Architecture

La memoria trasforma gli assistenti da reattivi a persistenti, ma è anche il punto in cui molti sistemi si deteriorano silenziosamente. Le ricerche sostengono che la divisione tra memoria a breve e a lungo termine non sia più sufficiente per la memoria degli agenti moderni; gli SDK di OpenAI e LangGraph indicano un’architettura più semplice — memoria di lavoro, stato duraturo e recupero.

Un assistente AI di produzione non è “un LLM con un prompt”. È un sistema che accetta l’intento, mantiene lo stato, decide quando recuperare dati o eseguire azioni ed espone dettagli sufficienti a livello di runtime per eseguire il debug dei guasti.

La maggior parte dei sistemi di conoscenza moderni ottimizza il recupero (retrieval), ed è comprensibile. La ricerca è visibile, facile da dimostrare e sembra magica quando funziona. Scrivi una domanda, ottieni una risposta.

La premessa è semplice: la conoscenza compilata è più riutilizzabile dei frammenti recuperati. RAG è diventata la risposta predefinita a una domanda semplice: come fornisco a un LLM l’accesso a conoscenze esterne?

PKM, RAG, wiki, sistemi di memoria per l’IA e, ora, flussi di lavoro pratici assistiti dall’IA vengono spesso discussi come se risolvessero lo stesso problema. Non è così. Tutti hanno a che fare con la conoscenza, ma operano a livelli diversi:

La maggior parte dei tutorial sull’output strutturato degli LLM è superficiale. Ti insegnano a chiedere JSON gentilmente e poi sperare che il modello si comporti correttamente. Quello non è convalida. È ottimismo con le parentesi graffe.

Gli assistenti moderni dimenticano ancora tutto quando chiudi la scheda, a meno che qualcosa non persista al di fuori della finestra di contesto. I provider di memoria per agenti sono servizi o librerie che conservano fatti e riepiloghi tra le sessioni — spesso integrati come plugin in modo che il framework rimanga leggero mentre la memoria scala.

Conosci bene la routine. Apri una chat con un agente AI, spieghi il tuo progetto, condividi le tue preferenze, fai svolgere un po’ di lavoro e chiudi la scheda. Torni la settimana successiva ed è come parlare con uno sconosciuto: tutto il contesto è sparito, ogni preferenza dimenticata, il progetto da spiegare di nuovo da zero.

OpenClaw sembra semplice nelle dimostrazioni. In produzione, diventa un sistema.

Il vero argomento non è se PostgreSQL può cercare testo o se Elasticsearch può archiviare documenti. Entrambi possono farlo. La domanda interessante è dove dovrebbe risiedere la complessità della ricerca.

L’alerting viene spesso descritto come una funzionalità di monitoraggio. Quella cornice è comoda, ma cela il problema reale.

Le integrazioni Slack sembrano ingannevolmente semplici perché è possibile pubblicare un messaggio in una sola chiamata HTTP. La parte interessante inizia quando si desidera che Slack sia interattivo e affidabile.

Discord diventa una superficie di integrazione seria quando lo si tratta come tale: un luogo dove i sistemi pubblicano eventi, gli esseri umani prendono decisioni e l’automazione continua il flusso di lavoro.

Le piattaforme di chat si sono evolute ben oltre il semplice strumento di messaggistica. Nei sistemi moderni, esse operano come interfacce tra i processi automatizzati e la decisione umana.

La maggior parte dei consigli sull’architettura delle app è o troppo astratta per essere applicata o troppo limitata per essere scalabile. Ecco compromessi pratici per sistemi in produzione relativi a integrazione, struttura del codice e accesso ai dati.

La maggior parte delle configurazioni locali per l’IA inizia allo stesso modo: un modello, un runtime e un’interfaccia di chat.