Decadimento della memoria e garbage collection
Dimentichi periodicamente le memorie vecchie e poco pertinenti, così l'indice rimane focalizzato.
Decadimento della memoria e garbage collection è una lezione AI Agents gratuita su CoddyKit. Questa è la lezione 4 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento AI Agents, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso AI Agents include 4 lezioni in totale.
La memoria cresce senza limiti
Senza una manutenzione attiva, il suo archivio di memoria continua a crescere. Le memorie vecchie e non pertinenti compromettono il recupero e sprecano spazio di archiviazione.
La memoria ha bisogno della garbage collection, proprio come qualsiasi altra risorsa.
Perché eliminare le memorie?
- Privacy — soddisfare le richieste di cancellazione previste da GDPR/CCPA
- Rilevanza — i fatti obsoleti hanno meno probabilità di essere corretti oggi
- Costo — lo spazio di archiviazione vettoriale si accumula su larga scala
- Qualità — gli indici sovraccarichi riducono la rilevanza dei risultati di ricerca
Strategia 1: TTL
Imposti un timestamp di scadenza per ogni memoria:
ALTER TABLE semantic_facts ADD COLUMN expires_at TIMESTAMPTZ;
-- short-lived
INSERT INTO semantic_facts (..., expires_at) VALUES (..., NOW() + INTERVAL '7 days');
-- garbage collect
DELETE FROM semantic_facts WHERE expires_at < NOW();Strategia 2: decadimento basato sul tempo
Riduca il livello di confidenza con il passare del tempo: alle memorie più vecchie viene assegnata una priorità inferiore:
import math
def decayed_confidence(original, age_days, half_life_days=30):
return original * math.exp(-age_days * math.log(2) / half_life_days)
# Then retrieval filters: WHERE decayed_confidence > 0.3
for age in [0, 30, 60, 90]:
print(f"Age {age} days -> confidence {decayed_confidence(1.0, age):.3f}")
Strategia 3: decadimento basato sull'utilizzo
Le memorie che non vengono mai recuperate non sono utili: le elimini dopo un periodo di tolleranza:
ALTER TABLE semantic_facts ADD COLUMN last_used_at TIMESTAMPTZ DEFAULT NOW();
-- update on retrieval
UPDATE semantic_facts SET last_used_at = NOW() WHERE id = ANY(:retrieved_ids);
-- gc
DELETE FROM semantic_facts WHERE last_used_at < NOW() - INTERVAL '90 days';Strategia 4: limite di capacità per utente
Limiti il numero di memorie per utente; quando lo spazio è esaurito, rimuova quella utilizzata meno:
MAX_FACTS = 500
SELECT COUNT(*) FROM semantic_facts WHERE user_id = %s;
-- if > MAX_FACTS: delete oldest unusedCompattazione: unione di memorie simili
Più memorie possono esprimere lo stesso concetto in modi diversi. Le raggruppi periodicamente in cluster e le unisca:
def compact(user_id):
facts = all_facts(user_id)
clusters = cluster_by_embedding(facts, threshold=0.85)
for cluster in clusters:
merged = llm.invoke(f'Merge these into one canonical statement: {cluster}')
replace_with_merged(cluster, merged)Risoluzione delle contraddizioni
Se due memorie si contraddicono, contrassegni quella più vecchia come obsoleta:
def resolve(user_id, new_fact):
similar = retrieve(user_id, new_fact, k=5)
for s in similar:
if llm_says_contradicts(s, new_fact):
mark_obsolete(s.id)
save(new_fact)Strategia 5: ponderazione dell'importanza
Alcune memorie sono più importanti di altre. Assegni un punteggio a ciascuna:
importance_prompt = 'Rate the importance of this fact for future interactions (0-1):\n{fact}'
for fact in facts:
score = float(llm.invoke(importance_prompt.format(fact=fact)).content)
update_importance(fact.id, score)
# Retrieval: weight by importance and recencyRiepilogo in stile Letta
Letta (MemGPT) comprime la vecchia memoria d'archivio riepilogando blocchi di fatti correlati quando lo spazio di archiviazione si esaurisce:
if archival_size > LIMIT:
block = oldest_facts(50)
summary = summarise(block)
replace(block, summary)Eliminazione avviata dall'utente
Offra agli utenti un pulsante «dimenticami». Al clic:
def forget_user(user_id):
conn.execute('DELETE FROM semantic_facts WHERE user_id = %s', (user_id,))
conn.execute('DELETE FROM episodes WHERE user_id = %s', (user_id,))
vector_db.delete(filter={'user_id': user_id})Eliminazione logica e fisica
Per gli audit, preferisca l'eliminazione logica (contrassegnata come eliminata, ma conservata in forma crittografata) finché non è trascorso il periodo di conservazione; poi esegua l'eliminazione fisica:
ALTER TABLE semantic_facts ADD COLUMN deleted_at TIMESTAMPTZ;
-- queries always: WHERE deleted_at IS NULLProcessi GC pianificati
Esegua la GC secondo una pianificazione (cron, worker giornaliero). Non esegua una GC pesante inline: aggiunge latenza agli utenti:
# Daily cron at 03:00 UTC
for user_id in all_users():
decay_confidence(user_id)
delete_expired(user_id)
compact_clusters(user_id)Perché applicare il decadimento?
Perché ridurre nel tempo il livello di confidenza della memoria?
Riepilogo
TTL, decadimento, espulsione basata sull'utilizzo, limiti di capacità, compattazione, risoluzione delle contraddizioni, eliminazione avviata dall'utente. La memoria ha bisogno di un custode: ne costruisca uno.
Impara AI Agents con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 60
- Lezioni
- 239
Domande Frequenti
La lezione «Decadimento della memoria e garbage collection» è gratuita?
Sì — il testo completo di «Decadimento della memoria e garbage collection» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso AI Agents, passa a CoddyKit PRO. Il corso AI Agents include 4 lezioni in totale.
Cosa imparerò in «Decadimento della memoria e garbage collection»?
Dimentichi periodicamente le memorie vecchie e poco pertinenti, così l'indice rimane focalizzato. Eserciti AI Agents con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare AI Agents?
Non è richiesta alcuna esperienza precedente. AI Agents su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 4 di 4.
Quanto tempo richiede la lezione «Decadimento della memoria e garbage collection»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione AI Agents?
Sì. Ogni lezione AI Agents include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Memoria episodica (cronologia per sessione)
- Memoria semantica (fatti vettorializzati)
- Memoria procedurale (libreria di competenze)
- Decadimento della memoria e garbage collection