AI Agents Framework: la memoria di Claude in beta

Il 23 aprile 2026 Anthropic ha reso disponibile in public beta la memoria per Claude Managed Agents. Gli agenti apprendono da ogni sessione tramite uno strato di memoria ottimizzato per l'intelligenza. Questo sviluppo tocca in modo diretto chiunque progetti un AI agents framework production-grade.

Cosa cambia sul piano tecnico

La memoria per Claude Managed Agents è uno strato built-in che consente agli agenti di apprendere da ogni sessione. Anthropic la descrive come ottimizzata rispetto a benchmark interni per agenti long-running che migliorano tra una sessione e l'altra. Gli agenti condividono tra loro le informazioni acquisite.

Il dettaglio rilevante riguarda l'architettura. La memoria viene montata direttamente su un filesystem, quindi Claude usa le stesse capacità di bash e code execution che lo rendono efficace nei task agentici.

Con una memoria basata su file, i modelli salvano ricordi più completi e organizzati. Il sistema risulta più selettivo su cosa conservare per un dato task. Questa scelta riduce il rumore accumulato tra le sessioni.

Il passaggio da beta a production-ready resta aperto. Public beta indica maturità funzionale, distante dalla garanzia contrattuale di un rilascio stabile. La distinzione conta per chi valuta lo stack: uno strato di memoria in beta introduce un vincolo di roadmap sul vendor.

Portabilità e governance production-grade

La memoria è pensata per deployment enterprise. Anthropic elenca permessi con scope, audit log e controllo programmatico completo.

Gli store possono essere condivisi tra più agenti con scope di accesso differenti. Uno store org-wide risulta in sola lettura, mentre gli store per utente ammettono lettura e scrittura. Più agenti lavorano in concorrenza sullo stesso store, evitando la sovrascrittura reciproca.

I ricordi sono file esportabili e gestibili via API. Ogni modifica viene tracciata con un audit log dettagliato, che indica quale agente e quale sessione hanno prodotto il ricordo. Il developer può tornare a una versione precedente oppure oscurare contenuti dalla storia.

Gli aggiornamenti compaiono nella Claude Console come eventi di sessione. Il team traccia cosa un agente ha appreso e da dove proviene. Questa tracciabilità è il prerequisito per qualsiasi audit di sicurezza serio.

Cosa costruiscono i team

I team usano la memoria per chiudere i feedback loop e sostituire infrastrutture di retrieval custom. I casi citati da Anthropic offrono metriche concrete.

Gli agenti di Netflix trasportano il contesto tra sessioni, incluse le correzioni introdotte da un umano a metà conversazione. Gli agenti task-based di Rakuten apprendono da ogni sessione e riducono gli errori al primo passaggio del 97%, entro confini osservabili con scope sul workspace, come documenta Anthropic^[1]. Wisedocs ha costruito la pipeline di verifica documentale sui Managed Agents e accelera la verifica del 30% grazie alla memoria cross-session.

Ando costruisce la propria piattaforma di messaggistica sui Managed Agents. Questi numeri arrivano dal vendor. Restano da confermare con benchmark indipendenti prima di entrare in un business case.

Perché la standardizzazione conta

Lo strato di memoria vive dentro un ecosistema di protocolli. La mia posizione resta ferma: la standardizzazione dei protocolli come A2A e MCP diventa il vero moat competitivo nell'AI agentivo, oltre la performance dei modelli. Chi controlla il layer di comunicazione tra agenti controlla l'architettura.

La memoria basata su file di Anthropic aderisce a questa logica. I ricordi restano file leggibili e portabili, gestibili con strumenti standard. Questa scelta abbassa la barriera all'uscita dal vendor.

Un layer di memoria proprietario e opaco produrrebbe lock-in architetturale. Il formato file esportabile sposta l'equilibrio verso il cliente. Il procurement team apprezza questa proprietà in fase di negoziazione.

La root condition: la memoria è input da verificare

La root condition che questo rilascio espone riguarda la fiducia. Un ricordo persistito diventa un input per la sessione successiva. Un ricordo scritto da un agente diventa un input per un altro agente che legge lo stesso store.

Un documento recuperato da un retrieval system porta le stesse credenziali dell'utente. Questa è la mia posizione da tempo: il prompt injection resta l'attacco più sottovalutato dai team enterprise di AI. La maggior parte delle architetture RAG in produzione tratta i documenti come input fidato. Questo approccio è sbagliato.

Uno store di memoria condiviso amplifica il rischio. Un singolo ricordo avvelenato è sufficiente a orientare il comportamento di ogni agente che legge quello store. La superficie d'attacco è il layer di persistenza.

Cascade failure e circuit breaker

I sistemi multi-agente che condividono memoria richiedono circuit breaker espliciti. L'output di un agente diventa l'input del successivo. Quando quell'input passa attraverso uno store condiviso, il fallimento si propaga.

La mia posizione resta netta: una pipeline dove l'output di un agente alimenta il successivo, priva di validazione indipendente, fallisce in cascata. L'hallucination cascade è un failure mode matematico, distante dalla previsione speculativa.

L'audit log di Anthropic aiuta la diagnosi post-incidente e il rollback consente il recupero. Questi strumenti riducono il tempo di ripristino. La prevenzione richiede validazione al confine di scrittura, prima che un ricordo entri nello store condiviso. Il contesto dei rilasci recenti resta tracciabile sul canale ufficiale di Anthropic^[2].

Tre domande per l'enterprise AI team

Prima di adottare questo strato di memoria, il team affronta tre domande operative:

1. Chi valida un ricordo prima della scrittura nello store condiviso?
2. Quale scope di accesso ricevono gli store org-wide rispetto agli store per utente?
3. Quale procedura di rollback e redazione entra nel runbook di incident response?

Le risposte definiscono la security posture del deployment. Una lacuna su una qualsiasi di queste domande apre un vettore di attacco persistente.

Decisioni per il prossimo planning cycle

La memoria portabile riduce il lock-in architetturale, perché i ricordi sono file esportabili via API. Questo indebolisce l'argomento del lock-in sul layer di persistenza.

Il CTO valuta lo stack di retrieval: uno strato di memoria nativo rende ridondante parte dell'infrastruttura RAG custom. Il Head of Engineering decide quale pipeline mantenere e quale dismettere. Il CFO legge il caso Rakuten come riduzione del costo operativo, in attesa di verifica indipendente. Il Technology Procurement Committee rinegozia i contratti che assumono un layer di retrieval esterno.

Lo strato di memoria è disponibile in beta, distante dallo stato production-ready. La decisione build-versus-buy dipende dalla tolleranza al rischio di roadmap. Un vantaggio competitivo emerge per chi tratta la memoria come input controllato con validazione esplicita.