Tre lavori pubblicati in pochi giorni convergono sullo stesso punto: misurare cosa succede quando un agente AI migliora dai propri errori fra una sessione e l’altra. Prime Intellect rilascia Prime Agent, un harness open source dove l’agente può riscrivere i propri prompt, le proprie skill e la propria memoria durante l’esecuzione. OneDayAgent, paper del team ZJUNLP su arXiv, formalizza la persistenza cross-environment su 104 task e cinque backend diversi, con un punteggio complessivo di 0.821 su GLM-5.2. Un terzo paper, Self-Evolving Coding Agents, documenta come gli agenti di programmazione possano accumulare esperienza dai cicli di test e riparazione invece di ripartire da zero ogni volta.

Perché ti riguarda. Fino a ieri, un agente che sbagliava riceveva una correzione e al giro successivo ripartiva con la memoria vuota. Il self-improvement era speculazione da demo. Ora tre team indipendenti lo misurano con benchmark ripetibili: l’agente che sbaglia e poi ricorda ottiene punteggi migliori su task reali, non su scenari costruiti. Per chi usa agenti nel proprio lavoro, la differenza è fra ripetere ogni volta le stesse istruzioni e avere un assistente che accumula esperienza sul tuo contesto specifico.

È lo stesso territorio che esploravamo il 5 agosto con tre benchmark convergenti sulla progressione degli agenti nel tempo: la domanda allora era se un agente che ricorda diventa anche un agente che impara. Questi tre lavori portano i primi numeri concreti a quella domanda.

Nel dettaglio

Il problema di partenza è lo stesso per tutti e tre i lavori. Gli harness agentici attuali, dai coding agent ai general assistant, sono statici: prompt, skill, memoria e sub-agent vengono configurati una volta al design time e non cambiano più. Quando il modello sbaglia, corregge l’output singolo, ma l’esperienza non si accumula. La sessione successiva riparte da zero.

Prime Agent affronta il problema con due astrazioni. Il Recursive Language Model (RLM) tratta il contesto come una variabile: l’agente accede alla propria storia, ai sub-agent e agli strumenti come fossero chiamate di funzione in un kernel IPython persistente. Il Continual Harness va oltre: l’agente può creare, leggere, aggiornare e cancellare i propri prompt, le proprie skill, la propria memoria e i propri sub-agent durante l’esecuzione. Se scopre che un certo prompt funziona meglio per un tipo di task, lo riscrive da solo. È open source, installabile con uno script, e funziona con modelli frontier sia aperti sia chiusi.

OneDayAgent prende una strada più misurabile. Il team ZJUNLP ha costruito un harness per task long-horizon, cross-environment e multimodali: richieste aperte che attraversano lavoro, studio e vita quotidiana, dove l’agente deve mantenere obiettivi e vincoli attraverso molti passi e strumenti eterogenei. La valutazione su AgentIF-OneDay copre 104 task e cinque backend LLM da tre famiglie di modelli. Con GLM-5.2 come backend, OneDayAgent raggiunge 0.881 come punteggio complessivo (nuovo stato dell’arte sul benchmark). Il dato rilevante è che lo stesso harness gira su tutti e cinque i backend senza ricalibratura, anche se ogni modello induce stili di esecuzione diversi sotto lo stesso workflow.

Self-Evolving Coding Agents (paper su arXiv) documenta il caso specifico degli agenti di programmazione. Lo sviluppo software è un ambiente dinamico e ricco di feedback: i repository evolvono, le dipendenze cambiano, i test falliscono, i tentativi di riparazione lasciano esperienza riutilizzabile. L’argomento del paper è che gli agenti attuali ignorano questa esperienza per costruzione, e che raccoglierla in modo strutturato migliora le prestazioni sui task successivi.

I tre lavori si completano più di quanto divergano. Prime Agent mostra l’architettura (l’agente che riscrive se stesso), OneDayAgent porta la misurazione rigorosa su task multipli e backend multipli, Self-Evolving Coding Agents formalizza il dominio applicativo più maturo per questo approccio.

I limiti. Nessuno dei tre è un prodotto finito. Prime Agent è un harness di ricerca, pensato per chi scrive codice, non per l’utente finale. OneDayAgent ha 104 task: una cifra utile ma non ampia. I punteggi dipendono dal backend, e lo 0.821 con GLM-5.2 non significa che tutti i modelli ottengano lo stesso risultato. Self-Evolving Coding Agents resta un paper, con i numeri da verificare su repository reali e non solo su benchmark di laboratorio. Il salto da “l’agente migliora su un benchmark” a “l’agente impara sul tuo caso specifico” richiede ancora infrastruttura e tempo.

Per chi segue il filone della memoria agentica, questi lavori si collocano dove li avevamo lasciati con l’Experience Distillation di luglio: l’idea di fissare nei pesi o nello stato ciò che l’agente impara. La differenza è che ora c’è un benchmark per misurarlo.