SYNAPSE: Empowering LLM Agents with Episodic-Semantic Memory via Spreading Activation

1. Il Problema: Isolamento Contestuale e Limiti del RAG

Il paper identifica una limitazione fondamentale nelle attuali architetture di agenti basati su Large Language Models (LLM): l'Isolamento Contestuale.

• Fallimento del RAG Standard: I sistemi Retrieval-Augmented Generation (RAG) tradizionali trattano la memoria come una libreria statica di vettori. Recuperano informazioni basandosi esclusivamente sulla similarità semantica superficiale tra la query corrente e i documenti archiviati.
• Il Problema del "Seed" e del Ragionamento Multi-hop: Se una query non ha una sovrapposizione lessicale o vettoriale diretta con un evento passato rilevante (es. un utente chiede "Perché sono ansioso oggi?" ma la causa è un conflitto di agenda registrato settimane fa senza parole chiave comuni), i sistemi basati su vettori falliscono. Non riescono a collegare concetti disgiunti che richiedono ragionamento causale o transitivo.
• Tunneling Contestuale: Gli agenti attuali soffrono di una mancanza di coerenza narrativa a lungo termine, incapaci di recuperare informazioni strutturalmente correlate ma semanticamente distanti.

2. Metodologia: Architettura SYNAPSE

SYNAPSE (Synergistic Associative Processing & Semantic Encoding) è un'architettura di memoria ispirata alle scienze cognitive, in particolare alla teoria dell'Attivazione Diffusa (Spreading Activation) e ai modelli ACT-R.

A. Grafo Unificato Episodico-Semantico

Invece di uno store vettoriale piatto, SYNAPSE costruisce un grafo diretto $G = (V, E)$ con due tipi di nodi:

1. Nodi Episodici ($V_E$): Rappresentano singoli turni di conversazione (log grezzi) con timestamp e embedding.
2. Nodi Semantici ($V_S$): Concetti astratti (entità, preferenze) estratti dall'LLM e sintetizzati periodicamente (ogni $N=5$ turni).

• Connessioni: Il grafo include bordi temporali (sequenza), bordi di astrazione (collegamento episodio-concetto) e bordi di associazione (correlazioni latenti tra concetti).
• Scalabilità: Per evitare la crescita quadratica, il sistema applica un pruning dei bordi (limitando gli ingressi a Top-K) e un'archiviazione su disco per i nodi inattivi (garbage collection).

B. Dinamiche Cognitive: Attivazione Diffusa

Il recupero non è una ricerca statica, ma un processo dinamico di propagazione dell'energia:

1. Inizializzazione (Dual Trigger): Una query attiva un set di nodi "ancora" tramite due meccanismi: Lexical Trigger (BM25 per entità esatte) e Semantic Trigger (embedding denso per concetti tematici).
2. Propagazione con Effetto Ventaglio (Fan Effect): L'attivazione si diffonde attraverso il grafo. L'intensità dell'attivazione diminuisce in base al grado di uscita del nodo (Fan Effect), modellando la diluizione dell'attenzione umana.
3. Inibizione Laterale: Meccanismo biologico che sopprime i nodi concorrenti meno attivi. Questo crea una competizione "winner-take-all", filtrando il rumore e i distrattori irrilevanti prima che vengano generati.
4. Decadimento Temporale: L'attivazione dei nodi diminuisce nel tempo, permettendo al sistema di dare priorità alle informazioni recenti rispetto a fatti obsoleti ma semanticamente simili.

C. Recupero Ibrido a Triple Segnale

Il punteggio di rilevanza finale $S(v_i)$ combina tre segnali ortogonali:

1. Similarità Semantica: Similarità vettoriale diretta.
2. Segnale di Attivazione: L'energia propagata dal grafo (rilevanza contestuale strutturale).
3. Priorità Strutturale (PageRank): Importanza globale del nodo (es. personaggi principali), indipendente dalla query specifica.

D. Rifiuto Consapevole dell'Incertezza (Uncertainty-Aware Rejection)

Per prevenire le allucinazioni, SYNAPSE integra un protocollo di "Sentimento di Conoscenza" (Feeling of Knowing - FOK):

• Se l'energia di attivazione del nodo migliore è inferiore a una soglia ($\tau_{gate}$), il sistema rifiuta attivamente di rispondere, segnalando che l'informazione non esiste.
• Per i casi borderline, viene utilizzato un prompt di verifica che impone all'LLM di confermare l'esistenza esplicita dell'evidenza.

3. Risultati Sperimentali

Il sistema è stato valutato sul benchmark LoCoMo, progettato per testare la memoria conversazionale a lungo termine (dialoghi medi di 16k token).

• Prestazioni Generali (SOTA): SYNAPSE stabilisce un nuovo stato dell'arte con un punteggio F1 medio pesato di 40.5, superando di +7.2 punti i metodi precedenti (es. A-Mem a 33.3).
• Ragionamento Complesso:
  • Multi-hop: Miglioramento del 23% rispetto ai baselines (35.7 vs 27.0), dimostrando la capacità di collegare fatti disconnessi.
  • Temporale: Eccellenza nel distinguere fatti recenti da quelli obsoleti (F1 50.1).
  • Robustezza Adversariale: Tasso di rifiuto quasi perfetto (96.6 F1) su query che chiedono informazioni inesistenti, evitando allucinazioni dove altri sistemi falliscono.
• Efficienza:
  • Riduzione dei Token: Consumo di soli ~814 token per query rispetto ai ~16.900 dei metodi "full-context" (riduzione del 95%).
  • Costo: 11 volte più economico delle soluzioni full-context, con una latenza di 1.9s (4 volte più veloce).

4. Contributi Chiave

1. Grafo Unificato Episodico-Semantico: Una topologia a doppio strato che integra log di interazione granulari con concetti astratti, risolvendo la frammentazione strutturale degli store vettoriali.
2. Dinamiche Cognitive con Gate di Incertezza: Un meccanismo di recupero governato dall'attivazione diffusa e dall'inibizione laterale, che priorizza la rilevanza implicita e include un protocollo robusto per il rifiuto delle allucinazioni.
3. Prestazioni ed Efficienza: Dimostrazione che l'approccio neuro-simbolico (struttura + dinamica) supera i metodi puramente vettoriali o basati su contesto completo, offrendo un nuovo equilibrio (frontiera di Pareto) tra accuratezza e costo computazionale.

5. Significato e Implicazioni

SYNAPSE rappresenta un cambio di paradigma fondamentale: sposta il focus dalla semplice gestione dello storage (come fare MemGPT o RAG classico) al ragionamento sulla memoria.

• Superamento dell'Assunzione di Ricerca: Dimostra che la rilevanza non è solo una questione di vicinanza semantica statica, ma emerge dalla dinamica di un grafo associativo.
• Scalabilità per Agenti Autonomi: La capacità di recuperare informazioni strutturalmente correlate senza esplosione del contesto rende gli agenti LLM più autonomi, resilienti e capaci di mantenere una coerenza narrativa a lungo termine.
• Sicurezza: L'integrazione nativa del rifiuto delle risposte non supportate da evidenze (rifiuto sicuro) è un passo cruciale per l'adozione di agenti in scenari reali dove le allucinazioni sono inaccettabili.

In sintesi, SYNAPSE trasforma la memoria degli agenti da un archivio passivo a un sistema cognitivo attivo, capace di "pensare" attraverso i propri ricordi per rispondere a domande complesse.