Come costruire un sistema di agenti IA auto-apprendenti (La nostra architettura reale)
Aggiornamento (19 ottobre 2026): i pattern di questo articolo hanno retto e l'ecosistema è andato nella nostra direzione: la memoria degli agenti è ora un campo di ricerca a sé — l'ICLR 2026 ha un workshop MemAgents dedicato e le survey catalogano architetture di produzione dalla memoria episodica/semantica fino a policy di memoria addestrate con RL (survey arXiv). I framework sono arrivati alle stesse tre portate descritte qui a mano — episodica, semantica e procedurale, cioè regole che si riscrivono dal feedback (confronto Atlan). Il pattern files-over-databases resta il modo più semplice per iniziare.
La maggior parte degli agenti IA è statica. Scrivi prompt, li deploy e speri che funzionino. Quando non lo fanno — quando un post sui social media ha il tono sbagliato, quando un'immagine del blog è generica, quando una risposta di engagement suona robotica — correggi manualmente. Ogni. Singola. Volta.
Ci siamo stancati. Quindi abbiamo costruito un sistema in cui il nostro agente IA impara da ogni correzione e non commette mai lo stesso errore due volte.
Questa non è teoria. Questa è l'architettura reale che alimenta la nostra pipeline di contenuti presso Context Studios — lo stesso sistema che pubblica articoli di blog quotidiani in quattro lingue, gestisce l'engagement sui social media su X, LinkedIn, Facebook e Instagram, e genera immagini di copertina per ogni articolo. Ecco esattamente come funziona, con codice che puoi adattare al tuo setup.
Il problema: Gli agenti IA hanno l'amnesia
Ogni sessione di un agente IA ricomincia da zero. Claude, GPT, Gemini — si svegliano tutti senza alcun ricordo di cosa è successo ieri. Il tuo prompt accuratamente formulato è l'unica cosa che li guida, e i prompt sono istantanee statiche della tua conoscenza al momento in cui li hai scritti.
Questo crea un ciclo doloroso:
- L'agente fa un errore (pubblica un'immagine di copertina generica)
- Lo noti e correggi ("Niente tubi e frecce generiche!")
- L'agente si scusa e corregge questa volta
- Sessione successiva: l'agente fa esattamente lo stesso errore
La correzione si perde tra le sessioni. Il tuo agente non sta imparando — sta solo seguendo istruzioni che non sono state aggiornate.
L'architettura: Tre livelli di memoria
Il nostro sistema auto-apprendente ha tre livelli, ciascuno con uno scopo diverso:
Livello 1: Log giornalieri (Memoria effimera)
memory/
2026-02-13.md
2026-02-14.md
2026-02-15.md
```text
Sono file in sola aggiunta che catturano cosa è successo ogni giorno. Grezzi, non strutturati, con timestamp. L'agente carica i log di oggi e di ieri all'inizio della sessione per contesto immediato.
**Cosa ci va:** Decisioni prese, task completati, errori riscontrati, conversazioni riassunte. Pensalo come un diario di lavoro.
**Conservazione:** 30 giorni, poi archiviato. L'agente non ha bisogno di ricordare cosa ha mangiato a colazione tre settimane fa.
### Livello 2: Memoria a lungo termine curata (MEMORY.md)
Questa è la conoscenza distillata dell'agente — lezioni apprese, preferenze scoperte, [workflow](https://www.contextstudios.ai/it/blog/costruisci-i-tuoi-workflow-ia-skills-cron-job-e-strumenti-mcp-personalizzati-in-openclaw) raffinati. A differenza dei log giornalieri, questo file è attivamente mantenuto. L'agente rivede periodicamente i log giornalieri recenti e promuove le intuizioni importanti qui.
```markdown
# MEMORY.md
## Regole di contenuto chiave
1. Le immagini di copertina DEVONO essere specifiche all'argomento dell'articolo
2. TUTTI i post social DEVONO includere l'immagine di copertina
3. LinkedIn: NIENTE hashtag (morti dal 2024)
4. X/Twitter: STRETTAMENTE 280 caratteri massimo
...
```text
**Cosa ci va:** Regole, preferenze, persone, contesto del progetto, lezioni da incidenti. Questa è la memoria a lungo termine dell'agente — curata, non scaricata.
**Manutenzione:** L'agente la rivede e aggiorna durante i periodi tranquilli (heartbeat). Le vecchie regole vengono potate, i nuovi pattern vengono aggiunti.
### Livello 3: Istruzioni auto-miglioranti (L'ingrediente segreto)
Qui diventa interessante. Abbiamo un file dedicato — `content-rules-learned.md` — che cattura ogni feedback e lo trasforma in una regola permanente:
```markdown
# Regole di contenuto — Apprese dal feedback
## Immagini & Visuale
- [2026-02-09] Le immagini di copertina DEVONO essere specifiche all'argomento.
Niente tubi/frecce/forme astratte generiche.
- [2026-02-06] TUTTI i post social DEVONO includere l'immagine di copertina.
- [2026-02-13] Il logo CS deve SEMPRE essere corretto nelle infografiche —
PNG base64 incorporato, niente CDN, niente percorsi relativi.
## Social Media
- [2026-02-13] Rispondere SOLO a tweet < 1 ora
- [2026-02-13] RUOTARE gli account target — non continuare a colpire gli stessi
```text
Ogni regola ha una data e una categoria. Il sistema è semplicissimo: uno script bash che aggiunge regole al file.
```bash
#!/bin/bash
# update-content-rules.sh
RULE="$1"
CATEGORY="$2"
DATE=$(date +%Y-%m-%d)
FILE="$HOME/agent/memory/content-rules-learned.md"
echo "- [$DATE] $RULE" >> "$FILE"
echo "Regola aggiunta a $CATEGORY: $RULE"
```text
## Il loop di feedback in azione
Ecco cosa succede quando Mike dà un feedback:
1. **Mike dice:** "L'immagine di copertina è troppo generica — dovrebbe mostrare componenti UI reali, non forme astratte"
2. **L'agente cattura la regola:** Esegue `update-content-rules.sh "Le immagini di copertina DEVONO essere specifiche all'argomento dell'articolo. Niente tubi/frecce/forme astratte generiche." images`
3. **La regola è persistita:** Aggiunta a `content-rules-learned.md` con la data di oggi
4. **Prossimo run del pipeline:** Il cron job legge `content-rules-learned.md` prima di generare qualsiasi contenuto
5. **La regola è applicata:** Tutte le future immagini di copertina sono specifiche al tema
Il ciclo feedback → regola → applicazione è completamente automatizzato. Mike corregge una volta, e il sistema se lo ricorda per sempre.
## I Cron Job: Il livello di esecuzione autonoma
L'auto-apprendimento non significa nulla se l'agente gira solo quando gli parli. Il nostro sistema usa cron job pianificati che si eseguono autonomamente:
```json
{
"name": "blog-topic-proposals",
"schedule": { "kind": "cron", "expr": "0 6 * * *", "tz": "Europe/Berlin" },
"sessionTarget": "isolated",
"payload": {
"kind": "agentTurn",
"message": "Leggi content-rules-learned.md. Segui TUTTE le regole. Esegui il pipeline blog completo..."
}
}
```text
Decisioni di design chiave:
- **Sessioni isolate:** Ogni cron job gira nella propria sessione, impedendo agli errori di corrompere la conversazione principale
- **Regole caricate all'avvio:** Ogni run del pipeline inizia leggendo il file delle regole apprese
- **Selezione del modello:** Usiamo Claude Sonnet per i task di routine e Opus per il ragionamento complesso — mai il modello più costoso di default
- **Niente sotto-agenti dai cron:** I sotto-agenti perdono contesto e creano duplicati. Tutto resta nella sessione.
## Il sistema Daily Intel
Il nostro agente non aspetta semplicemente istruzioni. Ogni mattina alle 6:00, lancia un pipeline di raccolta intelligence multi-sorgente:
1. **GitHub Release Tracker** — controlla 20+ repository per nuove release
2. **X/Twitter Pulse** — scansiona i topic IA di tendenza dagli account chiave
3. **Ricerca web** — ultime notizie IA da fonti multiple
4. **Analisi gap interna** — cosa abbiamo già coperto?
Tutte le scoperte vengono scritte in `daily-intel.md`:
```markdown
# Daily Intel — 2026-02-15
*Generato: 06:00 CET*
*Qualità: FULL/DEGRADED/WEB-ONLY*
## Breaking / Hot (ultime 24h)
- [Anthropic](https://www.contextstudios.ai/it/blog/claude-sonnet-5-fennec-tutto-quello-che-sappiamo-sul-prossimo-modello-di-anthropic "[Claude Sonnet 5](https://www.contextstudios.ai/it/blog/claude-sonnet-5-fennec-tutto-quello-che-sappiamo-sul-prossimo-modello-di-anthropic) Fennec: Tutto quello che sappiamo sul prossimo modello di Anthropic") chiude Series G da $30B a valutazione di $380B 🔥🔥🔥🔥🔥
## Topic di tendenza
- Esodo della sicurezza IA da entrambi i grandi laboratori
## Spunti di conversazione
- "La vera storia non sono i $30B — è che il capo del team sicurezza si è dimesso nella stessa settimana"
```text
Questo file alimenta ogni job a valle — proposte blog, round di engagement social, commenti LinkedIn. Un passaggio di intelligence, molti consumatori.
## Gestione errori anti-fragile
I sistemi falliscono. Le API vanno in timeout. I rate limit scattano. La nostra architettura gestisce questo attraverso diversi meccanismi:
**Protocollo di deduplicazione:** Prima di postare ovunque, l'agente controlla `posting-log.md`. Se il contenuto esiste già per questo argomento + piattaforma + data: saltare. Mai duplicati.
```bash
# Prima di ogni post social
grep -i "topic-keyword" ~/agent/memory/posting-log.md | tail -5
```text
**Tracking dello stato:** `engagement-state.json` traccia i conteggi delle azioni giornaliere per piattaforma, indicizzati per data. Nessuna logica di reset necessaria — le vecchie date vengono semplicemente ignorate.
```json
{
"2026-02-14": {
"replies_contextstudios": 5,
"replies_contextmike": 3,
"linkedin_comments": 4
}
}
```text
**Degradazione graziosa:** Quando il pulse X/Twitter fallisce, il sistema passa ai pesi di scoring "DEGRADED" — riducendo il peso della velocità X dal 30% al 15% e compensando con la recenza. Il pipeline continua, solo con confidenza aggiustata.
## Risultati reali
Questo sistema è in [produzione](https://www.contextstudios.ai/it/blog/la-guida-completa-a-openclaw-come-utilizziamo-un-agente-ia-in-produzione-2026 "La guida completa a OpenClaw: Come utilizziamo un agente IA in produzione (2026)") dalla fine di gennaio 2026. Alcuni numeri:
- **200+ articoli di blog pubblicati** in 4 lingue
- **500.000+ parole totali** generate e pubblicate
- **Cadenza di pubblicazione giornaliera** mantenuta senza intervento manuale
- **Le regole di contenuto crescono organicamente** — 25+ regole apprese e continuano ad aumentare
- **Zero post duplicati** dall'implementazione del protocollo di deduplicazione
- **Le impressioni LinkedIn** crescono costantemente settimana dopo settimana
L'aspetto auto-apprendente è il differenziatore. Ogni feedback rende il sistema permanentemente migliore. L'agente che gira oggi è misurabilmente più intelligente di quello di due settimane fa — non perché abbiamo aggiornato il modello, ma perché ha imparato dai suoi errori.
## Come costruire il tuo
Non hai bisogno del nostro stack esatto. I principi sono trasferibili:
### 1. Scegli i tuoi file di memoria
Come minimo, ti servono:
- **Log giornalieri** — cosa è successo oggi (effimeri)
- **Memoria a lungo termine** — regole e contesto curati (persistenti)
- **Regole apprese** — feedback categorizzato (solo aggiunta)
### 2. Costruisci lo script di cattura del feedback
```bash
#!/bin/bash
# Semplice ma efficace
RULE="$1"
CATEGORY="${2:-general}"
DATE=$(date +%Y-%m-%d)
FILE="./memory/content-rules-learned.md"
# Aggiungere sotto l'header della categoria giusta
if grep -q "## $CATEGORY" "$FILE"; then
sed -i '' "/## $CATEGORY/a\\
- [$DATE] $RULE" "$FILE"
else
echo -e "\n## $CATEGORY\n- [$DATE] $RULE" >> "$FILE"
fi
```text
### 3. Collegalo ai tuoi prompt
Ogni sessione dell'agente e cron job dovrebbe iniziare con:
```text
Leggi memory/content-rules-learned.md — segui TUTTE le regole.
Leggi MEMORY.md — applica tutto il contesto.
```text
### 4. Pianifica esecuzioni autonome
Usa cron job (o lo scheduler integrato di OpenClaw) per far girare il tuo agente secondo un programma. Ogni esecuzione legge le ultime regole, esegue i task e registra i risultati.
### 5. Aggiungi deduplicazione e tracking dello stato
Prima di qualsiasi azione esterna (postare, inviare, pubblicare):
1. Controlla il file di log per voci esistenti
2. Se trovato: saltare
3. Se non trovato: eseguire e registrare immediatamente
### 6. Rivedi e pota
Periodicamente (noi lo facciamo durante i heartbeat poll):
- Rivedere i log giornalieri per insight promuovibili
- Aggiornare la memoria a lungo termine con nuovi pattern
- Rimuovere regole obsolete che non si applicano più
- Controllare regole contradditorie
## Cosa viene dopo
Stiamo lavorando su diversi miglioramenti:
- **Test A/B automatizzati** — l'agente testa diversi stili di engagement e traccia quali ottengono più risposte
- **Apprendimento cross-pipeline** — regole apprese dal feedback blog applicate ai social media e viceversa
- **Loop di feedback quantificati** — tracciare non solo "quale regola è stata aggiunta" ma "quale impatto ha avuto"
L'obiettivo non è un agente perfetto. È un agente che migliora misurabilmente ogni giorno senza che tu debba riscrivere i prompt. Costruisci il loop di feedback, e il sistema si occupa del resto.
---
*Usiamo questa architettura presso Context Studios per gestire l'intera operazione di contenuti. Se stai costruendo qualcosa di simile, ci piacerebbe sentire il tuo approccio — contattaci su [X](https://x.com/_contextstudios) o [LinkedIn](https://www.linkedin.com/company/context-studios-ai).*