La parte più difficile nella costruzione di agenti AI non è insegnare loro a ricordare. È insegnare loro a dimenticare. La mia collega e scrittrice incredibilmente talentuosa @helloiamleonie ha appena pubblicato quella che potrebbe essere la più completa analisi della memoria degli agenti che abbia mai visto - e fidatevi, ne avevamo tutti bisogno. Ecco la sfida principale: 𝗟𝗟𝗠𝘀 𝗮𝗿𝗲 𝘀𝘁𝗮𝘁𝗲𝗹𝗲𝘀𝘀. Ogni conversazione è un nuovo inizio. Non ricordano cosa hai detto cinque minuti fa, figuriamoci cosa hai detto la settimana scorsa. Quindi, come possiamo creare agenti che ricordano davvero? 𝗧𝘄𝗼 𝗳𝘂𝗻𝗱𝗮𝗺𝗲𝗻𝘁𝗮𝗹 𝗺𝗲𝗺𝗼𝗿𝘆 𝘁𝘆𝗽𝗲𝘀: • 𝗦𝗵𝗼𝗿𝘁-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Informazioni nella finestra di contesto dell'LLM (la conversazione attuale) • 𝗟𝗼𝗻𝗴-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Informazioni memorizzate esternamente (conversazioni passate, preferenze degli utenti, fatti appresi) Ma ecco dove diventa interessante - e confuso. Diversi framework categorizzano la memoria in modo diverso, ad esempio: 𝗖𝗼𝗔𝗟𝗔'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (ispirato alla cognizione umana): • Memoria di lavoro (conversazione attuale) • Memoria semantica (fatti sull'utente) • Memoria episodica (esperienze e azioni passate) • Memoria procedurale (istruzioni e comportamenti) 𝗟𝗲𝘁𝘁𝗮'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (focalizzato sull'architettura): • Buffer dei messaggi (messaggi recenti) • Memoria centrale (blocchi gestiti attivamente in contesto) • Memoria di richiamo (storia della conversazione grezza) • Memoria archivistica (conoscenza esplicitamente memorizzata) 𝗧𝗵𝗲 𝗵𝗮𝗿𝗱𝗲𝘀𝘁 𝗽𝗮𝗿𝘁? 𝗙𝗼𝗿𝗴𝗲𝘁𝘁𝗶𝗻𝗴. Gestire ciò che entra nella memoria è super complesso. Gestire ciò che viene 𝘥𝘦𝘭𝘦𝘵𝘦𝘥 è ancora più difficile. Come automatizzare la decisione su ciò che è obsoleto? Quando un'informazione vecchia è veramente superata rispetto a quando è ancora contestualmente rilevante? Qui è dove la maggior parte delle implementazioni ha difficoltà. Leonie copre tutto, dai diversi tipi di memoria (lavorativa, semantica, episodica, procedurale) a strategie di implementazione pratiche e il crescente ecosistema di framework di memoria come mem0, Letta e zep. Questo è uno di quei post che vorrai salvare e a cui tornare mentre costruisci i tuoi sistemi di agenti. Il post del blog di Leonie:

Tutti parlano di AI agentica, ma stiamo parlando tutti della stessa cosa? Ho notato che le persone usano "architetture agentiche" e "flussi di lavoro agentici" in modo intercambiabile. Ma in realtà sono concetti abbastanza diversi che lavorano insieme. Ecco la distinzione: 𝗙𝗹𝘂𝘀𝘁𝗶 𝗮𝗴𝗲𝗻𝘁𝗶𝗰𝗶 = La serie di passaggi che un agente compie per raggiungere un obiettivo Pensalo come il "cosa" - il processo effettivo Questi passaggi potrebbero includere: • Utilizzare LLM per creare un piano • Suddividere i compiti in sottocompiti • Utilizzare strumenti come la ricerca su internet • Riflettere sui risultati e adattare il piano 𝗔𝗿𝗰𝗵𝗶𝘁𝗲𝗰𝘁𝘂𝗿𝗲 𝗮𝗴𝗲𝗻𝘁𝗶𝗰𝗲 = Il framework tecnico e il design del sistema Pensalo come il "come" - la struttura sottostante Questi contengono sempre: • Almeno un agente con capacità decisionali • Strumenti che l'agente può utilizzare • Sistemi per la memoria a breve e lungo termine Perché è importante? Perché lo stesso flusso di lavoro può essere implementato utilizzando architetture diverse. È come avere più modi per costruire la stessa ricetta - i passaggi rimangono simili, ma l'allestimento della cucina varia. Ad esempio, un flusso di lavoro agentico RAG (suddividere le query, recuperare informazioni, valutare la rilevanza) potrebbe essere costruito con un'architettura a router a singolo agente o un sistema multi-agente. Stesso flusso di lavoro, architettura diversa. Comprendere questa distinzione ti aiuta a: • Progettare sistemi più flessibili • Scegliere l'architettura giusta per il tuo flusso di lavoro specifico • Comunicare più chiaramente su ciò che stai effettivamente costruendo Quali flussi di lavoro agentici sei più entusiasta di implementare? Risorse: 📌 Ebook gratuito sulle Architetture Agentiche: 📌 Post del blog sui Flussi di Lavoro Agentici: