Generazioni di Memoria AI

Generazioni di Memoria AI

RAG, Agentic File Search e LLM Wiki: come i modelli linguistici imparano a ricordare

Parole chiave SEO: generazioni di memoria AI, RAG, Retrieval Augmented Generation, Agentic File Search, LLM Wiki, Karpathy, knowledge base LLM, sviluppo applicazioni LLM

Indice dei Contenuti – Generazioni di Memoria AI

• 1. Quando i modelli hanno cominciato a dimenticare (e a ricordare)
• 2. RAG – Retrieval Augmented Generation
• 3. Agentic File Search
• 4. LLM Wiki – il pattern di Karpathy
• 5. Confronto fra i tre approcci
• 6. Esempi pratici in Python
• 7. Conclusioni e formazione professionale

1. Quando i modelli hanno cominciato a dimenticare (e a ricordare)

Immagina di avere un collega straordinariamente intelligente che però, ogni mattina, si presenta in ufficio senza ricordare nulla di ciò che è successo il giorno prima. Eccellente nelle analisi, veloce nel ragionamento, ma ogni sessione parte da zero. Questo è, in sostanza, il problema fondamentale dei Large Language Model (LLM): la loro “memoria” è congelata al momento dell’addestramento.

La sfida non è da poco: come si dota un modello linguistico di memoria persistente, aggiornabile e interrogabile in tempo reale? La risposta non è arrivata in un unico colpo, ma si è evoluta in tre generazioni distinte di soluzioni architetturali — RAG, Agentic File Search e LLM Wiki — ciascuna nata da limiti della precedente e portatrice di un salto concettuale significativo.

2. RAG – Retrieval Augmented Generation

Come nasce

Era il 2020 quando Patrick Lewis e il suo team — ricercatori distribuiti fra Meta AI, University College London e NYU — pubblicarono al NeurIPS il paper “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”. L’idea era elegante nella sua semplicità: invece di chiedere a un modello di sapere tutto a memoria (memoria parametrica), gli si consente di consultare una biblioteca esterna al momento del bisogno (memoria non-parametrica).

Come funziona

Il flusso RAG classico si articola in tre fasi. Prima, i documenti vengono convertiti in vettori numerici (embedding) e indicizzati in un vector store. Poi, quando arriva una domanda dell’utente, la stessa domanda viene trasformata in un vettore e confrontata con tutti quelli presenti nel database — cercando i “frammenti” (chunk) semanticamente più vicini. Infine, quei chunk vengono iniettati nel prompt del modello, che genera la risposta arricchita dal contesto recuperato. È come aprire un libro al capitolo giusto e poi rispondere alla domanda con quella pagina davanti.

Il limite fondamentale del RAG classico è la sua natura stateless: ogni query riparte da zero. Il modello non accumula nulla tra una conversazione e l’altra. Se hai bisogno di sintetizzare cinque documenti diversi su un tema complesso, il sistema deve ogni volta ritrovare e riassemblare le informazioni. Nessun apprendimento progressivo, nessuna sintesi cumulativa.

3. Agentic File Search – Generazioni di Memoria AI

Come nasce

Nella primavera del 2024, OpenAI introdusse il tool file_search nell’Assistants API, evoluto poi nella Responses API nel marzo 2025. Non si trattava più di un semplice retriever vettoriale: era un agente capace di orchestrare autonomamente la ricerca su grandi archivi di file, combinando ricerca semantica (embedding) e ricerca lessicale (BM25) in un approccio ibrido. Nel 2025, con la Responses API, questa capacità matura e diventa lo standard per la costruzione di agenti autonomi su piattaforma OpenAI.

Come funziona

Il modello non aspetta di ricevere i chunk già confezionati: decide da solo quando e come cercare. Può riformulare la query, effettuare ricerche multiple, filtrare per metadati, reranking i risultati. Il tutto con pochissimo codice da parte dello sviluppatore. L’intelligenza del processo di ricerca è delegata al modello stesso, che gestisce il loop decide-cerca-verifica-rispondi senza intervento umano.

Rispetto al RAG classico, l’Agentic File Search è più flessibile e potente, ma porta con sé latenze più elevate e costi maggiori per ogni query, dato il numero di operazioni coinvolte. Rimane comunque una soluzione query-time: anche qui, ogni sessione non costruisce una sintesi persistente.

4. LLM Wiki – il pattern di Karpathy – Generazioni di Memoria AI

Come nasce

Il 4 aprile 2026, Andrej Karpathy — già ricercatore di OpenAI e Tesla — pubblica un Gist su GitHub intitolato semplicemente “llm-wiki.md”. In pochi giorni raccoglie oltre 5.000 star e 5.000 fork, diventando uno dei documenti più discussi nella comunità AI del 2026. Il motivo? Karpathy propone un cambio di paradigma radicale rispetto a RAG e Agentic File Search.

Come funziona

L’idea di Karpathy è deceptivamente semplice: invece di far ri-derivare la conoscenza a ogni query, l’LLM costruisce e mantiene una wiki persistente — una collezione strutturata di file markdown interconnessi tra loro. Ogni volta che viene aggiunta una nuova fonte, il modello la legge, ne estrae le informazioni chiave e le integra nella wiki esistente: aggiornando le pagine di entità, segnalando contraddizioni, rafforzando o sfidando la sintesi in costruzione. La conoscenza viene compilata una volta sola e poi aggiornata incrementalmente.

L’architettura si articola su tre livelli: le fonti grezze (immutabili, la fonte di verità), la wiki (file markdown generati e mantenuti dall’LLM), e lo schema (un documento CLAUDE.md o AGENTS.md che definisce le convenzioni e i workflow). Il workflow prevede tre operazioni principali: Ingest (aggiunta di nuove fonti e aggiornamento della wiki), Query (ricerca nella wiki e sintesi della risposta), e Lint (controllo periodico della salute della wiki: contraddizioni, pagine orfane, claim obsoleti).

La differenza concettuale è netta: nel RAG la conoscenza è recuperata; nell’LLM Wiki è compilata. Le cross-reference sono già lì. Le contraddizioni sono già state segnalate. La sintesi riflette tutto ciò che hai letto finora. È come avere un secondo cervello che cresce con te.

5. Confronto fra i tre approcci

Prima di vedere la tabella di riepilogo, è utile chiarire la differenza concettuale fondamentale tra i tre approcci. Il RAG è reattivo: risponde alle domande recuperando frammenti su richiesta, senza mai costruire nulla di permanente. L’Agentic File Search è proattivo ma anch’esso effimero: l’agente gestisce autonomamente la ricerca, ma ogni sessione non lascia tracce strutturate. L’LLM Wiki è cumulativo: la conoscenza si accumula nel tempo, ogni nuova fonte arricchisce un artefatto persistente che diventa sempre più prezioso.

In termini pratici: se hai un chatbot aziendale su FAQ, RAG va benissimo. Se devi fare research autonoma su centinaia di documenti, Agentic File Search è più adatto. Se stai costruendo una knowledge base personale o di team che cresce nel tempo, LLM Wiki è il pattern ideale.

6. Esempi pratici in Python

RAG – Pipeline base con LangChain

from langchain_community.vectorstores import FAISS

from langchain_openai import OpenAIEmbeddings, ChatOpenAI

from langchain.chains import RetrievalQA

embeddings = OpenAIEmbeddings()

vectorstore = FAISS.from_texts(["La Terra orbita intorno al Sole."], embeddings)

llm = ChatOpenAI(model='gpt-4o')

qa = RetrievalQA.from_chain_type(llm=llm, retriever=vectorstore.as_retriever())

print(qa.invoke({'query': 'Cosa orbita intorno al Sole?'}))

Agentic File Search – OpenAI Responses API

from openai import OpenAI

client = OpenAI()

# Crea un vector store e carica documenti

vs = client.vector_stores.create(name='KnowledgeBase')

client.vector_stores.file_batches.upload_and_poll(

    vector_store_id=vs.id,

    files=[open('manuale.pdf', 'rb')]

)

# L'agente cerca autonomamente nella knowledge base

response = client.responses.create(

    model='gpt-4o',

    tools=[{'type': 'file_search', 'vector_store_ids': [vs.id]}],

    input='Qual è la procedura di onboarding?'

)

print(response.output_text)

LLM Wiki – Ingest di una fonte con Claude

import anthropic, pathlib

client = anthropic.Anthropic()

wiki_path = pathlib.Path('wiki/')

wiki_path.mkdir(exist_ok=True)

source_text = open('articolo.txt').read()

index = open('wiki/index.md').read() if (wiki_path/'index.md').exists() else ''

response = client.messages.create(

    model='claude-opus-4-6',

    max_tokens=2000,

    messages=[{'role': 'user', 'content': f'''

        Sei un wiki maintainer. Leggi la fonte e aggiorna la wiki.

        INDEX ATTUALE:\n{index}

        NUOVA FONTE:\n{source_text}

        Rispondi solo con il contenuto del nuovo file wiki in markdown.

    '''}]

)

(wiki_path / 'sintesi.md').write_text(response.content[0].text)

7. Conclusioni e formazione professionale

Le tre generazioni di memoria AI, RAG, Agentic File Search e LLM Wiki, raccontano una storia di maturazione rapida e inarrestabile. In meno di sei anni, siamo passati da semplici pipeline di retrieval a sistemi che compilano knowledge base persistenti come un esperto umano farebbe, ma senza stancarsi mai e senza dimenticarsi di aggiornare le cross-reference.

Lo sviluppo di applicazioni LLM si sta diffondendo a una velocità che supera spesso la comprensione degli strumenti stessi. Scegliere il pattern sbagliato, RAG dove serve accumulazione, o LLM Wiki dove servono dati real-time, può significare sprecare risorse, produrre risultati inaffidabili o costruire architetture difficili da scalare. L’adozione consapevole di questi paradigmi non è un lusso accademico: è un’urgenza professionale concreta per chi sviluppa software oggi.

Se lavori in ambito IT e vuoi acquisire competenze solide e aggiornate sullo sviluppo di applicazioni LLM, dall’architettura RAG agli agenti autonomi, fino ai pattern più recenti come LLM Wiki, Innovaformazione propone percorsi formativi dedicati:

• Corso Sviluppo Applicazioni LLM – percorso completo per aziende IT che vogliono portare in produzione applicazioni basate su LLM.
• Corso Claude Code per Sviluppatori – per chi vuole padroneggiare Claude Code e costruire agenti e workflow avanzati.

CONTATTI

Per richiedere un preventivo o ulteriori informazioni, scrivi a info@innovaformazione.net oppure chiama il 347 101 2275 (Dario Carrassi). I corsi sono erogati per aziende IT in modalità personalizzata.

Per altri articoli di settore consigliamo di navigare sul nostro blog QUI.

(fonte) (fonte) (fonte)