Dalla ricerca alla ricostruzione: costruire una memoria cognitiva capace di evolvere per il dialogo a lungo termine

Abstract degli autori

I modelli linguistici di grandi dimensioni (LLM) impiegati come agenti di dialogo a lungo termine richiedono sistemi di memoria che consentano un ragionamento affidabile su interazioni prolungate. Tuttavia, i framework esistenti di Retrieval-Augmented Generation (RAG) trattano in genere la memoria come un archivio passivo: diventa così difficile distinguere le convinzioni attribuite a una fonte dalle registrazioni di eventi e fatti prive di attribuzione, e collegare evidenze distribuite tra sessioni diverse. Presentiamo CogMem, un’architettura di memoria cognitiva basata sullo schema a grafo PEC$^2$F (Person-Event-Concept-Claim-Fact). Nodi Claim dedicati conservano la fonte e l’oggetto delle affermazioni soggettive, mentre i nodi Fact ed Event rappresentano rispettivamente la conoscenza semantica ed episodica. I turni di dialogo vengono convertiti progressivamente in registrazioni a grafo che tengono traccia della provenienza, consolidati in fatti di livello superiore e riconciliati in viste Claim riferite a periodi specifici quando la stessa fonte fornisce aggiornamenti contrastanti. Per il recupero delle informazioni, un controller basato su regole e guidato dall’interpretazione dell’intento da parte di un LLM combina quattro operatori deterministici sul grafo---ancoraggio, attraversamento, intersezione e collegamento alle evidenze---per ricostruire il contesto pertinente alla richiesta. Gli esperimenti su LoCoMo e LongMemEval mostrano risultati solidi, soprattutto nei compiti che richiedono più passaggi di ragionamento, la gestione del tempo e l’aggiornamento delle conoscenze. Le analisi di ablazione e un test del collasso semantico confermano i contributi complementari della separazione epistemica, del consolidamento e del recupero agentico. Codice: https://github.com/Silent-Rain02/CogMem.