La maggior parte dei prodotti di IA sostiene di «ricordarsi di te». Di solito intende che la finestra di conversazione corrente non è ancora scorsa via. Appena chiudi la scheda, il modello non ha idea di chi tu sia. Rispieghi il tuo stack, le tue preferenze e i tuoi vincoli da zero ogni volta.
La memoria a lungo termine di ToRun è un meccanismo completamente diverso. Questo articolo descrive cosa conserva, come viene assemblata a ogni turno e cosa puoi farci.
Cosa viene conservato, e perché
La memoria in ToRun è un insieme di fatti duraturi estratti dalle tue conversazioni. Pensali come note strutturate — non uno scarico della trascrizione, ma osservazioni discrete: preferisci risposte concise, il tuo progetto usa MongoDB, lavori in TypeScript, hai una formazione in apprendimento automatico, vuoi esempi di codice in uno stile specifico.
I fatti sono indipendenti dalla lingua. Se scrivi in turco per tre sessioni e in inglese per dieci, il sistema di memoria non si frammenta in silos linguistici. Una normalizzazione attenta a Unicode (decomposizione NFKD, rimozione dei diacritici, ripiegamento delle maiuscole) fa sì che un fatto inserito in una lingua emerga quando interroghi in un'altra. Conta in pratica: una piattaforma in 29 lingue non può permettersi una memoria che funzioni bene solo per chi parla inglese.
Nuovi fatti possono essere aggiunti automaticamente, quando il modello rileva un'informazione duratura, oppure puoi affermarli esplicitamente («ricorda che distribuisco su Azure»). Nessuna delle due vie ti viene nascosta.
Come la memoria diventa contesto alla chiamata
Ogni turno di chat in ToRun assembla tre strati di contesto prima che il prompt raggiunga un modello:
- Strato di sistema — istruzioni a livello di prodotto, ruolo e stile dell'assistente, istruzioni attive della base di conoscenza.
- Strato di riepilogo — una rappresentazione compressa della conversazione fino a quel punto, gestita automaticamente perché i thread lunghi non esauriscano la finestra di contesto del modello.
- Strato recente — gli ultimi N turni testuali, con peso maggiore su ciò che hai appena detto.
La memoria a lungo termine si inserisce nello strato di sistema. Il passo di recupero viene eseguito sui tuoi fatti memorizzati usando un segnale di pertinenza dal messaggio corrente: se chiedi dell'indicizzazione di database, emergono i fatti sulle preferenze MongoDB; se passi al design, si ritirano. Il modello vede solo ciò che è pertinente al turno corrente, non uno scarico piatto di ogni fatto che hai generato. Così la finestra di contesto è usata in modo efficiente e si evita il «gonfiore di memoria», dove dettagli personali irrilevanti diluiscono il segnale.
I budget di contesto dipendono dal livello — il livello gratuito riceve 16K token di contesto totale, salendo attraverso i piani fino a 1M di token in Enterprise. Quando il contesto assemblato (memoria + riepilogo + turni recenti) supera la finestra del modello, ToRun taglia prima lo strato di riepilogo, e non scarta mai in silenzio i tuoi messaggi più recenti o i fatti di memoria più pertinenti.
I fatti sono tuoi, i fatti li controlli tu
La memoria appartiene a chi la usa. Puoi elencare tutto ciò che ToRun ha memorizzato su di te ed eliminare singoli elementi o tutto. Non esiste una memoria «segreta» che influenzi le tue conversazioni a tua insaputa. L'archivio dei fatti è ispezionabile e dimenticabile su richiesta.
Questa scelta discende da un principio più ampio: ToRun deve mostrarti il suo stato reale, non nasconderlo. Una memoria trasparente significa che puoi fidartene. Se il modello agisce su un fatto sbagliato — poniamo che una volta abbia registrato che preferivi spiegazioni lunghe mentre ora le vuoi concise — gli dici di dimenticarlo, e la chiamata successiva non vedrà più quel fatto.
L'eliminazione è permanente e immediata. Non c'è un periodo di grazia in cui il vecchio fatto continui a comparire.
Le basi di conoscenza non sono la memoria
La memoria conserva fatti su di te. Le basi di conoscenza ancorano le risposte ai tuoi documenti.
Quando carichi documentazione, codice o contenuti di dominio in una base di conoscenza, ToRun usa la generazione aumentata da recupero (RAG) per portare i passaggi pertinenti al momento della domanda. Il testo recuperato viene inserito accanto al contesto della conversazione, e il modello cita ciò che ha usato. È lo strumento giusto quando la domanda richiede di leggere materiale sorgente — una specifica di API, un documento legale, il tuo manuale interno — invece di ricordare una preferenza personale.
I due sistemi si combinano: un singolo turno può attingere sia ai tuoi fatti di memoria sia a un recupero da una base di conoscenza. Alimentano strati diversi dell'assemblaggio del contesto e servono scopi diversi. La memoria risponde a «chi sei e come preferisci lavorare»; la base di conoscenza risponde a «cosa dice questo documento».
Usare entrambe insieme è ciò che rende ToRun utile per flussi di lavoro reali e non solo per dimostrazioni. Le tue preferenze restano in memoria così non le ripeti; il tuo materiale sorgente resta nella base di conoscenza così le risposte poggiano su prove invece che sui dati di addestramento del modello.