💻 computer science

AMP: A Vendor-Neutral Wire Format for Agent Memory Operations

Questo articolo introduce memorywire, un formato wire JSON-Schema vendor-neutral e una relativa implementazione di riferimento che standardizza le operazioni di memoria degli agenti attraverso diversi framework mediante un'interfaccia unificata, un canale di governance e adapter backend validati empiricamente, con l'obiettivo di abilitare l'interoperabilità senza competere con il Model Context Protocol.

Autori originali: Thamilvendhan Munirathinam

Pubblicato 2026-06-02

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Thamilvendhan Munirathinam

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di stare costruendo una squadra di assistenti IA. In questo momento, ogni assistente ha il proprio modo unico di ricordare le cose. Uno scrive note in un diario di pelle, un altro usa un'app di post-it digitali e un terzo tiene dei messaggi vocali. Tutti parlano "lingue" della memoria diverse. Se vuoi passare il tuo assistente da un sistema all'altro, devi riscrivere l'intera sua storia da zero. Peggio ancora, se un assistente scrive qualcosa di strano o pericoloso, non c'è un manager che lo controlli prima che venga archiviato nel suo cervello permanente.

memorywire è una nuova proposta per risolvere questo caos. Pensalo come a un traduttore universale e a un sistema di archiviazione standardizzato per le memorie dell'IA.

Ecco come il documento lo suddivide, usando analogie semplici:

1. Il Problema: La "Torre di Babele" della memoria dell'IA

Attualmente, gli strumenti di memoria popolari per l'IA (come mem0, Letta, Cognee) sono come paesi diversi con valute differenti.

Il Problema: Se vuoi spostare la memoria di un'IA dal "Paese A" al "Paese B", non puoi semplicemente trasferire il contante; devi fonderlo e coniarlo di nuovo. Perdi dettagli e costa molto.
Il Manager Mancante: Nessuno di questi sistemi ha un "manager" integrato per revisionare ciò che l'IA scrive prima che diventi permanente. È come lasciare che uno studente scriva sulla lavagna della scuola senza che un insegnante controlli prima se la matematica è corretta.

2. La Soluzione: Un "Memory Wire" Universale

Gli autori hanno creato memorywire, che è un formato standard (un modo specifico di impacchettare i dati) che qualsiasi sistema di IA può comprendere.

Le 5 Azioni: Invece di una lista disordinata di comandi, memorywire definisce esattamente cinque cose che un'IA può fare con la memoria:
1. Ricordare (Remember): Scrivere un nuovo fatto.
2. Richiamare (Recall): Chiedere una memoria.
3. Dimenticare (Forget): Eliminare una memoria.
4. Fondere (Merge): Combinare due memorie simili in una sola (per evitare duplicati).
5. Scadere (Expire): Eliminare automaticamente le vecchie memorie (come una "data di scadenza").
I 4 Tipi di Memoria: Proprio come gli esseri umani, il sistema suddivide le memorie in quattro categorie:
- Semantica: Fatti (es. "Alice odia le arachidi").
- Episodica: Eventi (es. "Alice era nervosa durante il suo volo ieri").
- Procedurale: Passaggi su "come fare" (es. "Come prenotare un volo").
- Emotiva: Sentimenti (es. "Alice si sentiva ansiosa riguardo al volo").

3. Il "Vigile Urbano": Il Router

Il documento introduce un "Router" che agisce come un vigile urbano.

Come funziona: Quando chiedi a un'IA di "Richiamare" qualcosa, il Router non interroga semplicemente un database. Grida la domanda a tutti i diversi sistemi di memoria collegati contemporaneamente.
Il Trucco Magico (RRF): Il Router utilizza un trucco matematico chiamato Reciprocal Rank Fusion (RRF). Immagina tre amici che indovinano un numero.
- Se l'Amico A dice "5", l'Amico B dice "5" e l'Amico C (un bugiardo) dice "100", il Router si fida dei due amici che sono d'accordo.
- Il documento dimostra che anche se uno dei sistemi di memoria viene hackerato o mente, questo trucco matematico assicura che l'IA ottenga comunque la risposta corretta. È come una rete di sicurezza che cattura il bugiardo.

4. L' "Umano nel Ciclo": Il Cancello di Approvazione

Questa è una funzione fondamentale. Il sistema permette un flusso di lavoro "Diff-and-Approve" (Confronta e Approva).

Lo Scenario: Un'IA vuole scrivere una nuova memoria: "L'utente è allergico alle arachidi".
Il Cancello: Invece di salvarla immediatamente, il sistema si mette in pausa. Mostra a un revisore umano un "diff" (un confronto tra ciò che è nuovo rispetto a ciò che era vecchio).
La Decisione: L'umano clicca su "Approva" o "Rifiuta". Solo allora la memoria viene salvata. Questo evita che l'IA scriva accidentalmente fatti falsi o dannosi.

5. Cosa hanno effettivamente testato (I Risultati)

Gli autori non hanno inventato un nuovo tipo di intelligenza artificiale; hanno solo organizzato meglio gli strumenti esistenti. Hanno testato il loro sistema con:

Velocità: Era molto veloce (circa 40 millisecondi per ricordare o richiamare qualcosa).
Accuratezza: Tested with 42 questions, the system found the correct answer 100% of the time in the top 5 results. (An additional 8 trick questions were used to ensure the system didn't hallucinate.)
Sicurezza: Hanno cercato di "hackerare" il sistema facendo mentire uno dei database di memoria. Il "Vigile Urbano" (RRF) ha ignorato con successo il bugiardo e ha mantenuto le risposte corrette.
Compatibilità: Hanno testato il sistema contro 5 sistemi di memoria esistenti. Ha funzionato perfettamente con quelli basati su database standard (SQLite e PostgreSQL) e ha funzionato abbastanza bene con gli altri, dimostrando di poter parlare diverse "lingue".

In sintesi

Il documento afferma che memorywire non è un nuovo tipo di intelligenza artificiale. È un protocollo standardizzato. È la "porta USB-C" per la memoria dell'IA. Permette a diversi sistemi di IA di collegarsi alla stessa banca di memoria, assicura che i dati errati possano essere filtrati dagli umani e protegge il sistema anche se una parte della rete viene compromessa.

Gli autori sono onesti: non pretendono che questa sia la soluzione finale e perfetta. Lo rilasciano come una "bozza" (versione 0) per ricevere feedback, con l'obiettivo di renderlo uno standard che tutti adottino, similmente a come il Model Context Protocol (MCP) sta diventando uno standard per gli strumenti di IA.

Riepilogo Tecnico: memorywire – Un formato di rete vendor-neutral per le operazioni di memoria degli agenti

1. Il Problema: Framework di memoria isolati

L'attuale panorama dei framework di memoria per agenti (ad es. mem0, Letta/MemGPT, Cognee, Zep/Graphiti, MemoryOS, MemTensor) è caratterizzato dall'eterogeneità. Ogni framework distribuisce il proprio SDK, il proprio layout di archiviazione, il proprio vocabolario operativo e un proprio ciclo di vita implicito per la creazione e la cancellazione dei record. Non esiste un "formato di rete" condiviso.

Questa mancanza di standardizzazione crea tre problemi primari:

Integrazione e Migrazione su Misura: Integrare un agente con un nuovo backend o migrare tra framework richiede l'uso di adattatori personalizzati. La perdita di dati a livello di campo è comune quando i framework sorgente codificano più stati di quanto il modello dati del target possa supportare.
Mancanza di Governance Condivisa: Nessun framework attualmente fornisce un workflow standardizzato di "diff-and-approve" (differenza e approvazione) in cui gli revisori umani possano auditare le scritture prima che entrino nello storage a lungo termine. Gli operatori devono costruire livelli di governance personalizzati, che possono essere aggirati dal framework sottostante.
Stagnazione Algoritmica vs Gap di Protocollo: L'articolo sostiene che gli algoritmi core (ricerca vettoriale, Reciprocal Rank Fusion, FSM, consolidamento STM/LTM) sono ben compresi. Il gap non risiede nelle prestazioni di recupero, ma nella mancanza di un protocollo condiviso per comporre questi componenti attraverso diversi runtime e backend.

2. Metodologia e Architettura

Il documento presenta memorywire, un formato di rete vendor-neutral e un'implementazione di riferimento progettata per standardizzare le operazioni di memoria degli agenti.

2.1 Design del Formato di Rete

Il protocollo è definito tramite JSON Schema 2020-12 ed è agnostico rispetto al trasporto (REST, JSON-RPC, ecc.). Definisce:

Cinque Operazioni Core: remember (scrittura), recall (lettura), forget (cancellazione), merge (deduplificazione) ed expire (applicazione della policy TTL).
Quattro Tipi di Memoria: Semantica, Episodica, Procedurale ed Emotiva, tratti dalle tassonomie della scienza cognitiva (Tulving, Squire).
Protocollo MemoryStore: Un Protocol Python che definisce l'interfaccia per i backend. I backend dichiarano le capabilities (capacità, ad es. vector, graph, procedural), consentendo a un router di comporre store eterogenei senza che il chiamante debba conoscere i vincoli specifici del backend.

2.2 Implementazione di Riferimento

Gli autori forniscono un'implementazione di riferimento open-source in Python 3.11+ caratterizzata da:

Cinque Adapter di Backend: sqlite-vec, mem0, Letta, Cognee e pgvector. Questi adapter mappano il formato di rete ai rispettivi modelli dati interni, gestendo la perdita di fedeltà (ad es. codificando i campi come tag di metadati) dove necessario.
Memory Router: Un router fan-out che esegue le operazioni su $N$ $N$ child store in parallelo.
- Recall Fusion: Utilizza la Reciprocal Rank Fusion (RRF) come algoritmo predefinito ( $k=60$ ), che è indipendente dal punteggio e additivo. Supporta anche la fusione MAX e weighted (pesata).
- Graph Boost: Un boost di grafo opzionale a un solo salto per gli elementi i cui vicini sono anch'essi presenti nell'insieme fuso.
- Fault Tolerance: Utilizza asyncio.gather con return_exceptions=True per garantire che un singolo backend difettoso o non disponibile non faccia crashare l'intera operazione di recall.
Memoria Procedurale: Memorizza le Macchine a Stati Finiti (FSM) come blob serializzati in JSON compatibili con pytransitions, con una validazione rigorosa per prevenire la Remote Code Execution (RCE) tramite iniezione di callback.
Trasformatore STM/LTM: Un task asincrono in background che valuta gli elementi a breve termine in base a recenza, salienza e confidenza, promuovendoli allo storage a lungo termine o espellendoli.

2.3 Canale di Governance

Una caratteristica chiave è il pattern Co-memorize, che formalizza un workflow di "diff-and-approve".

Le scritture contrassegnate con approval_required=true vengono messe in attesa dietro un sentinella (PENDING_APPROVAL_DELETED_AT = -1) e rimangono invisibili al recall finché un revisore umano non le approva o le rifiuta tramite un'interfaccia fornita.
Un registro di audit append-only funge da singola fonte di verità per tutta la governance e gli eventi di mutazione.

3. Contributi Chiave

Il documento presenta cinque contributi specifici:

C1. Specifica del Formato di Rete: Un protocollo basato su JSON Schema per cinque operazioni su quattro tipi di memoria, esplicitamente versionato con una politica di breaking-change attraverso la v0.5.
C2. Implementazione di Riferimento: Un SDK Python pronto per la produzione con cinque adapter di backend, un router parallelo con RRF e un modello di tolleranza ai guasti parziali.
C3. Interfaccia di Governance: Un'implementazione del pattern diff-and-approve che si integra trasparentemente con qualsiasi adapter di backend.
C4. Valutazione Empirica:
- Un microbenchmark su 100 fatti e 50 query.
- Un esperimento di fusione avversaria per testare la robustezza contro backend malevoli.
- Una suite di conformità cross-adapter su 16 scenari.
C5. Modello di Minaccia e Artefatti: Un modello di minaccia a sei avversari con mitigazioni a livello di riga e artefatti di dati aperti che permettono la piena riproducibilità delle affermazioni.

4. Risultati

4.1 Prestazioni del Microbenchmark

Su un corpus di 100 fatti scritti a mano e 50 query etichettate (usando all-MiniLM-L6-v2 e sqlite-vec):

Recall@5: 1.000 su 42 query etichettate (parafrasi, corrispondenza esatta e multi-hit).
Latenza: Ingest p50 = 37.8 ms; Recall p50 = 40.6 ms.
Precisione: 0.214 (limitata dal rapporto tra gli ID gold per query).
Gestione No-Match: 0/8 sonde "no-match" hanno restituito falsi positivi (sebbene l'articolo noti che questo è dovuto a una scelta deliberata del design v0 di restituire fino a $k$ hit senza una soglia di rilevanza).

4.2 Esperimento di Fusione Avversaria

Lo studio ha testato la robustezza degli algoritmi di fusione contro un "backend malevolo 1-di-N" che inietta ID controllati dall'attaccante al rango 0.

RRF: Ha mantenuto Recall@5 = 1.000 attraverso tutti i budget di attacco ( $K \in \{0, 5, \dots, 50\}$ ). L'indipendenza dal punteggio di RRF impedisce a un singolo store malevolo di dominare l'output fuso.
MAX: È collassato immediatamente a $K=5$ , con il Recall@5 che scende a 0.500 e un tasso di leak dell'80% (l'80% degli ID restituiti era controllato dall'attaccante).
Weighted: Si è comportato identicamente a RRF quando i pesi erano uguali.

4.3 Conformità Cross-Adapter

Una suite di 16 scenari invarianti del protocollo è stata eseguita contro tutti i cinque adapter (80 celle totali).

Risultati: 68 PASS, 12 SKIP, 0 FAIL.
Analisi: Gli adapter basati su SQL (sqlite-vec, pgvector) hanno superato tutti gli scenari. Gli adapter che avvolgono l'SDK (mem0, Letta, Cognee) hanno saltato scenari relativi a funzionalità mancanti nei loro upstream (ad es. mancanza di namespace user_id, mancanza di ID stabili per record o mancanza di guardie per policy vuote). Questi skip hanno identificato aree specifiche per l'irrigidimento della specifica v0.2.

4.4 Benchmark Preliminari sul Lungo Contesto

Esecuzioni preliminari su LongMemEval e LoCoMo hanno mostato miglioramenti significativi dopo aver corretto un bug dove il top-k di vector-ANN veniva calcolato prima del filtraggio dell'agente:

LongMemEval: Migliorato da 0.286 a 0.417 (+46% relativo).
LoCoMo: Migliorato da 0.018 a 0.150 (+8.3× relativo).
Gli autori notano che questi sono dati preliminari (n=10–12, 1 seed) e l'embedder (all-MiniLM-L6-v2) è un riferimento debole; il protocollo stesso è agnostico rispetto all'embedder.

5. Significato e Affermazioni

Il documento inquadra esplicitamente il proprio contributo non come una nuova scoperta algoritmica, ma come un packaging e standardizzazione di componenti stabiliti (RRF, FSM, consolidamento STM/LTM, workflow diff-and-approve).

Posizionamento: memorywire è posizionato per comporre con il Model Context Protocol (MCP) piuttosto che competere con esso. Mentre MCP standardizza l'uso degli strumenti, manca di un primitivo di memoria nativo. memorywire colma questa lacuna, potendo servire come estensione di MCP in futuro o come standard standalone (tramite IETF).
Modestia: Gli autori riconoscono che memorywire v0 è una bozza con diritti riservati di rompere la compatibilità fino alla v0.5. Ammettono che l'attuale valutazione utilizza piccoli corpora sintetici e benchmark preliminari, mentre le valutazioni su scala completa (5-seed × 200 domande) sono differite a un rilascio v2.
Valore Core: Il principale valore proposto è un protocollo neutrale rispetto al luogo che permette a qualsiasi client di parlare con qualsiasi backend, consente agli agenti di trasportare la memoria attraverso i runtime e fornisce una superficie standardizzata per la governance umana sulle scritture della memoria.

In sintesi, memorywire offre un protocollo pragmatico, empiricamente validato, per risolvere la frammentazione dell'interoperabilità e della governance che attualmente affligge l'ecosistema della memoria degli agenti.