Studio di caso: 77% delle entità perse — poi 100% recuperate

Quando una conversazione LLM supera la finestra di contesto, le piattaforme la riassumono — e perdono informazioni. L'abbiamo misurato nel nostro ambiente di produzione multi-agente: la compattazione standard ha fatto perdere il 77% delle entità nominate (persone, decisioni, strumenti, date). Quando gli è stato chiesto di un'integrazione di elaborazione pagamenti discussa 90 minuti prima, l'agente ha risposto "Non lo so".

Abbiamo sostituito la compattazione con un'architettura di recupero a tre livelli su memoria strutturata: le entità vengono mantenute nella loro interezza e l'agente recupera esattamente ciò che il turno corrente richiede, su richiesta.

Il risultato, misurato su oltre 16.000 messaggi su due istanze di agenti di produzione: recupero del 100% delle decisioni precedenti (contro il 43% senza), mentre una sessione di 46 MB si comprime in 35 kB di contesto di lavoro — una riduzione del 99,94% del carico di token. La conclusione del paper pubblicato rimane valida: non pagare per un modello migliore, paga per una memoria migliore.

La metodologia completa, inclusa una revisione di 27 recenti paper di gruppi di ricerca occidentali, cinesi, coreani e giapponesi, è pubblicata come articolo aperto da GLG, a.s. (marzo 2026) — inclusi le edizioni coreana e cinese.