βββββββ βββββββ βββββββ ββββββββ ββββββββββββββββ ββββββ βββββββββββ βββββββ βββ βββββββ
βββββββββββββββββββββββββββββββββ βββββββββββββββββββββββββββββββββββ ββββββββ βββββββββββ
βββ βββ ββββββ βββββββββ ββββββββββββββ βββββββββββββββββββ βββββββββ ββββββ ββββ
βββ βββ ββββββ βββββββββ ββββββββββββββ βββββββββββββββββββ ββββββββββββββββ βββ
βββββββββββββββββββββββββββββββββ βββββββββββββββββββ βββββββββββββββββββββββββ βββββββββββββββ
βββββββ βββββββ βββββββ ββββββββ βββββββββββββββββββ βββββββββββββββββββββββββ βββββ βββββββ
Agente di sviluppo software autonomo con memoria persistente,
apprendimento per rinforzo e consultazione preventiva delle lezioni apprese.
βββ CONTEXT ENGINE βββ
PerchΓ© pagare per token inutili? Compressione, indicizzazione e architettura dual-LLM per ridurre i costi di ordini di grandezza
ββ Il Problema degli Altri Agenti ββ
β L'Approccio Tradizionale
β L'Approccio CodePalace
ββ Dual-LLM Architecture ββ
π§ LLM 1 β Dispatcher (Classificazione)
β‘ LLM 2 β Executor (Planning & Coding)
ββ Context Compression Pipeline ββ
Indexed Memory
Le esperienze sono indicizzate per scope e similaritΓ , non linearmente
Smart Retrieval
Il Dispatcher recupera solo le memorie rilevanti al task corrente
Dedup & Compress
Rimozione duplicati, deduplicazione contesto, compressione semantica
Minimized Prompt
L'Executor riceve solo il contesto essenziale β zero spreco
ββ PerchΓ© Costi Meno ββ
Costi Frazionati
Il classificatore locale costa frazioni di centesimo. Solo l'Executor usa il modello costoso β 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 Γ¨ 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
βββ MEMPALACE βββ
Sistema di memoria persistente strutturato in livelli
ββ Architettura Memoria ββ
ββ Memory Rooms ββ
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
ββ Memory Stack ββ
βββ REINFORCEMENT LEARNING βββ
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
ββ Reward Dimensions ββ
Correctness
Il task Γ¨ stato completato correttamente?
Progression
Il task avanza verso la soluzione?
Quality
La qualitΓ del codice prodotto Γ¨ alta?
Efficiency
Il task Γ¨ 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?
ββ Lesson Consultant ββ
Scoring Formula
score = 0.4 Γ relevance + 0.3 Γ recency + 0.3 Γ success
Pesi phase-aware: exploration privilegia recency, implementation privilegia relevance
Decision Points
Consultation Result
ββ Background Consolidator ββ
Esperienze
successful_strategies + error_patterns
LLM Analysis
Estrazione insight generalizzati
Consolidated
Salvataggio in consolidated_insights
βββ PROJECT MANAGER βββ
Gestione progetti con auto-detection e multi-phase workflow
ββ Project Context ββ
Auto-Detection
CodeEnv β 13 Safe Actions
ββ Multi-Phase Workflow ββ
Analysis
Esplorazione del task e raccolta informazioni
Planning
Pianificazione dell'approccio e degli step
Implementation Core
Implementazione della logica principale
Interactivity
Aggiunta interattivitΓ e dinamismo
Assets
Risorse statiche e media
Verification
Test e validazione del codice
Consolidation
Documentazione e consolidamento
ββ Task Classification ββ
Informational
Task informativi: spiegazioni, analisi, descrizioni
Action
Task di coding: creare, modificare, correggere
Hybrid
Misto: informazioni + implementazione
Direct
Azione immediata senza esplorazione
βββ CHAT INTERFACE βββ
Interfaccia conversazionale con contesto memoria
βββ USER PROFILES βββ
Profili utente con preferenze apprese e contesto persistente
Diego
Sviluppatore β Creatore di CodePalace
Preferenze Apprese
CodePalace Agent
Agente Autonomo β Assistente di coding
CapacitΓ
ββ Consolidated Insights ββ
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 Γ¨ essenziale per testare la logica decisionale in isolamento.
βββ CODE EDITOR βββ
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
)
β Pacchetti
Scegli il piano ideale per il tuo flusso di sviluppo
- β 1 progetto attivo
- β Test ambiente locale
- β Memoria persistente base
- β Chat con agente
- β API esterne
- β Deploy automatico
- β 1 progetto attivo
- β Uso commerciale
- β Memoria persistente
- β Chat avanzata
- β Editor completo
- β API esterne
- β 5 progetti attivi
- β 5 istanze in contemporanea
- β Freelancer / Senior Dev
- β Memoria persistente avanzata
- β Chat con contesto completo
- β Lesson Consultant avanzato
- β Deploy automatico
- β 20 progetti attivi
- β Automazione avanzata
- β Memoria illimitata
- β API esterne (GitHub, Jira)
- β Deploy multi-env
- β Supporto prioritario
- β 100 progetti
- β Software House / Agenzie
- β Team multi-utente
- β Tutte le API esterne
- β Deploy illimitato
- β Supporto dedicato 24/7
- β Custom rules & SLA
β Come Attivare la Tua Licenza
Registrati su CodePalace
Crea il tuo account gratuito con 14 giorni di prova.
Effettua il login alla dashboard
Accedi al tuo pannello di controllo personale.
Scegli un piano nella sezione Pricing
Seleziona il piano piΓΉ adatto alle tue esigenze.
Completa il pagamento su Stripe
Pagamento sicuro e protetto con crittografia.
La licenza viene attivata automaticamente
Nessuna azione richiesta β il sistema attiva la licenza in tempo reale.
Verifica la licenza nella dashboard
Controlla lo stato della tua licenza e le date di scadenza.