The Pulse

In una ricerca Apple, la memoria selettiva completa il 96% dei compiti, contro il 71% con la cronologia completa

La memoria persistente selettiva ha superato sia l’assenza di memoria sia l’uso delle cronologie complete delle conversazioni in tre scenari di impiego aziendale, riferisce Apple Machine Learning Research. Un meccanismo di aggiornamento a z

AI.info Team · Scritto con l’IA · verificato · 2026-09-17

Un agente che utilizza la memoria persistente selettiva ha completato il 96% dei compiti in tre scenari di impiego aziendale, riferisce Apple Machine Learning Research. Lo stesso sistema ha completato il 79% dei compiti senza memoria e il 71% quando gli è stata fornita la cronologia completa della conversazione.

Il risultato emerge da Shared Selective Persistent Memory for Agentic LLM Systems, un paper di Sanjana Pedada, Aditya Dhavala e Neelraj Patil. Il lavoro, pubblicato nel settembre 2026 secondo la pagina di ricerca di Apple, descrive un’architettura di memoria per sistemi agentici che generano codice attraverso l’uso di strumenti in più turni.

Gli autori del paper scrivono:

«Conservare indiscriminatamente intere cronologie delle conversazioni è sia inefficiente in termini di token sia controproducente: il contesto irrilevante peggiora la qualità della generazione».

L’architettura proposta conserva quattro categorie di contesto riutilizzabile: specifiche dei compiti, schemi dei dati, configurazioni degli strumenti e vincoli sugli output. Scarta invece le tracce di ragionamento specifiche della sessione, anziché trasferire l’intera conversazione precedente in una nuova sessione.

Le specifiche dei compiti conservano requisiti riutilizzabili tra sessioni diverse. Gli schemi dei dati acquisiscono informazioni sulla struttura dei dati di origine. Le configurazioni degli strumenti descrivono i connettori e gli strumenti disponibili all’agente, mentre i vincoli sugli output conservano i requisiti che regolano gli artefatti prodotti dal sistema.

La memoria è condivisa tra gli utenti attraverso spazi di lavoro con controllo degli accessi basato sui ruoli. Il sistema è implementato in una piattaforma collaborativa in cui gli agenti producono, modificano e gestiscono artefatti versionati con git, tra cui dashboard interattive, report strutturati e altri documenti basati sui dati.

La piattaforma supporta fonti di dati eterogenee, accessibili tramite caricamenti CSV, SQL, API REST e server MCP. Il versionamento basato su Git permette di isolare le bozze, consentendo agli utenti di testare le modifiche e ripristinare uno stato precedente senza invocare nuovamente il modello.

Aggiornamenti senza una nuova invocazione del modello

Il paper descrive anche un meccanismo di aggiornamento dei dati a zero token. I programmi generati rimangono separati dai dati di runtime, consentendo a un artefatto esistente di utilizzare dati aggiornati compatibili senza una nuova invocazione dell’LLM.

Questo meccanismo di aggiornamento riduce di 14 volte il tempo necessario per completare un compito, riferisce Apple. Una replica condotta con quattro dataset pubblici è riuscita in tutte le 12 prove, secondo la pagina di ricerca.

Per i compiti che richiedono l’intervento del modello, il sistema utilizza riepiloghi anziché inserire dati grezzi. La generazione guidata dai riepiloghi riduce di 97 volte il costo in token per invocazione rispetto all’inserimento di dati grezzi, riferisce Apple.

Perché le cronologie complete hanno ottenuto risultati peggiori

La conservazione delle cronologie complete può ridurre attivamente il numero di compiti portati a termine, condizionando l’agente con tracce di ragionamento non più attuali, afferma la pagina di ricerca. I ragionamenti precedenti, anziché i soli requisiti riutilizzabili e la struttura dei dati, possono introdurre un contesto non più adatto al compito corrente.

I risultati non dimostrano che la cronologia delle conversazioni debba essere sempre scartata. Sostengono una scelta progettuale più circoscritta: conservare le informazioni riutilizzabili, tralasciando i ragionamenti specifici della sessione e altro contesto che potrebbe indirizzare erroneamente una generazione successiva.

Il confronto riportato da Apple favorisce quindi la memoria selettiva rispetto a entrambi gli estremi esaminati nella pagina. Gli agenti privi di memoria persistente hanno completato meno compiti rispetto al sistema con memoria selettiva, mentre quelli a cui erano state fornite le cronologie complete hanno ottenuto risultati ancora peggiori. Anche il meccanismo di aggiornamento associato ha ridotto la necessità di chiamare il modello per gli aggiornamenti ricorrenti dei dati.