Amazon dimostra un assistente AI che conserva memoria con OpenClaw
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Una guida tecnica mostra come trasformare chat usa-e-getta in conoscenza persistente usando OpenClaw su AgentCore di Amazon Bedrock.
Amazon mostra come un assistente può ricordare conversazioni usando OpenClaw con memoria persistente e metadati strutturati1.
Il post parte da un limite concreto: gli assistenti “stateless” dimenticano tutto. Se tre settimane fa parlavi di aiuole a drenaggio rapido, fertilizzante organico o petunie in ondata di caldo, la chat di oggi non lo sa. Ogni volta ricominci da zero e devi rispiegare il contesto1.
La proposta: un assistente personale che accumula contesto. L’esempio si chiama Sprout, pensato per il giardinaggio. L’architettura resta generica. Cambi la persona e lo “skills manifest” e riusi lo schema in altri domini1.
OpenClaw fornisce la logica agentica. L’esecuzione avviene su AgentCore runtime; la memoria usa AgentCore memory. Entrambe sono componenti di Amazon Bedrock AgentCore, secondo il post. Le conversazioni effimere diventano record persistenti che l’assistente può recuperare quando servono1.
La chiave è l’etichettatura. Ogni memoria porta metadati strutturati. Al momento della domanda, l’assistente filtra i ricordi e seleziona ciò che conta per quel caso. Non un deposito indistinto, ma una raccolta interrogabile in base alla richiesta1.
Il flusso è semplice. Durante la chat, l’assistente salva dettagli utili come preferenze, vincoli, fatti menzionati. Al nuovo scambio, interroga la memoria per estrarre i record pertinenti, grazie ai tag. Così evita domande ripetitive e usa il contesto già fornito1.
Sprout rende visibile il vantaggio. Se l’utente ha detto che usa solo fertilizzante organico, il sistema lo considera nelle raccomandazioni successive. Se aveva citato problemi con le petunie durante il caldo, lo riprende quando chiede nuovi consigli. L’assistente non reimpara ogni volta le stesse cose: le ricorda e le applica1.
Il post sottolinea anche la trasferibilità del metodo. Lo stesso approccio – OpenClaw, runtime e memoria di AgentCore, metadati per il recupero – funziona oltre il giardinaggio. Basta aggiornare persona e “skills manifest” per adattarlo a un altro dominio, mantenendo il meccanismo di memoria e selezione1.
Per chi costruisce assistenti, il messaggio è operativo: progettare la memoria come un indice, non come un archivio amorfo. Tag ben scelti abilitano recupero mirato e risposte che si appoggiano al contesto, senza aumentare il carico cognitivo dell’utente1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.