# Come ridurre i token nelle conversazioni lunghe

Più una conversazione cresce, più contesto può essere inviato a ogni nuova richiesta. Riassunti, compaction e stato esterno possono tenere sotto controllo il consumo.

[Versione HTML](https://www.tokenometro.it/guide/ridurre-token-conversazioni-lunghe/)

Un progetto di YADA Digital. Metodo e limiti: https://www.tokenometro.it/metodologia/
Fonti verificate il: 2026-10-03

## Conserva lo stato, non ogni passaggio

Una conversazione lunga contiene spesso decisioni utili mescolate a tentativi abbandonati, spiegazioni ripetute e risultati intermedi. Per ridurne il peso, individua ciò che descrive lo stato attuale del lavoro. Non basta eliminare una percentuale dei messaggi: potresti togliere proprio il vincolo che rende corretta la prossima risposta.

Prepara una scheda con obiettivo, fatti confermati, scelte approvate, questioni aperte e riferimenti. Mantienila aggiornata quando una decisione cambia. Questa scheda è una proposta di organizzazione del lavoro: va adattata al progetto e verificata. Il suo valore dipende dalla fedeltà ai dati, non dalla capacità di condensare tutto in poche righe apparentemente ordinate.

## Riassumere con controlli concreti

Un buon riassunto distingue fatti da ipotesi e conserva numeri, nomi e identificatori necessari. Prima di sostituire la cronologia, confronta la sintesi con alcuni elementi critici. Se un requisito è stato modificato, scrivi quale versione vale ora invece di mantenere entrambe senza spiegazione.

Esempio: per un assistente che prepara un preventivo, conserva prodotti scelti, quantità, vincoli di consegna e aspetti ancora da confermare. Puoi omettere una prima proposta ormai scartata, ma non la ragione di un'esclusione se serve a evitare che venga ripresentata. Questo criterio riduce il testo e migliora la continuità, perché separa ciò che è attivo da ciò che appartiene alla storia del confronto.

## Recuperare i dettagli quando servono

Alcune informazioni possono restare fuori dal contesto corrente ed essere recuperate su richiesta. Invece di inviare sempre un intero archivio, seleziona i documenti pertinenti al passo successivo. Mantieni riferimenti stabili, così l'assistente o l'applicazione possono ritrovare il materiale originale quando una risposta richiede precisione.

Non sostituire però un documento con un riferimento che il sistema non può aprire. Se la tua applicazione non dispone di recupero dei file, devi includere i passaggi necessari nella richiesta. Prima di adottare questa strategia verifica il percorso completo: selezione, lettura, risposta e citazione. Una riduzione che nasconde i dati indispensabili sposta soltanto il problema al turno successivo.

## Valutare compaction e costo totale

OpenAI offre funzioni di compaction che producono uno stato compatto da riutilizzare; il relativo oggetto è opaco e va gestito secondo il contratto dell'API. Non equivale a un normale testo riassuntivo da modificare liberamente. Verifica le istruzioni dell'endpoint prima di filtrare o riscrivere gli elementi restituiti.

Misura la riduzione sull'intero flusso: eventuale costo del riassunto, richieste successive e qualità delle risposte. Una sintesi troppo frequente può aggiungere lavoro inutile; una troppo tardiva lascia crescere il contesto. Scegli il momento usando le dimensioni osservate e le fasi del compito. Dopo ogni compattazione, controlla che rimangano obiettivo e vincoli: risparmiare token ha senso soltanto se il lavoro prosegue nella direzione corretta.

## Fonti

- [OpenAI · Conversation state](https://developers.openai.com/api/docs/guides/conversation-state)
- [OpenAI · Compaction](https://developers.openai.com/api/docs/guides/compaction)

## Letture correlate

- [Cos'è la context window](https://www.tokenometro.it/guide/context-window-cose/index.md)
- [Cosa succede quando la context window è piena?](https://www.tokenometro.it/guide/context-window-piena/index.md)
- [Perché gli agenti AI consumano così tanti token?](https://www.tokenometro.it/guide/token-e-costi-agenti-ai/index.md)
