Memoria come infrastruttura
La memoria deve essere versionata, misurata, compressa e interrogata tramite contratti di retrieval espliciti.
Architetture di Memoria
Memory layer per sistemi AI: recall semantico, tracce episodiche, compressione, persistenza ed eval del retrieval.
diagramma di architettura: memory. Nodi: event, encode, episodic, semantic, recall, compress. Flusso: da event a encode (primario); da encode a semantic (primario); da semantic a recall (primario); da encode a episodic (di supporto); da episodic a recall (di supporto); da recall a compress (feedback).
Valutazione
La qualità del recall richiede test set stabili, non prompt aneddotici. Lo stesso vale per compressione e sintesi.
Livello di Memoria
Memoria episodica, retrieval semantico, compressione e contesto riproducibile per agenti che richiedono continuità.
diagramma di architettura: memory. Nodi: event, encode, episodic, semantic, recall, compress. Flusso: da event a encode (primario); da encode a semantic (primario); da semantic a recall (primario); da encode a episodic (di supporto); da episodic a recall (di supporto); da recall a compress (feedback).
Infrastruttura di Retrieval
Pipeline di embedding, ricerca ibrida, filtri sui metadati, reranking ed eval set stabili per sistemi RAG.
diagramma di architettura: retrieval. Nodi: docs, chunks, vector, lexical, rerank, eval. Flusso: da docs a chunks (primario); da chunks a vector (primario); da vector a rerank (primario); da chunks a lexical (di supporto); da lexical a rerank (di supporto); da rerank a eval (feedback).
Progetti correlati
Progetti in cui applico questo concetto. La pagina dei progetti mostra codice e maturità di ciascuno.
Hai un progetto in mente?
Scrivi a info@gianlucamazza.it il problema operativo e i sistemi coinvolti. Quando c’è già un prototipo funzionante, il primo passo è la review di production readiness. Quella review non include modifiche al codice.