Negli ultimi due anni l’evoluzione dell’AI agentica si è concentrata soprattutto sulla capacità dei modelli di utilizzare strumenti esterni, pianificare attività e collaborare all’interno di workflow sempre più articolati. Framework come LangGraph, CrewAI, AutoGen e Semantic Kernel hanno introdotto concetti quali orchestrazione, gestione dello stato e collaborazione tra agenti, spostando l’attenzione dal singolo modello linguistico all’intera architettura applicativa.
Quando gli agenti iniziano a operare lungo processi distribuiti nel tempo emerge però un’altra esigenza: la memoria persistente. Un agente che lavora in un contesto enterprise non può limitarsi a elaborare il prompt ricevuto. Deve ricordare preferenze, recuperare informazioni apprese in precedenza, mantenere il contesto di attività che si sviluppano nell’arco di ore, giorni o settimane e riutilizzare l’esperienza accumulata durante l’esecuzione dei workflow. La memoria diventa così il presupposto per gestire attività di lunga durata senza dover ricostruire ogni volta il contesto operativo.
È in questo scenario che Oracle presenta Oracle AI Agent Memory, un framework open source sviluppato su Oracle AI Database. Il progetto utilizza Oracle AI Database come infrastruttura condivisa per la memoria degli agenti, anziché trattarla come un componente separato dell’applicazione.
Perché la memoria è diventata il nuovo problema dell’AI agentica
Nei chatbot tradizionali la memoria coincide quasi esclusivamente con la finestra di contesto del modello linguistico. Terminata la conversazione, gran parte delle informazioni viene persa oppure archiviata separatamente dall’applicazione.
Gli agenti AI operano secondo una logica diversa. Possono eseguire attività distribuite nell’arco di ore o giorni, collaborare con altri agenti, consultare basi documentali, interrogare sistemi aziendali e prendere decisioni sulla base di informazioni raccolte in momenti differenti.
La memoria non rappresenta quindi soltanto lo storico delle conversazioni, ma conserva conoscenza, contesto operativo ed esperienza, rendendoli nuovamente disponibili quando un agente deve affrontare attività analoghe o riprendere un processo già avviato.
Secondo Oracle, proprio questa evoluzione mette in evidenza un limite delle architetture oggi più diffuse. Le diverse forme di memoria vengono spesso distribuite tra vector database per la ricerca semantica, database documentali per cronologia e metadati, graph database per rappresentare le relazioni tra entità e database relazionali per i dati transazionali. Ne deriva un’architettura composta da componenti specializzati che devono essere sincronizzati, governati e mantenuti coerenti durante l’intero ciclo di vita dell’applicazione.
Oracle concentra la memoria nel database
Oracle AI Agent Memory si appoggia direttamente a Oracle AI Database e utilizza le funzionalità già presenti nella piattaforma per rappresentare forme di memoria differenti. Dati relazionali, documenti JSON, vettori semantici e grafi non vengono gestiti come sistemi indipendenti, ma come modelli complementari all’interno della stessa infrastruttura.
Le diverse forme di memoria vengono implementate utilizzando la struttura dati più adatta: i dati transazionali rimangono nel modello relazionale, documenti e cronologie vengono archiviati in formato JSON, la ricerca semantica sfrutta gli embedding vettoriali e le relazioni tra persone, documenti, processi e altri oggetti possono essere rappresentate attraverso i grafi.
Oracle distribuisce AI Agent Memory come framework open source per Python. Il suo compito è fornire agli agenti un’interfaccia comune per registrare, aggiornare, recuperare e gestire il ciclo di vita della memoria conservata nel database, indipendentemente dal framework agentico utilizzato. Può essere integrato con LangGraph, LlamaIndex, CrewAI e Microsoft AutoGen, che continuano invece a gestire orchestrazione, pianificazione ed esecuzione dei workflow.
Quattro tipi di memoria
Oracle AI Agent Memory distingue quattro tipi di memoria, ciascuno con un ruolo specifico nella gestione della conoscenza e del contesto degli agenti.
La working memory contiene il contesto necessario all’esecuzione del task corrente: stato della conversazione, variabili temporanee e informazioni utilizzate dall’agente durante l’attività.
La episodic memory registra gli eventi già avvenuti. Conversazioni, decisioni, risultati dei workflow e attività precedenti diventano esperienze che il sistema può recuperare quando incontra situazioni analoghe.
La semantic memory raccoglie la conoscenza stabile dell’organizzazione: documentazione tecnica, definizioni, regole di business, descrizioni di prodotti e informazioni che non dipendono da una specifica sessione di lavoro.
La procedural memory rappresenta il patrimonio operativo dell’organizzazione: procedure, workflow, sequenze di attività e modalità di esecuzione che gli agenti possono richiamare durante lo svolgimento dei processi.
Come il database rappresenta la memoria degli agenti
La proposta di Oracle si basa sulla convergenza di funzionalità già presenti nel database. Ogni forma di memoria utilizza il modello dati più adatto, senza richiedere motori esterni dedicati.
Le informazioni strutturate, come identità degli utenti, preferenze, configurazioni e dati applicativi, rimangono nelle tabelle relazionali. I contenuti semi-strutturati, comprese conversazioni, metadati e cronologie, vengono archiviati come documenti JSON. La ricerca semantica utilizza Oracle AI Vector Search, che memorizza gli embedding e individua i contenuti più pertinenti attraverso il confronto vettoriale. Le relazioni tra persone, documenti, processi e altri oggetti vengono invece rappresentate mediante Property Graph, già integrato nel database.
La memoria di un agente non coincide quindi con un singolo archivio, ma nasce dalla combinazione di questi diversi modelli. Durante un’interazione il sistema può recuperare un documento semanticamente simile, seguire le relazioni presenti nel grafo e consultare dati strutturati nelle tabelle relazionali, senza dover trasferire le informazioni tra sistemi differenti.
Secondo Oracle, questa architettura riduce uno dei problemi ricorrenti nelle implementazioni enterprise dell’AI agentica: la proliferazione di piattaforme specializzate, ciascuna dedicata a una diversa funzione della memoria. Il database diventa così l’infrastruttura nella quale convivono ricerca vettoriale, dati operativi, documenti e grafi di conoscenza, utilizzando gli stessi meccanismi di sicurezza, controllo degli accessi e amministrazione già applicati al resto del patrimonio informativo aziendale.
Una memoria condivisa tra più agenti
Nell’architettura descritta da Oracle la memoria non appartiene al singolo agente. Le informazioni raccolte durante un’interazione vengono archiviate nel database e possono essere recuperate da altri agenti autorizzati, indipendentemente dal workflow che le ha generate. La conoscenza diventa così un patrimonio condiviso del sistema, anziché rimanere legata alla singola istanza applicativa.
Questo modello si differenzia dalle implementazioni nelle quali ogni agente mantiene una propria cronologia o un proprio archivio di contesto. Centralizzando la memoria nel database, più agenti possono accedere alle stesse informazioni, aggiornarle e riutilizzarle nello svolgimento di attività differenti.
In un processo aziendale, ad esempio, un agente dedicato all’assistenza clienti può registrare le informazioni emerse durante una conversazione; un secondo agente può utilizzarle per predisporre una pratica amministrativa, mentre un terzo può analizzarle nell’ambito di attività di compliance o monitoraggio. La memoria continua così a evolvere anche quando cambia l’agente coinvolto nel workflow.
La stessa infrastruttura estende inoltre alla memoria degli agenti i meccanismi di sicurezza già utilizzati per i dati aziendali. Controllo degli accessi, auditing, autorizzazioni e politiche di governance vengono applicati sia ai dati operativi sia alla conoscenza costruita dagli agenti nel tempo.
Un tassello della strategia Oracle per l’AI Database
Oracle AI Agent Memory si inserisce nell’evoluzione di Oracle AI Database, che negli ultimi anni ha progressivamente integrato funzionalità dedicate all’intelligenza artificiale direttamente nella piattaforma Oracle Database. Tra queste figurano AI Vector Search per la gestione dei dati vettoriali, il supporto ai documenti JSON, Property Graph e gli strumenti di machine learning eseguibili in prossimità dei dati.
Oracle AI Agent Memory è inoltre integrato con Oracle AI Database Private Agent Factory, la piattaforma con cui Oracle sviluppa e distribuisce agenti AI per applicazioni enterprise. Il framework può essere utilizzato anche in combinazione con altri ecosistemi agentici, mantenendo Oracle AI Database come infrastruttura condivisa per la memoria.
Il framework utilizza queste capacità come componenti di un’infrastruttura di memoria per gli agenti AI. La ricerca semantica recupera le informazioni in base al significato, i documenti JSON conservano conversazioni e metadati, il grafo rappresenta le relazioni tra persone, documenti e processi, mentre il modello relazionale continua a gestire i dati transazionali.
L’annuncio riflette anche un’evoluzione più ampia delle architetture di AI enterprise. Dopo una prima fase incentrata soprattutto sui modelli linguistici, i sistemi agentici richiedono componenti dedicati alla gestione dello stato, dell’orchestrazione, della memoria e della governance. Oracle affronta questo scenario estendendo il ruolo del database anche alla gestione della memoria degli agenti, integrandola nella stessa piattaforma che ospita i dati aziendali.
Una convergenza che rafforza anche il ruolo del database
Concentrando nello stesso sistema dati relazionali, documenti, vettori e grafi, Oracle riduce la necessità di integrare componenti specializzati differenti. La memoria degli agenti viene costruita utilizzando le funzionalità native del database e rimane disponibile ai diversi workflow che operano sulla piattaforma.
Questa scelta modifica anche il rapporto tra applicazione AI e infrastruttura dati. La memoria continua a essere rappresentata da dati esportabili: tabelle relazionali, documenti JSON ed embedding possono essere trasferiti verso altre piattaforme. La complessità aumenta però quando l’applicazione utilizza Oracle AI Database non come semplice archivio, ma anche per funzioni come l’indicizzazione vettoriale, la gestione dei grafi di conoscenza, le query semantiche e i meccanismi di recupero della memoria previsti dal framework. In questo scenario il trasferimento dei dati rappresenta soltanto una parte della migrazione: occorre riprodurre anche il comportamento con cui la memoria viene organizzata, interrogata e condivisa tra gli agenti.
Questo rappresenta il tradizionale compromesso tra integrazione e portabilità. L’integrazione delle diverse forme di memoria nella stessa piattaforma semplifica l’architettura, concentra nello stesso sistema sicurezza, governance e amministrazione e riduce il numero di componenti da mantenere. Allo stesso tempo aumenta il peso del database nell’architettura applicativa, perché una parte crescente delle funzionalità dell’AI agentica viene realizzata direttamente all’interno della piattaforma dati. La visione di Oracle è che la memoria degli agenti diventi un nuovo system of record delle applicazioni enterprise: non più un insieme di informazioni distribuite tra componenti diversi, ma un patrimonio persistente registrato, organizzato, governato e condiviso all’interno del database.
