{},{"id":543,"data":1492,"type":226,"tunes":1493},{"text":545},{},{"id":548,"data":1495,"type":226,"tunes":1496},{"text":550},{},{"id":553,"data":1498,"type":42,"tunes":1499},{"text":555,"level":219},{},{"id":558,"data":1501,"type":297,"tunes":1509},{"content":1502,"stretched":43,"withHeadings":14},[1503,1504,1505,1506,1507,1508],[562,345],[564,565],[567,568],[570,571],[573,574],[576,577],{},{"id":580,"data":1511,"type":226,"tunes":1512},{"text":582},{},{"id":585,"data":1514,"type":42,"tunes":1515},{"text":587,"level":219},{},{"id":590,"data":1517,"type":605,"tunes":1520},{"meta":1518,"items":1519,"style":604},{},[594,595,596,597,598,599,600,601,602,603],{},{"id":608,"data":1522,"type":42,"tunes":1523},{"text":610,"level":219},{},{"id":613,"data":1525,"type":226,"tunes":1526},{"text":615},{},{"id":618,"data":1528,"type":226,"tunes":1529},{"text":620},{},{"id":623,"data":1531,"type":42,"tunes":1532},{"text":625,"level":219},{},{"id":628,"data":1534,"type":226,"tunes":1535},{"text":630},{},{"id":633,"data":1537,"type":226,"tunes":1538},{"text":635},{},{"id":638,"data":1540,"type":226,"tunes":1541},{"text":640},{},{"id":643,"data":1543,"type":42,"tunes":1544},{"text":645,"level":219},{},{"id":648,"data":1546,"type":226,"tunes":1547},{"text":650},{},{"id":653,"data":1549,"type":226,"tunes":1550},{"text":655},{},{"id":658,"data":1552,"type":42,"tunes":1553},{"text":660,"level":219},{},{"id":663,"data":1555,"type":226,"tunes":1556},{"text":665},{},{"id":668,"data":1558,"type":226,"tunes":1559},{"text":670},{},{"id":673,"data":1561,"type":679,"tunes":1562},{"url":675,"title":676,"excerpt":677,"ctaLabel":678},{},{"id":682,"data":1564,"type":42,"tunes":1565},{"text":684,"level":219},{},{"id":687,"data":1567,"type":687,"tunes":1574},{"items":1568,"title":710},[1569,1570,1571,1572,1573],{"id":691,"answer":692,"question":693},{"id":695,"answer":696,"question":697},{"id":699,"answer":700,"question":701},{"id":703,"answer":704,"question":705},{"id":707,"answer":708,"question":709},{},{"id":713,"data":1576,"type":42,"tunes":1577},{"text":715,"level":219},{},{"id":718,"data":1579,"type":718,"tunes":1587},{"title":720,"entries":1580},[1581,1582,1583,1584,1585,1586],{"term":723,"anchor":724,"definition":725},{"term":727,"anchor":728,"definition":729},{"term":731,"anchor":732,"definition":733},{"term":735,"anchor":736,"definition":737},{"term":315,"anchor":314,"definition":739},{"term":328,"anchor":741,"definition":742},{},{"id":745,"data":1589,"type":42,"tunes":1590},{"text":747,"level":219},{},{"id":750,"data":1592,"type":757,"tunes":1595},{"link":752,"meta":1593},{"image":1594,"title":755,"description":756},{"url":317},{},{"id":760,"data":1597,"type":757,"tunes":1600},{"link":762,"meta":1598},{"image":1599,"title":765,"description":766},{"url":317},{},{"id":769,"data":1602,"type":757,"tunes":1605},{"link":771,"meta":1603},{"image":1604,"title":774,"description":775},{"url":317},{},{"id":778,"data":1607,"type":757,"tunes":1610},{"link":780,"meta":1608},{"image":1609,"title":783,"description":784},{"url":317},{},{"id":787,"data":1612,"type":757,"tunes":1615},{"link":789,"meta":1613},{"image":1614,"title":792,"description":793},{"url":317},{},{"id":796,"data":1617,"type":757,"tunes":1620},{"link":798,"meta":1618},{"image":1619,"title":801,"description":802},{"url":317},{},{"id":805,"data":1622,"type":757,"tunes":1625},{"link":807,"meta":1623},{"image":1624,"title":810,"description":811},{"url":317},{},"Post erfolgreich abgerufen",{"items":1628,"source":1671,"manualIds":1672,"manualMatchedIds":1673},[1629,1636,1643,1650,1657,1664],{"id":1630,"slug":1631,"title":1632,"excerpt":1633,"featuredImage":1634,"publishedAt":1635},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","La memoria dell'agente IA non è RAG: come separare memoria, recupero, stato e contesto","Memoria dell'agente, RAG, stato e contesto vengono spesso usati come se fossero intercambiabili. Non lo sono. Questo pratico modello architetturale separa i quattro livelli, mostra dove si colloca ciascuno e spiega cosa si rompe quando i sistemi li fanno collassare in uno solo.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z",{"id":1637,"slug":1638,"title":1639,"excerpt":1640,"featuredImage":1641,"publishedAt":1642},"471","how-to-know-whether-an-ai-agent-actually-used-the-right-evidence","Come sapere se un agente IA ha effettivamente usato le prove giuste","Un agente IA può citare fonti e comunque utilizzare le prove sbagliate. Questo articolo introduce un metodo pratico per verificare il supporto delle affermazioni, l'autorevolezza della fonte, l'applicabilità, la provenienza e se le prove abbiano effettivamente influenzato la risposta.","\u002Fuploads\u002F2026\u002F09\u002Fhow-to-know-whether-an-ai-agent-actually-used-the-right-evidence-1790351317188-o5z9ve.webp","2026-09-25T11:47:00.000Z",{"id":1644,"slug":1645,"title":1646,"excerpt":1647,"featuredImage":1648,"publishedAt":1649},"466","the-gpu-is-not-the-product-future-proof-private-ai-architecture","La GPU non è il prodotto: architettura di IA privata a prova di futuro","L'infrastruttura di IA privata non dovrebbe essere progettata attorno a una sola GPU o a un solo modello. Un approccio più resiliente combina GPU veloci per l'inferenza, sistemi di IA ricchi di memoria, nodi di IA fisica e modelli cloud di frontiera opzionali dietro un livello di routing consapevole delle capacità.","\u002Fuploads\u002F2026\u002F09\u002Fthe-gpu-is-not-the-product-future-proof-private-ai-architecture-1790140878812-8hsl39.webp","2026-09-23T01:19:00.000Z",{"id":1651,"slug":1652,"title":1653,"excerpt":1654,"featuredImage":1655,"publishedAt":1656},"476","mcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP vs A2A vs UCP vs AP2 vs A2UI: Lo stack di protocolli degli agenti spiegato","MCP, A2A, UCP, AP2 e A2UI sono spesso presentati come standard per agenti concorrenti. Per lo più risolvono problemi di interoperabilità diversi. Questa guida mappa ciascun protocollo sul confine che effettivamente standardizza—e mostra come possano lavorare insieme in un unico sistema di produzione.","\u002Fuploads\u002F2026\u002F09\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained-1790352625869-2ezle0.webp","2026-09-25T12:09:00.000Z",{"id":1658,"slug":1659,"title":1660,"excerpt":1661,"featuredImage":1662,"publishedAt":1663},"478","what-is-rag-the-simplest-explanation-of-how-it-works","Cos'è il RAG? La spiegazione più semplice di come funziona","RAG sembra complicato, ma l'idea è semplice: prima che un'IA risponda, cerca prima informazioni utili da una fonte di conoscenza e fornisce tali informazioni al modello linguistico. Questa guida spiega RAG, LLM, stato, memoria e strumenti utilizzando un semplice modello mentale.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works-1790377492124-khjagt.webp","2026-09-25T19:03:00.000Z",{"id":1665,"slug":1666,"title":1667,"excerpt":1668,"featuredImage":1669,"publishedAt":1670},"467","the-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","Il confine della validità della risposta: il livello mancante tra rilevanza e risposte AI affidabili","Una fonte può essere pertinente, autorevole e comunque errata per la domanda posta. Il livello mancante è l'applicabilità: le condizioni alle quali una risposta è valida e i cambiamenti che ne impongono una riconsiderazione. Questo articolo introduce l'Answer Validity Boundary come modello di progettazione delle fonti per esseri umani, ricerca AI e sistemi RAG.","\u002Fuploads\u002F2026\u002F09\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers-1790272901306-1g5jly.webp","2026-09-24T11:59:00.000Z","fallback",[],[]]