Approfondimento · Folio III
Per ritrovare una frase in una biblioteca non si leggono tutti i libri: si seguono i cartelli. Gli agenti di IA cominciano a ordinare la loro memoria allo stesso modo. Quanto si guadagna, davvero?
Un agente di IA che lavora a lungo accumula ricordi: conversazioni, documenti, azioni passate. La cosa più semplice è tenere tutto in piano e cercare nell'intera pila. Ma più la pila cresce, più ogni ricerca costa.
L'alternativa: ordinare i ricordi in un albero, con riassunti a ogni piano. Per 1.000 ricordi bastano una decina di piani; per un milione, una ventina. È quello che si chiama un costo logaritmico: cresce di un passo quando la memoria raddoppia.
Una teoria del 2026 mostra che questi sistemi, per quanto diversi sembrino, concatenano tutti tre operazioni. Estrarre: tagliare i dati grezzi in unità di informazione. Raggruppare: formare gruppi e dare a ciascuno un rappresentante, spesso un riassunto. Percorrere: per una domanda e un budget di parole dati, scegliere cosa leggere.
La nozione chiave è l'autosufficienza del rappresentante: se il riassunto basta per rispondere, ci si ferma lì; altrimenti bisogna scendere a vedere i dettagli. Gli autori mostrano che 11 sistemi esistenti rientrano in questo stesso quadro.
Fonte: Talebirad et al., Toward a Theory of Hierarchical Memory (2026)
Fig. E — Leggere tutto o scendere l'albero
Leggere tutto: 16 passi
Scendere l'albero: 4 passi
16 documenti · l'albero è più veloce di un fattore 4
Schema illustrativo: mostra l'idea, non misurazioni.
Accertato
Ispirato ai sistemi operativi: una memoria piccola e veloce (il contesto del modello) e una memoria grande e lenta (una base esterna). È il modello stesso a spostare l'informazione dall'una all'altra con chiamate di funzione, come un computer che scambia pagine fra RAM e disco.
Fonte: Packer et al., MemGPT: Towards LLMs as Operating Systems (2023)
Promettente
Ogni nodo riassume ciò che sta sotto, con livelli di astrazione diversi secondo la profondità. Ogni nuova informazione entra dalla radice e scende fino al suo posto. Nelle conversazioni lunghe supera MemGPT; nelle domande su più documenti si avvicina ai metodi che preparano tutto in anticipo e supera GraphRAG.
Fonte: Rezazadeh et al., MemTree: Dynamic Tree Memory (2024)
Promettente
I ricordi sono ordinati come cartelle e sottocartelle; ogni riassunto conserva un collegamento al ricordo grezzo. Un piccolo agente, addestrato per rinforzo, percorre l'albero per prendere solo il necessario. Nelle conversazioni lunghe usa al massimo il 22 % delle parole consumate dai metodi di riferimento.
Promettente
Una memoria che cambia di continuo va mantenuta. MemForest ordina i ricordi in alberi ordinati nel tempo e aggiorna solo i percorsi toccati da un'informazione nuova, invece di riscrivere tutti i riassunti. Il costo di manutenzione segue così la dimensione del cambiamento, non quella della memoria.
Fonte: MemForest: Hierarchical Temporal Indexing for Agent Memory (2026)
Le memorie per agenti più usate nel 2025-2026 si allontanano dall'albero rigido. Estraggono fatti e li collegano come le schede di un ricercatore. Il costo resta basso perché si leggono solo le schede utili.
Per questo portiamo H5 («un grafo, non un albero») dal 60 al 65 %. Una riserva, sollevata da alcuni critici: i collegamenti di A-MEM dicono solo «queste due note si somigliano», non perché. Una vera gerarchia del sapere avrebbe bisogno di collegamenti che dicano la relazione.
H5 · Un grafo, non un albero (65 %)
Promettente
Invece di rileggere l'intera conversazione, Mem0 estrae le informazioni salienti, le fonde con ciò che sa già e le ritrova su richiesta (una variante le ordina in un grafo). Rispetto all'approccio «rileggere tutto», riduce il tempo di risposta del 91 % e il costo in token di oltre il 90 %, rispondendo meglio (+26 % relativo rispetto alla memoria di OpenAI sul test LOCOMO).
Fonte: Chhikara et al., Mem0: Scalable Long-Term Memory (2025)
Promettente
Ogni ricordo diventa una scheda con parole chiave, etichette e collegamenti alle schede vicine. Quando arriva una scheda nuova, può far evolvere quelle vecchie: la memoria si riorganizza da sola. Presentato a NeurIPS 2025, supera i metodi precedenti con sei modelli diversi.
Fonte: Xu et al., A-MEM: Agentic Memory for LLM Agents (NeurIPS 2025)
Bisogna essere onesti: il costo logaritmico è un ideale. Presuppone un albero ben bilanciato e riassunti affidabili. In pratica, costruire l'albero costa chiamate al modello per scrivere i riassunti, e un errore di direzione in cima all'albero fa perdere l'informazione in basso. Molti sistemi leggono quindi più rami alla volta.
Gli articoli misurano soprattutto le parole consumate e la correttezza delle risposte, raramente il costo teorico. Manteniamo dunque lo stato «promettente»: il guadagno è reale e spesso spettacolare, ma la parola «logaritmico» descrive la tendenza, non una garanzia.
Tornano tre punti deboli. L'instradamento: una scelta sbagliata all'inizio della discesa è difficile da recuperare. La perdita di dettaglio: un riassunto scarta sempre qualcosa, e a volte è proprio la risposta. La manutenzione: una memoria viva cambia continuamente, e riorganizzare l'albero costa caro se lo si fa male.
Questi lavori danno corpo a H2 sul versante della memoria esterna: il «basso» della nostra gerarchia può essere consultato a un costo che cresce molto lentamente. E confermano H5: MemTree, GraphRAG e HORMA finiscono tutti per collegare i rami fra loro (ricordo grezzo, entità, legami nel tempo). Gli alberi puri diventano grafi.
H2 · Imparare l'alto, consultare il basso (75 %) H5 · Un grafo, non un albero (65 %)
Ordinare gli stessi articoli di OrigoTech in un albero (tema, sottotema, articolo, paragrafo), poi misurare, per una serie di domande, quante parole bisogna leggere in piano e scendendo l'albero. Ripetere ogni volta che il sito raddoppia, per vedere se la curva segue davvero il logaritmo.