Come funzionano gli agenti IA: il modello, gli strumenti, la memoria e il ciclo di controllo

Un agente IA funziona combinando un modello con istruzioni, strumenti, memoria e un ciclo di controllo che decide ripetutamente cosa fare successivamente. Il modello fornisce capacità di giudizio e linguistiche, mentre il software circostante trasforma tali capacità in un processo con stato che può agire, ispezionare i risultati, recuperare da errori e terminare.

Comprendere questa architettura è più utile che considerare un agente come un unico oggetto intelligente. La maggior parte dei successi e dei fallimenti deriva dal modo in cui le componenti interagiscono: un modello eccellente può essere compromesso da strumenti vaghi, memoria obsoleta, permessi eccessivi o un ciclo di controllo privo di una definizione affidabile di completamento.

Le cinque parti fondamentali di un agente IA

1. il Modello

Il modello interpreta l’obiettivo, ragiona sul contesto disponibile e seleziona un’azione. In molti agenti attuali, si tratta di un grande modello linguistico capace di seguire istruzioni e produrre chiamate strutturate agli strumenti oltre al linguaggio naturale.

Il modello più potente non è automaticamente la scelta migliore per ogni fase. Un sistema può indirizzare la pianificazione complessa a un modello più forte, utilizzare un modello più veloce per la classificazione e fare affidamento su codice deterministico per la convalida. Questa combinazione può migliorare velocità, costi e affidabilità.

2. Istruzioni

Le istruzioni definiscono il ruolo, i limiti, le priorità e i requisiti di output dell’agente. Possono includere un prompt di sistema, un contesto specifico del compito, politiche, esempi, descrizioni degli strumenti e criteri di arresto.

Le buone istruzioni sono operative. Indicano all’agente quali prove sono necessarie, quando chiedere l’approvazione, quali fonti sono accettabili e come riconoscere il completamento. Regole vaghe o contraddittorie costringono il modello a indovinare, generando incoerenze tra compiti altrimenti simili.

3. Strumenti

Gli strumenti collegano il modello a capacità al di fuori del suo contesto attuale. Uno strumento può cercare sul web, recuperare un record cliente, eseguire codice, interrogare un database, controllare un browser o creare un evento di calendario.

Normalmente il modello non esegue la funzione direttamente. Sceglie uno strumento nominato e propone argomenti strutturati. L’ambiente di esecuzione dell’agente valida la richiesta, verifica i permessi, esegue l’operazione e restituisce il risultato. Questa separazione è essenziale: consente al software di rifiutare azioni malformate o non sicure prima che influenzino il mondo esterno.

4. Stato e Memoria

Lo stato è l’informazione di cui l’agente ha bisogno durante l’esecuzione corrente: l’obiettivo, la conversazione, il piano, le osservazioni, i risultati degli strumenti e i passaggi completati. La memoria estende questo concetto conservando informazioni utili al di là del contesto immediato, come preferenze precedenti, fatti ricorrenti o lezioni da compiti precedenti.

Più memoria non è sempre migliore. Record irrilevanti consumano contesto e possono indirizzare il modello verso assunzioni obsolete. I sistemi di memoria efficaci decidono cosa memorizzare, come organizzarla, quando recuperarla e come gestire informazioni conflittuali o scadute.

5. il Ciclo di Controllo

Il ciclo di controllo è lo strato di orchestrazione che mantiene il processo in movimento. Invia lo stato corrente al modello, riceve un’azione proposta, esegue gli strumenti approvati, registra l’osservazione e richiama nuovamente il modello.

Anthropic descrive un agente come un modello linguistico aumentato che opera in un ciclo con capacità come recupero, strumenti e memoria nella sua guida alla creazione di agenti efficaci. OpenAI in modo simile inquadra l’esecuzione dell’agente come un’interazione continua tra il modello, i suoi strumenti e un ambiente in From Model to Agent.

Le interfacce contano tanto quanto le componenti

Un diagramma architetturale può far apparire ogni componente separata in modo netto, ma l’affidabilità reale dipende dai contratti tra di esse. Il modello ha bisogno di descrizioni degli strumenti che distinguano capacità simili. L’ambiente di esecuzione necessita di argomenti tipizzati e stati di errore espliciti. Il recupero della memoria richiede informazioni di provenienza e freschezza. Il verificatore di completamento ha bisogno di criteri verificabili anziché di una vaga sensazione che la risposta sia sufficientemente buona.

Consideriamo uno strumento di ricerca che restituisce una lista vuota. Tale risultato può significare che non esistono record rilevanti, che la query è malformata, che l’utente non ha i permessi o che il servizio è scaduto. Se lo strumento raggruppa tutte e quattro le condizioni nello stesso output, il modello non può ragionare in modo affidabile su ciò che è accaduto. Un’interfaccia ben progettata restituisce prove strutturate: stato, fonte, timestamp, query, numero di risultati e un errore leggibile da macchina quando opportuno.

Lo stesso principio si applica al contesto. Istruzioni, record autorevoli, passaggi recuperati, note generate dal modello e contenuti esterni non attendibili non dovrebbero essere trattati come testo equivalente. Etichettare la loro fonte e autorità aiuta l’ambiente di esecuzione a far rispettare le politiche e il modello a valutare correttamente le prove. Questa è una forma pratica di ingegneria del contesto: decidere non solo quali informazioni il modello vede, ma come queste informazioni sono organizzate e cosa il sistema gli permette di controllare.

Un esempio passo‑passo

Immagina un agente a cui viene chiesto di confrontare tre potenziali fornitori e preparare una raccomandazione.

1. Riceve l’obiettivo: l’agente legge i criteri di decisione, la scadenza, il budget e l’output richiesto.
2. Ispeziona il contesto disponibile: verifica se i nomi dei fornitori, i requisiti interni e i documenti di origine sono presenti.
3. Forma un piano: decide di raccogliere prezzi, informazioni di sicurezza, termini di servizio e prove dei clienti per ciascun fornitore.
4. Seleziona uno strumento: ricerca in un archivio di documenti approvato o chiama uno strumento di ricerca esterno.
5. Osserva: l’ambiente di esecuzione restituisce risultati, inclusi eventuali errori o campi mancanti.
6. Aggiorna lo stato: l’agente registra ciò che ha appreso e segna le domande non risolte.
7. Adatta: modifica le query, consulta un’altra fonte o chiede a una persona un documento non disponibile.
8. Verifica: controlla che ogni raccomandazione sia supportata e che i confronti usino gli stessi criteri.
9. Interrompi o richiedi approvazione: produce una bozza di raccomandazione, ma lascia la decisione di acquisto alla persona autorizzata.

Il punto importante è che la sequenza non era completamente codificata. Il sistema ha selezionato i passaggi in risposta a ciò che ha trovato, ma ha comunque operato entro i limiti progettati.

La pianificazione non è sempre una fase separata

Alcuni agenti producono un piano completo prima di agire. Altri decidono un passo alla volta. Molti usano un approccio ibrido: creano un piano grezzo, eseguono l’azione successiva e revisionano il piano rimanente man mano che arrivano le osservazioni.

Piani lunghi e rigidi possono diventare obsoleti dopo il primo risultato inatteso. Gli agenti puramente reattivi possono vagare o ripetere lavoro. Un design pratico mantiene una pianificazione sufficiente a conservare la direzione, consentendo al contempo una ripianificazione quando l’ambiente cambia.

Il framework ReAct è un esempio fondamentale di intercalare ragionamento con azioni e osservazioni. La sua intuizione centrale è che un risultato esterno può correggere, affinare o reindirizzare il passo di ragionamento successivo.

Come gli agenti sanno quando fermarsi

L’arresto è un problema di progettazione del sistema. Un modello può dichiarare il successo troppo presto, continuare a perfezionare dopo che l’obiettivo è stato raggiunto, o entrare in ciclo quando uno strumento fallisce ripetutamente.

Gli agenti affidabili combinano diversi meccanismi di arresto:

• Criteri di completamento: condizioni esplicite come campi richiesti, test superati o citazioni verificate.
• Budget: limiti su passaggi, tempo, token del modello, chiamate agli strumenti o costi.
• Soglie di errore: escalation dopo fallimenti ripetuti o osservazioni a bassa confidenza.
• Gate di approvazione: una pausa prima di azioni ad alto impatto o irreversibili.
• Valutatori esterni: controlli deterministici o modelli separati che giudicano se l’output soddisfa il compito.

Architetture comuni degli agenti

Un ciclo a singolo agente è il design più semplice: un modello utilizza ripetutamente gli strumenti finché non termina. È più facile da debug e spesso sufficiente.

Un router classifica la richiesta e la invia a un prompt specializzato, a un set di strumenti o a un modello. Il routing riduce scelte irrilevanti e può applicare politiche diverse a lavori differenti.

Un’architettura orchestratore‑lavoratore consente a un agente principale di creare sotto‑compiti e delegarli ai lavoratori, per poi sintetizzare i loro risultati. Questo è utile quando il lavoro può essere eseguito in parallelo o richiede specialità diverse, ma aumenta l’uso di token e i possibili fallimenti di coordinamento.

Un ciclo valutatore‑ottimizzatore separa la generazione dalla critica. Un componente produce una risposta; un altro la verifica rispetto a criteri definiti; il primo la revisiona. Questo funziona bene quando la qualità è misurabile e il miglioramento tramite iterazione vale il costo aggiuntivo.

Cosa va solitamente storto

• Descrizioni degli strumenti scadenti: il modello sceglie la capacità sbagliata o fornisce argomenti non validi.
• Contesto illimitato: trascrizioni lunghe si riempiono di dettagli irrilevanti e seppelliscono le informazioni decisive.
• Errori silenziosi degli strumenti: un risultato vuoto o parziale è scambiato per un’osservazione valida.
• Base debole: l’agente agisce su un’assunzione invece di verificare il sistema di riferimento.
• Autonomia eccessiva: l’agente può compiere azioni consequenziali senza un adeguato limite di revisione.
• Nessuna valutazione della traiettoria: i team giudicano la risposta finale ma non ispezionano come l’agente è arrivato a essa.

Principi di progettazione per agenti affidabili

Inizia con l’architettura più piccola che possa risolvere il compito. Un flusso di lavoro deterministico dovrebbe gestire i passaggi noti; riserva la discrezione del modello per decisioni che richiedono realmente interpretazione. Assegna a ciascuno strumento uno scopo ristretto, input tipizzati, stati di errore espliciti e accesso con il minimo privilegio.

Rendi lo stato visibile. Registra ogni chiamata allo strumento, risultato, nuovo tentativo, approvazione e decisione del modello necessaria per la diagnosi. Comprimi il contesto vecchio invece di aggiungerlo indefinitamente, e conserva i dati autorevoli separatamente dai riassunti generati dal modello.

Progetta l’ambiente di esecuzione in modo che i fallimenti siano espliciti. Uno strumento dovrebbe distinguere “nessun record trovato” da “richiesta fallita”, e il deposito di stato dovrebbe distinguere fatti verificati da riassunti generati dal modello. Altrimenti, il modello potrebbe interpretare un’assenza causata da timeout come prova che qualcosa non esiste.

Infine, valuta l’intero sistema. Esegui lo stesso compito più volte, misura il successo e l’uso delle risorse, e ispeziona le traiettorie per violazioni di policy o scorciatoie fragili. La guida di Anthropic alla valutazione degli agenti sottolinea che gli agenti hanno bisogno di compiti, prove ripetibili, trascrizioni e valutatori, non di una manciata di demo impressionanti.

Cosa ricordare sul funzionamento degli agenti IA

Un agente IA è un ciclo ingegnerizzato, non solo un modello intelligente. Il modello decide; gli strumenti agiscono; la memoria trasporta lo stato; l’ambiente restituisce le prove; e il ciclo di controllo determina cosa succede successivamente.

Quando queste parti hanno interfacce e confini chiari, un agente può gestire lavori aperti che l’automazione convenzionale non può prevedere. Quando non li hanno, l’autonomia amplifica l’ambiguità. La qualità di un agente dipende quindi tanto dalla progettazione del sistema, dai permessi e dalla valutazione quanto dal modello sottostante.