Negli ultimi due anni il pattern di Retrieval-Augmented Generation (RAG) è diventato lo standard di fatto per iniettare informazioni esterne all'interno del contesto dei modelli linguistici. Tuttavia, la stragrande maggioranza delle implementazioni RAG convenzionali soffre di difetti strutturali: frammentazione indiscriminata dei testi (chunking piatto), perdita dei nessi causali tra sezioni distanti e il cosiddetto memory drift, in cui l'agente dimentica le decisioni storiche o confonde le versioni dei documenti.

"Un archivio vettoriale lineare sa trovare frammenti semanticamente simili a una query, ma non comprende la gerarchia logica che lega una regola di business al codice sorgente che la implementa. Per questo serve una memoria a grafo tri-modale."

1. I Limiti Conclamati del RAG Lineare

2. I Tre Strati Ontologici di HyperSpace (L1, L2, L3)

In 00MESH la memoria a lungo termine di agenti e chatbot (inclusa Anna) è organizzata secondo un grafo tri-modale rigorosamente tipizzato:

Livello Denominazione Struttura Dati Funzione Primaria
L1 Documenti Integrali (Raw Specs) Blob immutabile con SHA-256 e metadata Custodia della verità originale (contratti, schemi, file sorgente)
L2 Chunk Semantici ad Alta Densità Frammenti con overlap e vettori densi 1536d Ricerca granulare per massima affinità lessicale e semantica
L3 Note Ricorsive di Riflessione Nodi di sintesi generati da background agent Ponti causali cross-dominio (es. collegare consumo GPU a latenza)

3. Hybrid Retrieval: Unione di BM25 e Dense Vectors

Quando un prompt perviene al cluster, il motore di recupero interroga la base di conoscenza combinando due metriche ortogonali tramite il punteggio di Reciprocal Rank Fusion (RRF):

# Calcolo Hybrid Score RRF in HyperSpace
def calculate_hybrid_score(doc_id, rank_bm25, rank_dense, k=60):
    rrf_bm25 = 1.0 / (k + rank_bm25) if rank_bm25 else 0.0
    rrf_dense = 1.0 / (k + rank_dense) if rank_dense else 0.0
    return 0.4 * rrf_bm25 + 0.6 * rrf_dense

Questo approccio garantisce che sigle tecniche esatte, numeri di registro, identificatori di errore o indirizzi esadecimali (in cui BM25 eccelle) non vengano oscurati dalla ricerca semantica vettoriale, che invece eccelle nel cogliere l'intento concettuale.

4. Il Consolidamento Notturno (Nightly Consolidation Phase)

La vera innovazione della memoria tri-modale è la fase ciclica di consolidamento notturno. Quando i nodi di calcolo (Mac M5 e OMEN) entrano in modalità idle a basso carico:

  1. Un agente di riflessione esamina i log delle conversazioni e i task completati durante la giornata.
  2. Identifica pattern ricorrenti, contraddizioni o tentativi falliti.
  3. Genera automaticamente nodi di Livello 3 (Note Ricorsive), collegando i chunk L2 rilevanti con archi tipizzati come PRECEDES, DEPENDS_ON o SUPERSEDES.
  4. Pota i rami obsoleti, garantendo che la finestra di contesto non venga saturata da informazioni duplicate.

5. Benefici Misurati

Nei test interni su oltre 2.300 scenari di collaudo, la memoria a grafo tri-modale ha dimostrato:

Conclusioni

La memoria non è un semplice database in cui archiviare stringhe, ma un tessuto vivente che permette all'intelligenza artificiale di evolvere nel tempo mantenendo coerenza logica e rispetto assoluto della verità fattuale.