9.000+

token per richiesta PRIMA di xMemory

~4.700

token per richiesta DOPO xMemory

~50% di riduzione dei token + maggiore precisione

L'unico sistema di memoria che fa risparmiare denaro e rende l'AI più intelligente

Il problema: perché il RAG standard fallisce con gli agenti AI

Il RAG standard è stato costruito per grandi database di documenti con contenuti molto diversificati. Gli agenti AI hanno qualcosa di molto più difficile: un flusso continuo e correlato di conversazione in cui i chunk sono quasi duplicati l'uno dell'altro.

Il problema degli agrumi: Un utente ha detto "Adoro le arance", "Mi piacciono i mandarini" e ha discusso separatamente di cosa sia considerato un agrume. Il RAG standard tratta tutto come semanticamente vicino e recupera 10 copie della "preferenza per gli agrumi" perdendo i veri fatti di categoria necessari per rispondere alla domanda. L'agente soffre la mancanza di contesto che già possiede.

Perché le soluzioni esistenti peggiorano la situazione

I team di ingegneria di solito optano per il taglio o la compressione post-recupero, filtrando il rumore dopo il recupero. Sembra ragionevole. Ma fallisce per gli agenti AI perché il dialogo umano è "temporalmente intrecciato":

• Coriferimenti: "esso" e "quello" si collegano al contesto precedente

• Ellissi: parole mancanti che hanno senso solo con frasi precedenti

• Dipendenze temporali: fatti che contano solo in sequenza

Gli strumenti di taglio eliminano accidentalmente frammenti vitali della conversazione. L'AI perde il filo. Le risposte diventano incoerenti. Hai pagato per quei token e non hai ottenuto nulla.

xMemory: una gerarchia di memoria a 4 livelli

I ricercatori del King's College London e del Alan Turing Institute hanno creato xMemory, un framework che organizza la conversazione in una gerarchia semantica ricercabile invece di scaricare tutto nel contesto.

4

Livello Tematico

Argomenti e categorie di alto livello — la ricerca inizia qui

3

Livello Semantico

Fatti riutilizzabili distillati — conoscenza di base, senza ripetizioni

2

Livello Episodico

Blocchi riassuntivi contigui di conversazione

1

Messaggi Grezzi

Il flusso di conversazione originale

L'Innovazione Chiave: Uncertainty Gating

💡 La similarità semantica è un segnale di generazione dei candidati. L'incertezza è un segnale decisionale.

— Lin Gui, Co-autore, King's College London

I sistemi tradizionali recuperano basandosi solo sulla similarità . xMemory aggiunge un secondo filtro: l' incertezza . Dopo aver trovato i candidati, chiede: "Aggiungere questo riduce effettivamente la mia incertezza sulla risposta?" Se no, si ferma. Questo è il motivo per cui xMemory raggiunge una migliore precisione con meno token.

Similarità ti dice cosa è vicino. Incertezza ti dice cosa vale davvero la pena includere nel budget del prompt.

xMemory vs Le Alternative

Sistema Struttura Ridondanza Precisione Costo Flat RAG (MemGPT) Log grezzi Alto Calo Alto Structured RAG (A-MEM) Gerarchia/Grafo Medio Moderato Medio xMemory ⭐ 4-Livelli + Cancello Incertezza Basso Migliora -50%

Cosa significa per gli agenti di coding

Per gli agenti AI di coding che eseguono flussi multi-sessione, xMemory è direttamente applicabile:

✅ L'agente può mantenere una memoria di progetto coerente per ore o giorni di lavoro senza esplodere il contesto

✅ Le decisioni di codice rilevanti delle sessioni precedenti vengono recuperate senza re-iniettare l'intera cronologia

✅ Meno token per query = bollette API più basse + risposte più veloci

✅ Maggiore precisione perché le conversazioni irrilevanti vengono escluse strutturalmente, non solo potate

Smetti di pagare per token che non ti servono.

Il futuro della memoria AI non sono finestre di contesto più grandi — è un recupero più intelligente. xMemory dimostra che puoi avere entrambi: meno costi E risposte migliori.

Ricerca: xMemory (arXiv:2602.02007) — King's College London & The Alan Turing Institute | Via VentureBeat Tag: #xMemory #AIResearch #TokenOptimization #CodingAgent #RAG #LLMMemory #FinOps #AI