Un agente AI che riparte da zero a ogni sessione non è un agente: è un chatbot con qualche strumento in più. La differenza fra i due sta in un componente di cui si parla poco quando si sceglie un framework o un fornitore: la memoria degli agenti AI. La domanda decisiva non è «quanta» ne serve, quello è dimensionamento, e lo abbiamo affrontato altrove, ma di che forma: file scritti e curati a mano, uno store strutturato che l’agente aggiorna da solo, oppure esperienza appresa dai suoi stessi tentativi. Sono tre architetture diverse, con costi, punti di rottura e responsabilità di manutenzione diversi. Vediamo come sono fatte, cosa dicono i numeri e come si sceglie quella giusta per il proprio caso.
In questo articolo scoprirai:
- Perché la forma della memoria conta più della sua dimensione
- File curati a mano: la memoria che puoi aprire e correggere
- Store strutturato: i fatti datati che l’agente mantiene da solo
- Esperienza appresa: l’agente che ricava la procedura dai propri tentativi
- Quale forma di memoria per gli agenti AI scegliere per il tuo caso
Perché la forma della memoria conta più della sua dimensione
La finestra di contesto non è memoria: è il tavolo di lavoro. Quando si riempie, qualcosa deve uscire, e il modo in cui esce decide la qualità dell’agente. Il paper ACM: Agentic Context Management (26 luglio 2026) parte esattamente da qui: i metodi di compressione tradizionali «comportano inevitabilmente perdita di informazione e vengono attivati da regole euristiche rigide». La compressione automatica del contesto è lossy per costruzione: gli autori propongono invece di dare all’agente strumenti espliciti per spostare fuori ciò che non serve adesso e riprenderselo dopo.
Questo sposta il problema da «quanto contesto ci sta» a «dove finisce quello che esce, e con quale struttura». Se hai già letto quanta memoria serve davvero al tuo agente AI, questa è la domanda successiva, non la stessa: lì si dimensiona, qui si sceglie l’architettura.
Che la posta in gioco sia alta lo dice il tasso di fallimento dei progetti. Una proiezione Gartner del 2024, ripresa da Atlan, stimava che entro la fine del 2025 almeno il 30% dei progetti di AI generativa sarebbe stato abbandonato dopo la fase di proof of concept, e la causa indicata non era la capacità del modello ma la qualità dei dati, i costi crescenti e le lacune di contesto. È una previsione invecchiata in fretta, oggi il dibattito si è spostato dai proof of concept agli agenti già in produzione che nessuno mantiene, ma il punto di fondo regge: un agente che non ricorda le regole del tuo processo non è un agente scarso, è un agente senza substrato. Se il concetto di agente ti è ancora nuovo, la nostra guida su cosa sono gli agenti AI e come funzionano è il punto di partenza.
File curati a mano: la memoria che puoi aprire e correggere
È la forma più diffusa oggi, ed è quella che usano gli assistenti di codice: un indice breve più alcuni file tematici in markdown, che il modello rilegge cercandoli come qualsiasi altro file. Anthropic l’ha portata a livello di piattaforma: nei memory store documentati sul portale Claude ogni store viene montato come una directory dentro la sandbox della sessione, e l’agente ci lavora con gli stessi strumenti di file che usa per il resto. I limiti sono espliciti: 100 kB per singola memoria (circa 25.000 token), 10.000 memorie per store, massimo 8 store per sessione, e la raccomandazione ufficiale è «molti file piccoli e focalizzati, non pochi grandi».
Il vantaggio è che la memoria è leggibile e correggibile da un essere umano: ogni modifica genera una versione immutabile, con audit trail e ripristino puntuale. Se una memoria è sbagliata, la apri e la riscrivi. È lo stesso trade-off che Oracle mette a confronto fra file system e database per la memoria degli agenti: il file vince su ispezionabilità e semplicità operativa, il database vince quando servono interrogazioni, concorrenza e integrità su volumi che una directory non regge più.
Con il tempo, però, anche i file di configurazione degli agenti — CLAUDE.md o AGENTS.md — invecchiano rispetto al progetto che descrivono: un audit periodico della configurazione degli agenti AI è ciò che tiene la memoria file-based coerente con la realtà.
Quando i file di memoria bastano davvero
Bastano quando la memoria è piccola, stabile e la possiede una persona: convenzioni di progetto, preferenze, regole di formato. Non bastano quando i fatti si accumulano su decine di sessioni. Un confronto su benchmark pubblicato da pinglin.tw misura la differenza su LongMemEval-S: 44,9% di accuratezza per la memoria a file contro 73,6% per quella strutturata, con il divario più ampio sul ragionamento temporale (41% contro 80%). E costa: 287.000 token per domanda contro 19.000. La curatela è il collo di bottiglia, quello che nessuno ha pensato di scrivere non si recupera con una ricerca testuale.
Store strutturato: i fatti datati che l’agente mantiene da solo
Qui la memoria diventa un archivio di fatti atomici con una data e una finestra di validità, scritti e recuperati automaticamente. LangChain, nella documentazione di LangGraph, distingue due modi di alimentarlo: hot path, cioè scrittura durante l’esecuzione, disponibilità immediata ma latenza aggiunta, e background, un processo separato che consolida a intervalli, senza costo di latenza ma con il rischio di buchi di contesto fra un consolidamento e l’altro. La scelta fra i due è una decisione di prodotto, non un dettaglio tecnico: dipende da quanto in fretta l’agente deve sapere quello che gli hai appena detto.
I numeri di maturità sono i migliori delle tre forme. Il report State of AI Agent Memory 2026 di Mem0 riporta 92,5 su LoCoMo e 94,4 su LongMemEval con circa 6.900 token per query, contro circa 26.000 di un sistema che rilegge tutto il contesto: guadagni concentrati sul ragionamento temporale (+29,6 punti) e sulle query multi-hop (+23,1). Ma lo stesso report segnala il limite: su BEAM si passa da 64,1 a un milione di token a 48,6 a dieci milioni. La memoria strutturata scala meglio, non all’infinito.
Memoria strutturata e RAG non sono la stessa cosa
È la confusione più frequente. Il RAG recupera passaggi da documenti che esistono già: è conoscenza esterna, statica, che qualcuno ha scritto altrove. La memoria strutturata contiene fatti generati dall’interazione, chi è l’utente, cosa ha deciso il mese scorso, quale regola vale da quando, e ha bisogno di validità temporale, perché un fatto nuovo deve poter superare quello vecchio. Servono spesso entrambi, ma non si sostituiscono.
Esperienza appresa: l’agente che ricava la procedura dai propri tentativi
La terza forma non conserva fatti: conserva procedure. L’agente accumula traiettorie, tentativi riusciti e falliti, e ne estrae regole d’azione riutilizzabili. Il lavoro più concreto in questa direzione è MACLA (AAMAS 2026), che tiene il modello congelato e sposta tutto l’adattamento in una memoria procedurale gerarchica esterna. I risultati sono notevoli anche per il costo: 2.851 traiettorie compresse in 187 procedure, costruite in 56 secondi, 2.800 volte più veloce di un baseline che riaddestra i parametri, con il 78,1% di media su quattro benchmark e il 90,3% su ALFWorld in scenari mai visti.
La tentazione, a questo punto, è ovvia: registro tutto quello che l’agente fa e glielo ridò indietro. Non funziona. Il confronto fra le forme di memoria già citato mostra che rimettere episodi grezzi in pasto a una politica non addestrata peggiora le prestazioni, da 76,4% a 70,1%: l’esperienza serve solo se qualcosa ha imparato quando fidarsene. E dove l’agente è già bravo, la memoria appresa non aggiunge niente: sempre su ALFWorld, un attore di frontiera senza memoria appresa arriva al 96%. Attenzione a non leggere i due numeri come un confronto diretto, il 90,3% di MACLA e il 96% dell’attore di frontiera vengono da studi, modelli e configurazioni diversi, e non sono messi a gara sullo stesso banco. Il punto non è chi vince, ma dove la terza forma di memoria ha margine per servire a qualcosa: là dove il modello da solo non arriva già in cima.
Per questo Mem0 definisce ancora «early-stage» la strumentazione della memoria procedurale. È la forma con il potenziale più alto e la disponibilità pratica più bassa: oggi ha senso in ambienti con obiettivi misurabili e ripetitivi, non come default aziendale.
Quale forma di memoria per gli agenti AI scegliere per il tuo caso
Il criterio pratico è breve. File curati quando la memoria è piccola, stabile e c’è una persona che la possiede: regole di processo, tono di voce, vincoli aziendali. Store strutturato quando i fatti si accumulano su molte sessioni e molti utenti, e il costo della rilettura integrale diventa insostenibile, è il caso della maggior parte degli agenti aziendali. Esperienza appresa solo quando il compito ha una ricompensa misurabile e ripetuta, e c’è chi può addestrare e valutare. Nella pratica le prime due convivono: file per ciò che decidi tu, store per ciò che l’agente osserva. La scelta cambia anche a seconda che tu vada verso una soluzione su misura o preconfezionata, un bivio che pesa quanto l’architettura stessa.
Chi mantiene la memoria dopo il primo mese
Questa è la domanda che separa una demo da un sistema in produzione. La memoria va potata: la documentazione Claude prevede sessioni di consolidamento apposite e avverte che, a store pieno, le scritture nuove semplicemente falliscono. Va anche protetta. Anthropic segnala che uno store in scrittura esposto a input non fidati può essere avvelenato da una prompt injection, e che le sessioni successive leggeranno quel contenuto come memoria attendibile: da qui la raccomandazione di montare in sola lettura tutto ciò che l’agente non deve modificare. E c’è un rischio speculare sulla privacy: il paper MRMMIA (maggio 2026) mostra attacchi di membership inference che, con sonde di richiamo ripetute, stabiliscono se un dato specifico si trovi nella memoria di un agente. Sono temi di governance, e prima ancora della sicurezza che il modello da solo non garantisce.
È il motivo per cui, in azienda, il servizio conta più del modello: scegliere la forma di memoria è una decisione di architettura, ma tenerla pulita, versionata e sicura è un lavoro continuo. In MIMIR è esattamente ciò di cui ci occupiamo insieme ai clienti, dall’onboarding, dove si decide cosa l’agente deve ricordare e chi ne risponde, fino alla manutenzione nel tempo. Se hai un processo aziendale su cui stai valutando un agente e vuoi capire quale memoria regge il tuo caso, parliamone: una consulenza iniziale serve a evitare di scoprire il problema fra sei mesi.
Fonti:
- ACM: Agentic Context Management
- Memory store per agenti gestiti — documentazione Claude
- Oracle — File system e database a confronto per la memoria degli agenti AI
- Mem0 — State of AI Agent Memory 2026
- MACLA — memoria procedurale gerarchica (AAMAS 2026)
- MRMMIA — membership inference sulla memoria degli agenti
- LangGraph — documentazione sulla memoria
- Atlan — Types of AI Agent Memory
- pinglin.tw — The Shapes of Agent Memory
Domande frequenti
Qual è la differenza fra memoria di un agente AI e finestra di contesto?
La finestra di contesto è lo spazio di lavoro temporaneo di una singola sessione: quando si riempie, qualcosa viene compresso o scartato, con perdita di informazione. La memoria è ciò che sopravvive alla sessione, in una forma persistente e recuperabile. Confondere le due cose porta a dimensionare il contesto invece di progettare un'architettura di memoria.
Memoria strutturata e RAG sono la stessa cosa?
No. Il RAG recupera passaggi da documenti che esistono già ed è conoscenza esterna e statica. La memoria strutturata contiene fatti generati dall'interazione con l'utente, con una data e una finestra di validità, perché un fatto nuovo deve poter superare quello vecchio. Nella maggior parte dei sistemi aziendali servono entrambi, ma non si sostituiscono.
Quale forma di memoria conviene a un'azienda che parte adesso?
Nella pratica le prime due convivono: file curati a mano per le regole che decide una persona (processi, tono, vincoli) e store strutturato per i fatti che l'agente osserva su molte sessioni e molti utenti. L'esperienza appresa ha senso solo dove il compito ha una ricompensa misurabile e ripetuta. La domanda da porsi prima di scegliere è chi manterrà quella memoria dopo il primo mese.
