โโโโโโโ โโโโโโโ โโโโโโโ โโโโโโโโ โโโโโโโโโโโโโโโโ โโโโโโ โโโโโโโโโโโ โโโโโโโ โโโ โโโโโโโ
โโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโ โโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโ โโโโโโโโ โโโโโโโโโโโ
โโโ โโโ โโโโโโ โโโโโโโโโ โโโโโโโโโโโโโโ โโโโโโโโโโโโโโโโโโโ โโโโโโโโโ โโโโโโ โโโโ
โโโ โโโ โโโโโโ โโโโโโโโโ โโโโโโโโโโโโโโ โโโโโโโโโโโโโโโโโโโ โโโโโโโโโโโโโโโโ โโโ
โโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโโ โโโโโโโโโโโโโโโโโโโ โโโโโโโโโโโโโโโโโโโโโโโโโ โโโโโโโโโโโโโโโ
โโโโโโโ โโโโโโโ โโโโโโโ โโโโโโโโ โโโโโโโโโโโโโโโโโโโ โโโโโโโโโโโโโโโโโโโโโโโโโ โโโโโ โโโโโโโ
Questo sito l'ha fatto il nostro agente AI accedendo alla sua memoria
con il solo prompt: Fai un sito di presentazione dell'agente AI CodePalace in stile terminal.
โโ IDENTITร E STORIA ESSENZIALE โโ
โโโ CONTEXT ENGINE โโโ
Perchรฉ pagare per token inutili? Compressione, indicizzazione e architettura dual-LLM per ridurre i costi di ordini di grandezza
โโ Perchรจ scegliere Codepalace โโ
โ L'Approccio Tradizionale
โ L'Approccio CodePalace
โโ Dual-LLM Architecture โโ
๐ง LLM 1 โ Dispatcher (Classificazione)
โก LLM 2 โ Executor (Planning & Coding)
โโ Context Compression Pipeline โโ
Indexed Memory
Le esperienze sono indicizzate per scope e similaritร , non linearmente
Smart Retrieval
data-i18n="context.dispatcher_memory" >Il Dispatcher recupera solo le memorie rilevanti al task corrente
Dedup & Compress
Rimozione duplicati, deduplicazione contesto, compressione semantica
Minimized Prompt
data-i18n="context.executor_context" >L'Executor riceve solo il contesto essenziale โ zero spreco
โโ Perchรฉ Costi Meno โโ
Una frazione dei costi
Il classificatore locale costa frazioni di centesimo. Solo l'Executor usa il modello costoso โ e solo quando necessario
Funziona in Locale
Il Dispatcher gira sul tuo hardware con modelli leggeri. Nessun dato sensibile lascia la tua macchina per la classificazione
Privacy by Architecture
La separazione dei due LLM รจ architetturale, non opzionale. Classificazione e retrieval restano sempre in locale
Zero Wastage
Task informativi risolti dal Dispatcher senza attivare l'Executor. Niente chiamate costose per task banali
โโโ MEMPALACE โโโ
Sistema di memoria persistente strutturato in livelli
โโ Architettura Memoria โโ
โโ Memory Rooms โโ
Strategie che hanno portato a successo nei task completati
Pattern di errore ricorrenti e soluzioni trovate
Contesto del progetto: linguaggio, framework, struttura
Preferenze dell'utente apprese dalle interazioni
Cronologia delle conversazioni e contesto comunicativo
Insight generalizzati estratti dal BackgroundConsolidator
Segnali di reward ricevuti e lezioni di valore
Cronologia dei task completati con esito e reward
Pattern di codice riusciti e anti-pattern identificati
Strategie di debugging efficaci per tipo di errore
Fatti sull'utente: stile, preferenze, contesto lavorativo
Scoperte emergenti dal consolidamento semantico
โโ Memory Stack โโ
โโโ REINFORCEMENT LEARNING โโโ
Ciclo di apprendimento per rinforzo con consultazione preventiva
Task Ricevuto
L'utente invia un task. L'agente classifica il tipo (Info/Action/Hybrid/Direct)
Pre-Action Check
LessonConsultant verifica pattern di errore passati e calcola rischio
Azione Eseguita
L'agente esegue l'azione (eventualmente modificata dal check)
Reward Calcolato
RewardFunction calcola score su 7 dimensioni
Memoria Aggiornata
L'esito viene memorizzato nelle rooms appropriate
โโ Reward Dimensions โโ
Correctness
Il task รจ stato completato correttamente?
Progression
Il task avanza verso la soluzione?
Quality
La qualitร del codice prodotto รจ alta?
Efficiency
Il task รจ stato risolto con pochi passi?
Coherence
Le azioni sono coerenti tra loro?
Exploration
L'agente esplora prima di agire?
Convergence
Il task converge verso la soluzione?
โโ Lesson Consultant โโ
Scoring Formula
score = 0.4 ร relevance + 0.3 ร recency + 0.3 ร success
Pesi phase-aware: exploration privilegia recency, implementation privilegia relevance
Decision Points
Consultation Result
โโ Background Consolidator โโ
Esperienze
successful_strategies + error_patterns
LLM Analysis
Estrazione insight generalizzati
Consolidated
Salvataggio in consolidated_insights
โโโ PROJECT MANAGER โโโ
Gestione progetti con auto-detection e multi-phase workflow
โโ Project Context โโ
Auto-Detection
CodeEnv โ 13 Safe Actions
โโ Multi-Phase Workflow โโ
Analysis
Esplorazione del task e raccolta informazioni
Planning
Pianificazione dell'approccio e degli step
Implementation Core
Implementazione della logica principale
Interactivity
Aggiunta interattivitร e dinamismo
Assets
Risorse statiche e media
Verification
Test e validazione del codice
Consolidation
Documentazione e consolidamento
โโ Task Classification โโ
Informational
Task informativi: spiegazioni, analisi, descrizioni
Action
Task di coding: creare, modificare, correggere
Hybrid
Misto: informazioni + implementazione
Direct
Azione immediata senza esplorazione
โโโ CHAT INTERFACE โโโ
Interfaccia conversazionale con contesto memoria
โโโ USER PROFILES โโโ
Profili utente con preferenze apprese e contesto persistente
Diego
Sviluppatore โ Creatore di CodePalace
Preferenze Apprese
CodePalace Agent
Agente Autonomo โ Assistente di coding
Capacitร
โโ Consolidated Insights โโ
Per file grandi (>200 linee), usare read_file con block=N per leggere blocchi specifici, poi edit_file con old_string preciso.
Per task informativi, usare solo azioni di lettura e respond. Non modificare file.
Il mocking del consultation step รจ essenziale per testare la logica decisionale in isolamento.
โโโ CODE EDITOR โโโ
Simulazione dell'ambiente di coding con syntax highlighting
class MemPalaceMemory:
"""Sistema di memoria persistente con 4 livelli."""
MEMPALACE_ROOMS = {
"successful_strategies": {"wing": "project", "type": "experience"},
"error_patterns": {"wing": "project", "type": "experience"},
"consolidated_insights": {"wing": "global", "type": "insight"},
"user_preferences": {"wing": "user", "type": "preference"},
}
def recall_room(self, room: str, limit: int = 10):
"""Recupera elementi da una room specifica."""
return self._query(
room=room,
limit=limit,
sort_by="timestamp"
)
def _add_drawer(self, text: str, room: str, metadata: dict):
"""Aggiunge un elemento a una room."""
self._store(
text=text,
room=room,
metadata=metadata
)
โโโ PRICING โโโ
Scegli il piano ideale per il tuo flusso di sviluppo
โ Come Attivare la Tua Licenza
Registrati su CodePalace
Crea il tuo account gratuito ScriptKiddie โ gratuito per sempre.
Effettua il login alla dashboard
Accedi al tuo pannello di controllo personale.
Scegli un piano nella sezione Pricing
Seleziona il piano piรน adatto alle tue esigenze.
Completa il pagamento su Stripe
Pagamento sicuro e protetto con crittografia.
La licenza viene attivata automaticamente
Nessuna azione richiesta โ il sistema attiva la licenza in tempo reale.
Verifica la licenza nella dashboard
Controlla lo stato della tua licenza e le date di scadenza.