Joerg Hiller
22 feb 2026 05:38
LangChain spiega come il suo sistema di memoria Agent Builder utilizza metafore di filesystem e il framework COALA per creare agenti IA persistenti e capaci di apprendere senza codice.
LangChain ha svelato l'architettura di memoria che alimenta il suo LangSmith Agent Builder, rivelando un approccio basato su filesystem che consente agli agenti IA di apprendere e adattarsi tra le sessioni senza richiedere agli utenti di scrivere codice.
L'azienda ha fatto una scommessa non convenzionale: dare priorità alla memoria fin dal primo giorno invece di aggiungerla successivamente come la maggior parte dei prodotti IA. Il loro ragionamento? Agent Builder crea agenti specifici per attività, non chatbot generici. Quando un agente gestisce ripetutamente lo stesso flusso di lavoro, le lezioni della sessione di martedì dovrebbero applicarsi automaticamente mercoledì.
File come Memoria
Invece di costruire un'infrastruttura di memoria personalizzata, il team di LangChain si è affidato a qualcosa che gli LLM già comprendono bene: i filesystem. Il sistema rappresenta la memoria dell'agente come una raccolta di file, anche se in realtà sono memorizzati in Postgres ed esposti agli agenti come filesystem virtuale.
L'architettura si collega direttamente alle tre categorie di memoria del documento di ricerca COALA. La memoria procedurale—le regole che guidano il comportamento dell'agente—risiede nei file AGENTS.md e nelle configurazioni tools.json. La memoria semantica, che copre fatti e conoscenze specializzate, risiede nei file delle competenze. Il team ha deliberatamente saltato la memoria episodica (registrazioni del comportamento passato) per il rilascio iniziale, scommettendo che conta meno per il loro caso d'uso.
I formati standard hanno prevalso dove possibile: AGENTS.md per le istruzioni principali, competenze dell'agente per attività specializzate e un formato ispirato a Claude Code per i sottoagenti. L'unica eccezione? Un file tools.json personalizzato invece dello standard mcp.json, consentendo agli utenti di esporre solo strumenti specifici dai server MCP ed evitare overflow di contesto.
Memoria che si Costruisce da Sola
Il risultato pratico: agenti che migliorano attraverso la correzione piuttosto che la configurazione. LangChain ha illustrato un esempio di riassuntore di riunioni in cui il semplice feedback di un utente "usa invece elenchi puntati" ha automaticamente aggiornato il file AGENTS.md dell'agente. Al terzo mese, l'agente aveva accumulato preferenze di formattazione, regole di gestione dei tipi di riunioni e istruzioni specifiche per i partecipanti—tutto senza configurazione manuale.
Costruire questo non è stato banale. Il team ha dedicato una persona a tempo pieno solo al prompting relativo alla memoria, risolvendo problemi come gli agenti che ricordano quando non dovrebbero o che scrivono su tipi di file sbagliati. Una lezione chiave: gli agenti eccellono nell'aggiungere informazioni ma faticano a consolidare. Un assistente email ha iniziato a elencare ogni fornitore da ignorare invece di generalizzare a "ignora tutti i contatti commerciali a freddo."
Approvazione Umana Richiesta
Tutte le modifiche alla memoria richiedono per impostazione predefinita l'approvazione umana esplicita—una misura di sicurezza contro gli attacchi di prompt injection. Gli utenti possono disabilitare questa "modalità yolo" se sono meno preoccupati degli input avversari.
L'approccio basato su filesystem abilita una portabilità che i DSL bloccati non possono eguagliare. Gli agenti costruiti in Agent Builder possono teoricamente essere eseguiti su Deep Agents CLI, Claude Code o OpenCode con attrito minimo.
Cosa Arriverà
LangChain ha delineato diversi miglioramenti pianificati: memoria episodica attraverso l'esposizione della cronologia delle conversazioni come file, processi di memoria in background eseguiti quotidianamente per catturare apprendimenti mancati, un comando esplicito /remember, ricerca semantica oltre il grep di base e gerarchie di memoria a livello utente o organizzazione.
Per gli sviluppatori che costruiscono agenti IA, le scelte tecniche qui contano. La metafora del filesystem aggira la complessità delle API di memoria personalizzate rimanendo nativa per gli LLM. Se questo approccio si ridimensiona mentre gli agenti gestiscono attività più complesse e di lunga durata rimane una domanda aperta—ma LangChain scommette che i file battono i framework per la costruzione di agenti senza codice.
Fonte immagine: Shutterstock
Fonte: https://blockchain.news/news/langchain-agent-builder-memory-system-architecture
