Progettazione di un'Architettura Cognitiva Local-First per Agenti LLM: Un Approccio Dual-Process per la Narrativa Interattiva

I moderni Modelli Linguistici di Grandi Dimensioni (LLM), pur mostrando eccezionali capacità generative, soffrono di limitazioni intrinseche quali, ad esempio, la "Character Amnesia", la natura stateless e una marcata reattività che ostacola il mantenimento di una coerenza narrativa e comportamentale a lungo termine. Per superare tali criticità, questa tesi presenta e valuta un’Architettura Cognitiva per agenti conversazionali, ispirata ai processi cognitivi umani, progettata per consentire a un agente di interagire con l’utente interpretando il ruolo di un personaggio e simulando memoria a lungo termine, personalità, stati emotivi e obiettivi. L’architettura è pensata per operare interamente in locale utilizzando Modelli Linguistici di Grandi Dimensioni (LLM) eseguiti su hardware consumer, al fine di eliminare la dipendenza da servizi cloud esterni, tutelare la privacy e ridurre i costi associati all’uso di API commerciali. L’architettura integra una memoria ibrida che combina l'efficienza di SQLite con la ricerca semantica vettoriale di ChromaDB. Cuore dell'architettura è un ciclo decisionale ispirato alla Dual-Process Theory, che decompone la generazione della risposta in due fasi distinte: l'Appraisal, che simula la reazione emotiva viscerale e immediata dell'agente, e la Formulation, che filtra razionalmente tale impulso per adattarlo al contesto strategico. Viene inoltre introdotto un framework di obiettivi duale (Hard vs Soft Goals) per coniugare progressione narrativa e fluidità relazionale. L’implementazione è stata valutata su sette metriche mediante un protocollo LLM-as-a-Judge. I risultati evidenziano: forte realismo psicologico e robusto completamento degli Hard Goals, accompagnati da limiti nell’integrazione informativa a lungo raggio e nella sintesi strategica in casi di elevata pressione psicologica, offrendo spunti concreti per sviluppi futuri.