---
title: "AgentMemory: Memoria Persistente per i Tuoi Agenti AI di Coding"
date: "2026-06-05"
category: "Intelligenza Artificiale"
tags: ["ai", "coding", "mcp", "produttività", "sviluppo"]
author: "Giuseppe Carruezzo"
description: "Scopri AgentMemory: il sistema per dare memoria a lungo termine agli agenti AI, ridurre il consumo di token e ottimizzare il workflow di programmazione."
source: "https://ainsights.it/blog/agentmemory-memoria-persistente-agenti-ai"
---

# AgentMemory: Memoria Persistente per i Tuoi Agenti AI di Coding

![AgentMemory: Memoria Persistente per i Tuoi Agenti AI di Coding](/blogai/backend/uploads/6a23547f7aea1.webp)

AgentMemory è un motore di memoria persistente progettato per gli agenti di coding AI, capace di eliminare la necessità di rispiegare architetture e preferenze a ogni nuova sessione. Costruito sul motore iii, si integra con strumenti come Claude Code, GitHub Copilot CLI e Cursor, riducendo il consumo di token fino al 92%.

![agentmemory — Persistent memory for AI coding agents](/blogai/backend/uploads/6a23547fe2fc5.webp)

AgentMemory fornisce una memoria a lungo termine per gli assistenti di programmazione AI.

## Installazione e Avvio Rapido

AgentMemory può essere installato globalmente tramite npm o eseguito direttamente con npx. Il sistema richiede il motore **iii-engine**, un runtime leggero per l'esecuzione di funzioni e la gestione dello stato degli agenti AI.

```shell
# Installazione globale
npm install -g @agentmemory/agentmemory

# Avvia il server di memoria sulla porta :3111
agentmemory

# In un altro terminale, carica dati di esempio per testare il richiamo (recall)
agentmemory demo

# Collega l'agente specifico (es. Claude Code)
agentmemory connect claude-code

# Installa le "skills" native per istruire l'agante su quando usare la memoria
npx skills add rohitg00/agentmemory -y
```

Se utilizzi `npx`, assicurati di forzare l'ultima versione con `npx -y @agentmemory/agentmemory@latest` per evitare di eseguire versioni obsolete memorizzate nella cache locale.

## Compatibilità con gli Agenti AI

AgentMemory è agnostico rispetto alla piattaforma e funziona con qualsiasi client che supporti il protocollo **MCP** (Model Context Protocol — uno standard aperto per connettere modelli AI a sorgenti dati esterne) o le API REST.

| Agente | Tipo di Integrazione | Configurazione |
| --- | --- | --- |
| **Claude Code** | Plugin nativo + 12 hook + MCP | `~/.claude.json` |
| **Cursor / Windsurf** | Server MCP | Impostazioni MCP nell'IDE |
| **GitHub Copilot CLI** | MCP + Plugin hook | `~/.copilot/mcp-config.json` |
| **Cline / Roo Code** | Server MCP | Settings UI -> MCP Servers |

![Works with every agent](https://github.com/rohitg00/agentmemory/raw/main/assets/tags/section-agents.svg)

L'ecosistema di agenti supportati da AgentMemory è in continua espansione.

## Perché AgentMemory è necessario

Ogni volta che termini una sessione di chat con un assistente AI, l'agente "dimentica" tutto. Nella sessione successiva, sprechi i primi minuti a rispiegare lo stack tecnologico, le scelte architetturali (es. "uso _jose_ invece di _jsonwebtoken_ per compatibilità con Edge") e i bug già risolti. I file di memoria integrati (come `CLAUDE.md`) hanno limiti di circa 200 righe e diventano presto obsoleti.

AgentMemory risolve questo problema catturando silenziosamente le azioni dell'agente, comprimendole in memorie strutturate e iniettando il contesto pertinente solo quando serve, basandosi sulla pertinenza semantica.

## Benchmark e Performance

L'efficacia di un sistema di memoria si misura nell'accuratezza del recupero (retrieval) e nel risparmio di risorse.

> _\[Grafico interattivo — visibile nella versione web dell'articolo\]_

Nel benchmark **LongMemEval-S** (presentato a ICLR 2025), AgentMemory ha ottenuto risultati d'eccellenza:

-   **R@5 (Recupero top 5):** 95,2%
-   **R@10:** 98,6%
-   **MRR (Mean Reciprocal Rank):** 88,2%

## Come Funziona: La Pipeline della Memoria

AgentMemory non si limita a salvare testo. Segue un processo di consolidamento ispirato al cervello umano, dividendo la memoria in quattro livelli: operativa (short-term), episodica (riassunti di sessione), semantica (fatti e pattern) e procedurale (workflow).

```mermaid
flowchart TD
  A[Azione Agente] --> B[Hook Post-Tool]
  B --> C{Filtro Privacy}
  C --> D[Compressione LLM]
  D --> E[Embedding Vettoriale]
  E --> F[(Database BM25 + Vector)]
  F --> G[Consolidamento Notturno]
  G --> H[Graph Knowledge Extraction]
```

Il sistema utilizza una **Ricerca Ibrida** che combina tre segnali:

1.  **BM25:** Ricerca per parole chiave (keyword matching).
2.  **Vector:** Somiglianza semantica tramite calcolo vettoriale.
3.  **Graph:** Attraversamento del grafo della conoscenza per trovare entità correlate.

![agentmemory demo](/blogai/backend/uploads/6a23548172028.webp)

Dimostrazione in tempo reale della cattura e del richiamo della memoria.

## Configurazione e Provider LLM

Per impostazione predefinita, AgentMemory non effettua chiamate LLM esterne. Per abilitare la compressione intelligente e i riassunti, è necessario configurare un provider tramite il file `~/.agentmemory/.env`.

AgentMemory supporta **modelli locali** tramite Ollama, LM Studio o vLLM. Questo permette di gestire la memoria a costo zero e con totale privacy dei dati.

```dotenv
# Esempio configurazione per Ollama (Locale)
OPENAI_API_KEY=ollama
OPENAI_BASE_URL=http://localhost:11434/v1
OPENAI_MODEL=qwen2.5-coder:7b

# Esempio per Embedding locali (Gratuiti)
EMBEDDING_PROVIDER=local
```

### Provider Supportati

-   **Anthropic:** Claude 3.5 Sonnet (Qualità massima).
-   **Gemini:** gemini-embedding-001 (Ottimo compromesso gratuito).
-   **OpenRouter:** Accesso a DeepSeek e altri modelli economici.
-   **Voyage AI:** Modelli ottimizzati specificamente per il codice.

## Strumenti e Toolkit MCP

AgentMemory espone ben **53 strumenti** tramite MCP, permettendo all'agente non solo di leggere e scrivere memorie, ma di gestire cicli di vita complessi.

-   `memory_smart_search`: Ricerca semantica avanzata.
-   `memory_save`: Salva un'intuizione o una decisione specifica.
-   `memory_relations`: Interroga il grafo delle relazioni tra i concetti.
-   `memory_governance_delete`: Eliminazione sicura con audit trail (tracciamento delle modifiche).
-   `memory_lease`: Gestione dei blocchi per evitare conflitti in configurazioni multi-agente.

## Visualizzatore Real-Time e Console iii

AgentMemory include una dashboard web accessibile localmente per monitorare cosa l'agente sta imparando.

-   **Viewer (:3113):** Una vista "lato utente" per esplorare le sessioni, i riassunti e visualizzare il grafo della conoscenza.
-   **Console iii (:3114):** Una vista "lato tecnico" per il debug. Permette di vedere ogni traccia OpenTelemetry, ispezionare il database Key-Value e testare le funzioni manualmente.

### Verdetto

## FAQ

### AgentMemory invia i miei dati nel cloud?

Dipende dal provider scelto. Se configuri modelli locali (Ollama e Xenova), tutti i dati e gli embedding restano sulla tua macchina. Se usi Anthropic o OpenAI, i dati vengono inviati per la compressione.

### Funziona con Cursor?

Sì, basta aggiungere AgentMemory come server MCP nelle impostazioni di Cursor puntando a npx -y @agentmemory/mcp.

### Cosa succede se cambio progetto?

AgentMemory rileva automaticamente il percorso del progetto e carica solo le memorie pertinenti a quella specifica directory (namespacing).

### Posso usarlo in un team?

Sì, supporta la configurazione TEAM\_ID per condividere memorie tra diversi membri del team, mantenendo al contempo memorie private tramite USER\_ID.

## Fonti e riferimenti

1.  [Repository Ufficiale AgentMemory](https://github.com/rohitg00/agentmemory)
2.  [Documentazione iii engine](https://iii.dev/docs)
3.  [Model Context Protocol (MCP)](https://modelcontextprotocol.io)
4.  [Benchmark LongMemEval-S](https://github.com/rohitg00/agentmemory/blob/main/benchmark/LONGMEMEVAL.md)

---

*Fonte: [https://ainsights.it/blog/agentmemory-memoria-persistente-agenti-ai](https://ainsights.it/blog/agentmemory-memoria-persistente-agenti-ai)*