TencentDB Agent Memory: dare una memoria persistente agli agenti AI (e perché riguarda anche le PMI)

Chi lavora con un assistente AI lo conosce bene: ogni nuova conversazione riparte da zero. Procedure interne, contesto di progetto, abitudini sugli strumenti, formati di output — tutto da rispiegare ogni volta. TencentDB Agent Memory nasce per chiudere questo buco.

Cosa è e chi lo ha fatto

È un sistema di memoria per agenti AI sviluppato dal team database di Tencent Cloud e rilasciato come progetto open source con licenza MIT. In pratica permette a un agente di imparare i tuoi flussi di lavoro, conservare il contesto di un'attività e riutilizzare l'esperienza passata, senza dover ricominciare a ogni sessione.

La filosofia dichiarata è netta: la memoria non serve a far "accumulare tutto" all'AI, ma a evitare che siano le persone a doversi ripetere.

Quando e dove

Il progetto è stato reso open source a maggio 2026 ed è disponibile su GitHub, dove ha già superato le 5.000 stelle (ultima versione stabile, la v0.3.6, di fine maggio 2026). Si integra con framework per agenti come OpenClaw e Hermes, ma il punto chiave è un altro: gira interamente in locale, senza dipendenze da API esterne. I dati restano sulla tua macchina.

Perché è interessante

Il problema concreto degli agenti su attività lunghe è doppio: il contesto si gonfia (e con esso il consumo di token e i costi), e la memoria si frammenta tra una sessione e l'altra. La soluzione tradizionale — riempire la finestra di contesto con tutta la cronologia, o comprimerla in un riassunto irreversibile — o costa troppo o perde informazioni.

Come funziona

L'architettura si regge su due idee.

La prima è la memoria a livelli, una piramide invece di un registro piatto: dal dialogo grezzo (L0) ai fatti atomici (L1), ai blocchi di scenario (L2), fino al profilo utente (L3). L'agente consulta prima i livelli alti e scende al dettaglio solo quando serve, mantenendo sempre un percorso tracciabile fino al dato originale.

La seconda è la memoria simbolica: nei task lunghi i log verbosi vengono spostati su file esterni, mentre nel contesto resta solo una mappa compatta in sintassi Mermaid. L'agente ragiona sulla mappa e recupera il testo completo solo quando deve verificare un dettaglio.

Quanto rende (e quanto costa)

Costa zero in licenza. Sui benchmark dichiarati, integrato con OpenClaw, riduce il consumo di token fino al 61%, migliora il tasso di successo dei task e porta l'accuratezza sul profilo utente dal 48% al 76%. Lato tecnico richiede Node 22.16 o superiore e, su OpenClaw, parte con configurazione minima e backend SQLite locale.

Casi concreti per le PMI italiane

Tradotto in scenari reali, qui sta la parte interessante per chi fa impresa.

Assistenza clienti

Un agente che ricorda lo storico di ogni cliente — ordini, problemi già segnalati, preferenze — invece di ripartire da capo a ogni ticket. Meno tempo perso, risposte più pertinenti.

Studi professionali e consulenza

Commercialisti, studi tecnici, agenzie: l'agente mantiene il contesto di ogni pratica e le procedure ricorrenti, senza che l'operatore debba reimpostare tutto a ogni richiesta.

Manifatturiero e gestionali

Per le aziende dell'Emilia-Romagna e non solo, un agente che conosce configurazioni macchina, SOP di reparto e specifiche di commessa diventa un supporto operativo che cresce con l'uso.

Dati sensibili

Il fatto che tutto resti in locale, senza inviare nulla a servizi cloud esterni, è dirimente per chi tratta dati riservati o vuole controllo pieno sulle proprie informazioni.

La tua opinione

Stiamo seguendo da vicino l'evoluzione di questi strumenti perché vediamo un impatto reale sul lavoro quotidiano delle imprese. E tu cosa ne pensi? Vedi un'applicazione possibile nella tua azienda, o hai dubbi su come integrarlo nei processi che già usi?

Scrivilo nei commenti: raccontaci il tuo caso, le tue perplessità o le domande tecniche. Se vuoi capire se una soluzione di questo tipo ha senso per la tua realtà, lascia un commento o contattaci — ne parliamo volentieri.