Un paper su arXiv dà un nome a un problema che chi usa agenti in produzione incontra ogni giorno: la gestione del contesto. Il contesto di un agente, composto da storia della conversazione, definizioni degli strumenti e output dei tool, si accumula turno dopo turno. Il costo in token cresce in modo quadratico rispetto alla lunghezza della sessione, e l’agente perde informazioni proprio quando servirebbero.

Gaurav Dadhich definisce questa disciplina Agentic Context Management (ACM) e la scompone in cinque primitive: architettura, ingestione, scoping, anticipazione e compattazione. La tesi centrale è che il contesto va trattato come un ciclo di vita. Si decide cosa ricordare, lo si struttura, si sceglie l’archivio giusto per ogni tipo di dato, si consolida e si dimentica preservando la provenienza, si anticipa cosa servirà al prossimo turno e si compatta entro un budget senza perdere ciò che conta.

Perché ti riguarda. Se hai visto un agente degradare dopo venti turni o pagato un conto API sproporzionato per una sessione che poteva chiudersi in cinque passaggi, il paper offre un quadro per capire dove si rompe. È lo stesso pattern che Anthropic pubblica tra le sue ricette interne per agenti e che il playbook Da chat chilometrica a sessione nuova ti fa applicare oggi, anche senza infrastruttura.

Nel dettaglio

Cosa c’era prima.

L’approccio dominante alla memoria degli agenti è il RAG: salvi i dati in un database vettoriale e li recuperi con una ricerca per similarità quando servono. Funziona per documenti statici, ma si rompe quando il “documento” è la conversazione stessa, che cresce e cambia a ogni turno. Il paper parte da qui: trattare la memoria come archiviazione e recupero è troppo limitato.

Il quadro proposto.

ACM tratta il contesto come un ciclo di vita con cinque fasi:

1. Architettura: decidere la struttura della memoria prima di iniziare. Quali tipi di dato vanno dove (storia breve in contesto, fatti consolidati in uno store strutturato, output grezzi in un archivio separato).
2. Ingestione: estrarre e strutturare ciò che vale la pena ricordare, anziché salvare tutto.
3. Scoping: filtrare per rilevanza e per ambito organizzativo. Un agente in produzione serve una gerarchia di scope (personale, team, organizzazione), perché il contesto rilevante per un utente può essere inutile o dannoso per un altro.
4. Anticipazione: prevedere cosa servirà al prossimo turno e prepararne il recupero, anziché aspettare la richiesta esplicita.
5. Compattazione: ridurre il contesto a un budget prefissato senza perdere ciò che conta. È la fase più delicata, perché qui si gioca il compromesso fra costo e accuratezza.

Il caso economico.

L’argomento più utile del paper è la matematica del costo. Se accumuli contesto senza gestirlo, il costo in token cresce quadraticamente: ogni turno rilegge tutta la storia. Se riassumi brutalmente a fine turno, il costo diventa lineare ma l’accuratezza crolla oltre un certo punto, quello che il paper chiama accuracy cliff. La compattazione validata, invece, mantiene il costo lineare e preserva la fedeltà, perché sceglie cosa comprimere in base a ciò che serve davvero.

Per chi non costruisce infrastruttura, la lezione pratica è semplice: ogni tanto devi compattare il contesto di un agente, ma con criterio. Un riassunto cieco taglia tutto allo stesso modo e perde i dettagli che contano.

I numeri.

L’implementazione di riferimento, Maximem Synap, segna 92% su LongMemEval e 93,2% su LoCoMo (dati dichiarati nel paper, sezione 6, luglio 2026). Sono benchmark di memoria lunga che valutano se un agente ricorda informazioni attraversando conversazioni estese. I numeri sono dell’autore, su configurazioni specifiche. Il codice e i dati di valutazione sono linkati nel paper, ma una replica indipendente non è ancora disponibile.

Limiti.

Il paper è una proposta di quadro, con un reference implementation a supporto. I benchmark misurano accuratezza di richiamo, ma il paper stesso segnala cosa i benchmark attuali non catturano: latenza, efficienza dei token e resistenza al degrado del contesto nel tempo. Il salto fra un’implementazione di riferimento e un sistema multi-tenant in produzione è grande, e il paper lo riconosce. Per chi legge, il valore principale sta nel vocabolario e nel quadro: avere un nome per le cinque fasi aiuta a ragionare su dove il proprio agente si rompe, anche senza implementare Maximem Synap.