Sezione
RAG, memoria e knowledge base per LLM
24 novità raccolte · ultima il
Come dare memoria e conoscenza esterna agli LLM oggi: RAG, memoria a lungo termine, knowledge base?
Le fonti coprono tre strade complementari per dare memoria agli LLM: retrieval da un archivio esterno (RAG e cache di esempi), memoria a lungo termine per agenti (conversazioni, azioni passate), e consolidamento dell'informazione nei pesi del modello. Le ricerche più recenti tendono a comprimere la memoria in pochi token appresi o in rappresentazioni strutturate, invece di reinserire tutto il contesto. Emergono però rischi concreti, come la sycophancy indotta dalla memoria, e la qualità del retrieval dipende dallo spazio di embedding scelto. Le fonti sono quasi tutte preprint e non offrono una ricetta consolidata di produzione.
Leggi il dossier completo →Ultime novità della sezione
- BizBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World BusinessPer gli sviluppatori che lavorano con LLM e agenti, BizBench è cruciale perché sposta il focus dalla semplice completazione del task all'affidabilità e alla conformità ai vincoli in ambienti aziendali reali ad alto rischio.
- RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent MemoryPer gli sviluppatori che costruiscono agenti autonomi con memoria a lungo termine, TIDER offre un metodo robusto per garantire la rilevanza temporale delle risposte senza sacrificare l'accuratezza semantica. L'utilizzo di un localizzatore RL leggero rende il sistema scalabile e adatto anche ad implementazioni locali o in contesti dove le risorse computazionali devono essere ottimizzate.
- MuninAI: A Self-Hosted Agentic Framework for Independent Research GroupsPer gli sviluppatori che lavorano con LLM e agenti locali, MuninAI offre una via per ottenere capacità RAG avanzate senza compromettere la privacy dei dati o dipendere da servizi hosted esterni. Dimostra come l'architettura dell'agente (tools di lettura/ricerca) sia determinante quanto il modello stesso per le prestazioni su letteratura scientifica.
- MAS-Bai: Linguistically Informed Adaptive Multi-Agent Translation for Bowen-Script BaiPer gli sviluppatori che lavorano con LLM e agenti, MAS-Bai dimostra come il routing adattivo e la specializzazione linguistica siano cruciali quando si affrontano lingue a risorse estreme o sistemi di scrittura non standard. Inoltre, l'uso del ciclo-consistenza per monitorare l'affidabilità in tempo reale offre un pattern utile per implementare controlli di qualità robusti negli agenti AI locali senza sacrificare le prestazioni.
- K-Dense-AI/scientific-agent-skillsPer uno sviluppatore che lavora con LLM e agenti, questo repository è rilevante perché permette di estendere le capacità degli modelli generativi verso domini scientifici rigorosi senza dover reimplementare logiche complesse da zero. Consente l'esecuzione locale sicura (BYOK) per dati sensibili come quelli clinici o genomici, riducendo la dipendenza dall'invio di prompt a API cloud pubbliche.
- ruvnet/rufloRuflo è rilevante perché permette agli sviluppatori di costruire ecosistemi multi-agente scalabili con gestione locale dei dati e controllo rigoroso delle permessi, eliminando le dipendenze da grandi modelli cloud per il recupero vettoriale.
- Memorilla: Latent Semantic Memory for LLMsPer uno sviluppatore che lavora con LLM, agenti e AI locale, Memorilla offre una soluzione efficiente per migliorare la performance delle LLM utilizzando pochi token di memoria, facilitando l'accumulo e l'utilizzo di conoscenze in contesti a lungo termine.
- InfiniSplat v2: Analyzing and Improving Feed-Forward 3DGS from Any ViewsPer uno sviluppatore che lavora con LLM, agenti e AI locale, InfiniSplat v2 offre un approccio innovativo per migliorare la qualità del rendering 3D, che può essere integrato in sistemi di visuale artificiale per aumentare l'efficacia delle rappresentazioni 3D.
- Robota-Embed: Unified VLA Embeddings for Robot In-Context Learning and EvolutionÈ rilevante per uno sviluppatore che lavora con LLM, agenti e AI locale perché offre un approccio innovativo per l'apprendimento in contesto robotico.
- Matt and Ryan have a chat on October 20, 2026È rilevante per uno sviluppatore che lavora con LLM, agenti e AI locale perché fornisce una panoramica aggiornata sulle ultime tecnologie e tendenze.
- PiCo: Physics-Informed Concept Probing for Geo-Foundation ModelsPer uno sviluppatore che lavora con LLM, agenti e AI locale, PiCo offre un approccio per validare l'affidabilità di modelli pre-addestrati su dati sintetici o simulazioni fisiche senza accesso ai ground truth originali. Questo è cruciale quando si devono selezionare modelli per nuovi task in domini dove la spiegazione fisica delle decisioni predittive è essenziale.
- RSAJEV: Training-Free Abstaining Prototype Memory for Eliminating Silent Hallucination in JEV-Based Remote Sensing ClassificationPer gli sviluppatori che lavorano con LLM e agenti, RSAJEV offre una via pratica per mitigare le alucinazioni in scenari out-of-vocabulary senza il sovraccarico computazionale del fine-tuning o dell'addestramento da zero. È particolarmente rilevante per implementazioni di AI locale dove la gestione affidabile delle classi non presenti nel vocabolario iniziale è critica.
- Nvidia ci regala il miglior Decision Model Locale (te lo spiego e lo testo)Per uno sviluppatore che lavora con LLM locali, questo modello rappresenta un'alternativa open-source ad alte prestazioni alle API proprietarie come JEEV, eliminando i costi di inferenza e permettendo l'integrazione diretta in flussi di lavoro autonomi per agenti software o robotica.
- Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?Per gli sviluppatori di agenti AI locali, questo lavoro è cruciale per comprendere come ottimizzare l'apprendimento in scenari reali non visti durante il pre-addestramento e per scegliere architetture che bilancino performance ed efficienza computazionale.
- Shortcut Learning in Geospatial Foundation Model Embeddings for Cross-Disaster Damage AssessmentPer gli sviluppatori che costruiscono agenti AI o sistemi di inferenza locale basati su modelli fondazionali, questo studio evidenzia la necessità rigorosa di validare i modelli su domini non visti per evitare fallimenti catastrofici in scenari reali. Inoltre, suggerisce strategie pratiche a basso costo (trasformazioni delle feature) per potenziare la robustezza dei modelli senza necessariamente ricorrere al fine-tuning completo.
- Helping teens learn, plan, and shape the future of AIPer uno sviluppatore che lavora con LLM e agenti, questo articolo evidenzia le best practice nell'integrazione di guardrail comportamentali (come i reminder per le pause) e l'importanza dei feedback loop diretti dagli utenti finali nel ciclo di vita del prodotto.
- Memadapter: Counterfactual Adaptation Against Memory-induced SycophancyPer gli sviluppatori di agenti AI e sistemi locali, questo approccio è cruciale perché risolve un problema fondamentale dell'uso del long-term memory: garantire che le risposte siano basate su evidenze oggettive piuttosto che sulla semplice conformità alle credenze passate dell'utente.
- EmbeddingGemma 2: an open, lightweight multimodal embedding modelÈ rilevante perché consente agli sviluppatori di costruire pipeline RAG (Retrieval Augmented Generation) completamente locali che garantiscono la privacy dei dati riducendo la latenza del network. La capacità unificata riduce l'overhead computazionale rispetto all'utilizzo di modelli specialistici separati, abilitando agenti AI e motori di ricerca semantico per codice/media direttamente su dispositivi consumer.
- Agent Policy-Value Audit: Separating Transition Composition from Event Selection in Financial LLM AgentsPer gli sviluppatori che costruiscono o valutano agenti AI locali, specialmente in domini ad alto rischio come la finanza, è cruciale evitare l'overfitting su metriche ingannevoli e comprendere se un agente possiede una logica decisionale reale o sta solo sfruttando bias di esposizione passiva.
- A PyTorch Library for Hyperspectral Image Models: Technical ReportSebbene focalizzato su dati iperspettuali, il framework illustra best practice critiche per lo sviluppo locale: gestione standardizzata dei tenso multi-dimensionali, prevenzione del data leakage tramite partizionamento spaziale rigoroso e ottimizzazione di modelli leggeri (<1M parametri) che possono sostituire architetture massive in contesti a risorse limitate.
- Retrieval-Augmented Diffusion Modeling for Stochastic Discount Factor PortfoliosPer uno sviluppatore di agenti AI o sistemi locali, questo approccio è rilevante perché illustra come integrare meccanismi di recupero (RAG) con modelli generativi avanzati per gestire dati finanziari rumorosi e non stazionari, migliorando la robustezza delle decisioni in scenari complessi.
- Recoverable Geographic Location Information in Earth-Observation EmbeddingsPer gli sviluppatori che lavorano con AI locale e agenti, è cruciale comprendere se i modelli incorporano bias spaziali indesiderati o dati sensibili legati alla localizzazione. Questa consapevolezza permette di progettare sistemi più sicuri per applicazioni privacy-sensitive o di sfruttare intenzionalmente informazioni geografiche in task specifici.
- A Unified Framework and Dataset for Oriented Object Visual Grounding in Remote SensingPer uno sviluppatore di agenti AI o sistemi locali, O$^2$-VG offre una base solida per integrare capacità visive avanzate in scenari con oggetti non allineati (es. mappe aeree), riducendo la dipendenza da prompt testuali specifici e migliorando l'efficienza inferenziale tramite tecniche come multi-token prediction.
- Retrieval Geometry Shapes Cache-Based Clip AdaptationPer gli sviluppatori che lavorano con AI locale e agenti autonomi, MARC offre un approccio efficiente per migliorare la robustezza dei modelli visivi senza costi di addestramento o fine-tuning. Questo è cruciale quando si devono gestire ambienti dinamici (remote sensing, imaging scientifico) dove i dati in ingresso cambiano rapidamente e le risorse computazionali sono limitate.