Come possono coesistere la memoria condivisa e quella personale in un agente IA familiare?
La memoria condivisa e quella personale possono coesistere in un unico agente IA familiare quando la memoria viene modellata come un insieme di record con ambiti, proprietari e regole di accesso espliciti, anziché come un'unica trascrizione o raccolta di vettori dell'intera famiglia.
Il problema architetturale non è stabilire se più persone possano interrogare lo stesso modello. È capire se la pipeline della memoria sia in grado di distinguere, al momento della scrittura, un'informazione familiare da una preferenza privata, mantenere tale distinzione nell'archiviazione, applicarla durante il recupero e rimuoverla o sostituirla senza modificare lo stato di un'altra persona.
La memoria familiare ha bisogno di più di un ambito
Un design efficace separa almeno la memoria personale, la memoria familiare condivisa intenzionalmente e lo stato di sessione temporaneo. “Il modello della lavatrice è X” può appartenere all'ambito familiare, mentre “Preferisco che in camera ci siano 19 °C” dovrebbe normalmente restare associato alla persona che lo ha espresso. Le ipotesi della sessione non dovrebbero trasformarsi silenziosamente in uno degli ambiti persistenti.
Uno studio del 2026 su un sistema di memoria multiutente descrive configurazioni di memoria private, condivise e governate, invece di trattare la memoria multiutente come un unico archivio indifferenziato. La principale implicazione progettuale per un agente domestico è che la condivisione sia una decisione politica associata a una memoria, non un effetto collaterale del fatto che più utenti puntino allo stesso database.
Il confine dell'ambito dovrebbe essere applicato prima del recupero. Se il sistema recupera le memorie di tutti e chiede al modello linguistico di “ignorare quelle private”, l'isolamento è già fallito. Il modello dovrebbe ricevere solo i record che l'utente autenticato e il contesto familiare corrente sono autorizzati a utilizzare.
Proprietario, provenienza e affidabilità devono accompagnare la memoria
Una preferenza persistente dovrebbe registrare chi l'ha dichiarata, da dove proviene, se è esplicita o inferita, quando è stata osservata e se un record più recente la sostituisce. Senza informazioni sulla provenienza, un agente familiare non può distinguere un'istruzione diretta da uno schema debole dedotto dal comportamento di una sola persona.
La trattazione del 2026 di Oracle sulla memoria multi-tenant tipizzata sostiene l'uso di un'identità tenant esplicita e dell'isolamento a livello di schema, invece di affidarsi alle convenzioni del prompt. Un'implementazione domestica è più piccola, ma la stessa lezione sul modello dei dati rimane valida: gli identificatori dell'utente e della famiglia dovrebbero essere memorizzati insieme al record e applicati al di sotto del livello del prompt.
L'articolo correlato di ZimaSpace sulle preferenze familiari errate illustra cosa accade quando un comportamento inferito si consolida in una verità condivisa. L'architettura qui descritta previene questo problema rendendo esplicito il passaggio dallo stato personale o inferito alla memoria familiare.
La politica di recupero è il punto in cui la commistione delle memorie diventa generalmente visibile
Due archivi correttamente separati possono comunque divulgare informazioni l'uno nell'altro se una query di recupero omette il filtro dell'utente, una chiave della cache ignora l'identità o uno spazio dei nomi di ricerca semantica condiviso restituisce i record prima del filtraggio delle autorizzazioni. L'isolamento della memoria deve quindi seguire la richiesta durante la ricerca, il reranking, la memorizzazione nella cache e la costruzione del prompt.
Un modello di implementazione del 2026 per il recupero della memoria per utente dimostra un recupero con ambito tenant, in cui ogni utente vede il proprio stato mentre l'applicazione può continuare a utilizzare un unico servizio di memoria condiviso. Il meccanismo importante non è la libreria specifica, ma il vincolo dello spazio dei nomi di recupero a un'identità affidabile, anziché al testo fornito dal modello.
La memoria condivisa dovrebbe essere aggiunta come secondo ambito autorizzato, non come fallback quando il recupero personale non restituisce nulla. Questa distinzione impedisce che “non si conosce nulla di questo utente” diventi “usa la preferenza di qualcun altro”. Un'informazione personale mancante è più sicura di una sostituzione accidentale tra utenti.
La cancellazione e la risoluzione dei conflitti dimostrano se gli ambiti sono reali
Prima o poi, un sistema familiare deve gestire preferenze in conflitto, utenti che lasciano la famiglia, informazioni corrette e richieste di cancellazione. Se la memoria di una persona non può essere rimossa senza cancellare le conoscenze familiari condivise, oppure se un'informazione condivisa non può essere modificata senza riscrivere le cronologie private, il modello di archiviazione originale non era realmente suddiviso in ambiti.
La trattazione di WorkOS sull'autorizzazione granulare del recupero mostra perché il controllo degli accessi debba accompagnare i dati durante il recupero, invece di essere verificato solo al login. Per la memoria familiare, lo stesso punto di applicazione consente alle regole di cancellazione e visibilità per record di rimanere efficaci quando le memorie vengono trasformate in embedding o recuperate semanticamente.
Testa l'architettura con due account familiari e un account familiare condiviso. Scrivi preferenze contraddittorie, promuovi un'informazione all'ambito condiviso, revoca l'accesso di un utente, elimina il record privato di quell'utente e poi esegui query con ogni identità. Il design supera il test solo quando le informazioni condivise rimangono disponibili, le preferenze personali non passano mai da un account all'altro e la cancellazione rimuove la memoria prevista senza perdite collaterali.
Prodotti consigliati
Hub Tecnologico e AI
Altro da leggere
In che modo il downsampling delle serie temporali influisce sul rilevamento delle anomalie nelle smart home?
Scopri come la larghezza dei bucket, l'aggregazione, l'anti-aliasing, i dati mancanti, la durata degli eventi e la conservazione multiscala modificano il tasso di rilevamento...
In che modo una griglia di occupazione combina segnali deboli della casa intelligente?
Scopri come le celle spaziali, i modelli dei sensori, gli aggiornamenti log-odds, il decadimento, le evidenze correlate e le soglie trasformano i deboli segnali...
In che modo la normalizzazione fotometrica influisce sul clustering privato dei volti?
Scopri come la correzione dell’illuminazione modifica i ritagli dei volti, gli embedding, le distanze tra i cluster, le soglie, l’eccessiva normalizzazione e la valutazione...
