Costruire agenti IA con pattern componibili
Abbiamo trascorso 3 giorni a sperimentare con workflow e pipeline di agenti in n8n, seguendo le guide di Anthropic e OpenAI sulla creazione di agenti IA efficaci.
Esplora i componenti degli agenti IA principali, come scegliere i componenti e gli strumenti giusti, oltre a costruire workflow agentici basati su pattern semplici e componibili di Anthropic, come prompt chaining, routing, parallelizzazione, orchestrator workers e un evaluator-optimizer:
Comprendere i componenti degli agenti IA
Costruire agenti comporta collegare componenti in diversi domini come model, strumenti, conoscenza e memoria, guardrail. OpenAI fornisce primitive componibili per ciascuno:
Fonte: OpenAI1
Ovviamente, OpenAI elenca prima le sue cose, ma c'è un ampio ecosistema di alternative. A seconda del tuo caso d'uso, puoi costruire agenti usando framework come LangChain, LlamaIndex, CrewAI, o persino livelli di orchestrazione personalizzati.
Entrerò più in dettaglio su ciascuno di questi componenti:
Model
Innanzitutto, c'è il componente dei model. Questi sono i tuoi IA models, i tuoi large language models che sono l'intelligenza centrale capace di ragionare, prendere decisioni e processare diverse modalità. Gli esempi di OpenAI puntano ai model della serie GPT-5.
A seconda del tipo specifico di agente che stai costruendo, vorrai scegliere un tipo diverso di model all'interno dell'ecosistema OpenAI. GPT-5.5 è l'attuale model di punta di OpenAI. Pianifica compiti multi-step, usa strumenti, controlla il proprio lavoro e continua finché un compito non è completato. Per domande quotidiane, le modalità più leggere di GPT-5.5 rispondono più velocemente e costano meno.
Al di fuori dell'ecosistema OpenAI, Claude Opus 4.7 è una scelta comune per coding intenso, ragionamento e lavoro STEM. Google Gemini 3.1 Pro compete da vicino, con una finestra di contesto da 1 milione di token per codebase di grandi dimensioni e documenti lunghi.
Per i coding agents in particolare, il GPT-5.3-Codex di OpenAI è il suo model di coding più capace. Esegue compiti lunghi che mescolano ricerca, uso di strumenti ed esecuzione, e puoi indirizzarlo mentre lavora. Guida benchmark come SWE-Bench Pro e Terminal-Bench 2.0, che testano il lavoro reale di ingegneria del software e da riga di comando.
Abbiamo benchmarkato e confrontato i migliori IA models per aiutarti a capire come ciascuno performa in termini di ragionamento, velocità e costi, così puoi scegliere quello più adatto ai tuoi obiettivi.
Strumenti
Il prossimo sono gli strumenti che estendono le capacità del model, come consentirgli di cercare sul web o interagire con altri sistemi.
Quasi qualsiasi app può diventare uno strumento per la tua IA. Puoi collegarla a Gmail, Calendar, il tuo drive o app come Slack, Discord, YouTube, Salesforce e Zapier. Puoi persino creare i tuoi strumenti personalizzati.
Con l'Agents SDK di OpenAI (che richiede un po' di coding), puoi definire strumenti o usare quelli integrati come ricerca web, ricerca file e uso del computer.2
Il MCP (Model Context Protocol) di Anthropic semplifica inoltre l'integrazione degli strumenti standardizzando il modo in cui i model vi accedono. Nel 2026, il valore aziendale proviene sempre più dalle "catene di montaggio digitali", workflow multi-step guidati dall'uomo in cui più agenti eseguono processi end-to-end, abilitati dal Model Context Protocol (MCP).
Se non sei incline al coding, piattaforme no-code come n8n ti consentono di trascinare e rilasciare strumenti per collegarli al tuo model.
Conoscenza e memoria
Esistono due tipi principali di memoria: base di conoscenza (memoria statica) e memoria persistente.
- Base di conoscenza dà alla tua IA accesso a fatti statici, policy e documenti che rimangono relativamente invariati. Questo è essenziale per agenti che eseguono compiti basati su policy o specifici dell'azienda, dove il materiale di riferimento deve rimanere coerente.
- Memoria persistente consente all'IA di ricordare le interazioni passate tra le sessioni. Questo è cruciale per i chatbot o gli assistenti personali che devono ricordare le conversazioni precedenti.
OpenAI fornisce servizi hosted come vector store, file search e embedding per gestire la memoria.
Se preferisci soluzioni open-source, Pinecone (cloud-native e ottimizzato per la ricerca vettoriale) e Weaviate sono opzioni popolari.
Per chi utilizza strumenti no-code, la gestione della memoria è solitamente integrata in piattaforme come n8n e Creatio.
Guardrail
I guardrail assicurano che il tuo agente si comporti come previsto, evitando risposte irrilevanti, dannose o inappropriate. Ad esempio, un bot del servizio clienti dovrebbe rimanere concentrato su argomenti relativi al servizio, senza divagare verso argomenti non correlati.
Al di fuori dell'ecosistema di OpenAI, tra gli strumenti popolari ci sono Guardrails IA e LangChain Guardrails. Molte piattaforme no-code hanno funzionalità di guardrail integrate, ma è comunque importante capire come funzionano per mantenere controllo e conformità nei tuoi agenti.
Competenze
Gli strumenti consentono a un agente di agire sul mondo esterno. Le competenze insegnano all'agente come svolgere bene un compito specifico.
Una Competenza è una piccola cartella di istruzioni e file. Contiene i passaggi, le regole e gli esempi per un compito, come compilare un modello di report o seguire la guida di stile di un'azienda. L'agente carica una Competenza quando il compito lo richiede, così non affolla la finestra di contesto.
Anthropic ha introdotto le Competenze degli agenti alla fine del 2025 e ha aperto il formato come standard condiviso a marzo 2026.3 Le Competenze funzionano su Claude.ai, Claude Code e l'API. Il vantaggio principale è la coerenza: invece di riscrivere ogni volta lo stesso lungo prompt, un team definisce una Competenza una sola volta e la riutilizza. Questo è importante in produzione, dove il prompting ad hoc tende a divergere.
Come le Competenze differiscono dagli altri componenti:
- Strumenti collegano l'agente a sistemi esterni (email, database, ricerca).
- Conoscenza e memoria danno all'agente fatti da leggere.
- Competenze danno all'agente un metodo ripetibile per un compito.
Orchestrazione
Il componente finale è l'orchestrazione. Questo implica gestire come più sotto-agenti lavorano insieme, distribuirli in produzione e monitorarne le prestazioni.
Una volta distribuiti, gli agenti necessitano di supervisione continua. I model, i dati e i comportamenti cambiano, quindi gli agenti necessitano di aggiornamenti regolari.
Diverse piattaforme e framework supportano l'orchestrazione, come:
- Piattaforme low-code/no-code:
- Stack AI
- Microsoft Copilot Studio Agent Builder
- Relevance IA, ecc.
- Framework open source:
- LangGraph (parte di LangChain): modella un agente come un grafo di passaggi, con controllo esplicito su ramificazioni, tentativi e verifiche umane.
- CrewAI: organizza gli agenti come una "crew" di ruoli, come ricercatore, scrittore e revisore. È veloce da prototipare quando il lavoro si divide in ruoli chiari.
- LlamaIndex: più forte per agenti che cercano documenti e basi di conoscenza interne.
- SDK dei vendor: l'Agents SDK di OpenAI e il Anthropic Claude Agent SDK sono toolkit ufficiali per costruire agenti sui model di ciascun provider. Il Claude Agent SDK è la stessa architettura che alimenta Claude Code.
Blocchi costitutivi dell'automazione: workflow vs agenti
Un agente IA è un sistema che percepisce il proprio ambiente, elabora informazioni e intraprende autonomamente azioni per raggiungere obiettivi specifici, come agenti di coding come Cursor o Windsurf, editor di codice basati su IA con "modalità agente" che possono svolgere autonomamente compiti di coding usando model come Claude Opus 4.7. Un altro esempio comune sono gli agenti del servizio clienti, che molte aziende utilizzano per gestire le richieste.
Ci sono molti modi diversi per progettare e distribuire questi agenti, a seconda della complessità del workflow e del grado di autonomia richiesto.
Per dare una rapida anteprima, un agente IA è spesso una raccolta di sotto-agenti, ciascuno dei quali esegue compiti specifici. Together, questi sotto-agenti si coordinano all'interno di sistemi multi-agente per fornire ciò che percepiamo come un singolo agente IA.
Questi sono fondamentalmente diversi dai workflow. I workflow sono sequenze orchestrate di passaggi predefiniti, come una ricetta che segue sempre lo stesso ordine:
Quando usare gli agenti IA
Prima degli esempi di workflow, ecco un rapido controllo della realtà. Gli agenti non sono sempre la risposta. Molti team ottengono ancora buoni risultati con semplici workflow, anche in compiti in cui un agente potrebbe, in teoria, funzionare. Molti team ritengono ancora che i workflow tradizionali funzionino bene, anche in scenari in cui gli agenti potrebbero, in teoria, essere applicati.
Uno dei modi più chiari per pensare a questo, descritto nel blog di Anthropic, è il seguente:
Detto questo, ci sono situazioni reali in cui gli agenti superano i workflow tradizionali in compiti che richiedono flessibilità, ragionamento e adattabilità:
Conversazioni dinamiche che richiedono adattamenti:
Alcune interazioni, come richieste di base di rimborso o reset della password, si adattano perfettamente ai workflow. Ma altre richiedono giudizio sfumato o decisioni sensibili al contesto, come raccomandazioni personalizzate, che dipendono fortemente dal contesto e dal ragionamento avanti e indietro.
Decisioni ad alto valore e basso volume:
Gli agenti possono essere costosi da eseguire, ma in alcuni casi le decisioni che supportano sono molto più costose se prese in modo errato.
Ad esempio, BCG ha riferito che un importante fornitore di energia in Germania ha utilizzato uno strumento agentico basato su GenAI per automatizzare le revisioni dei pagamenti.4
Se stai pianificando infrastrutture su larga scala, come l'ottimizzazione di progetti ingegneristici, il costo del calcolo è trascurabile. In questi casi ad alto rischio, gli agenti aggiungono valore perché il costo di sbagliare supera di gran lunga il costo di eseguire il model.
Workflow multi-step imprevedibili:
Alcuni workflow sono troppo complessi, dove scrivere infinite regole "se questo, allora quello" diventa un progetto a sé.
In questi casi, i loop agentici semplificano il caos. Invece di codificare rigidamente ogni percorso possibile, il model decide dinamicamente il passo successivo in base al contesto e al ragionamento in tempo reale.
Questo approccio funziona bene per sistemi diagnostici o strumenti che gestiscono decine di variabili mutevoli.
Quando i workflow sono migliori
Scenari ad alta frequenza e bassa complessità:
Alcuni compiti dipendono più da velocità e scala che dal ragionamento, come:
- Recuperare informazioni da un database
- Analizzare messaggi strutturati o email
- Rispondere a domande in stile FAQ
Un workflow potrebbe elaborare migliaia di queste richieste, con costi e latenza più prevedibili rispetto a un agente.
Introduzione ai workflow e alle implementazioni degli agenti IA
Gli agenti IA non sono tipicamente un'entità singola. Sono invece composti da vari sotto-agenti che interagiscono tra loro. Una delle migliori risorse che ho trovato sui workflow comuni e i sistemi agentici è la guida Building Effective Agents di Anthropic.5
Al cuore dei sistemi agentici c'è ciò che Anthropic chiama il aumentato LLM. Questa struttura è composta da tre elementi chiave:
- l'input,
- il large language model (LLM),
- e l'output.
Fonte: Anthropic5
Il LLM aumentato è in grado di generare le proprie query di ricerca, selezionare strumenti pertinenti e decidere quali informazioni archiviare in memoria.
Potresti notare alcune somiglianze con i componenti di OpenAI (come delineato di seguito). Tuttavia, questa versione è più semplificata e manca di elementi come guardrail e orchestrazione, ma la struttura centrale rimane la stessa. Questo è perfettamente accettabile. Per compiti come test e distribuzione, è meglio fare riferimento ai componenti di OpenAI.
Elenco dei componenti degli agenti IA di OpenAI1
Per capire come questi sotto-agenti si combinano e interagiscono per formare un agente IA più grande, inizio con i workflow più semplici e passo gradualmente a sistemi più complessi e completamente autonomi:
1. Workflow agentici semplici (prompt chaining)
Il workflow agentico più semplice è chiamato prompt chaining. In questo processo, un compito viene suddiviso in una serie di passaggi, in cui ogni sotto-agente gestisce l'output del precedente.
Alla base, funziona come una catena di montaggio, ma puoi introdurre punti decisionali per reindirizzare il flusso se necessario. Lo schema generale rimane lo stesso: un input viene elaborato da un sotto-agente, che passa il risultato a un altro sotto-agente per un'ulteriore elaborazione, e così via, finché non viene prodotto l'output finale. Questo metodo è particolarmente utile per compiti che possono essere facilmente suddivisi in sotto-compiti sequenziali più piccoli.
Il workflow di prompt chaining5
Esempio reale:6
Prompt chaining in n8n (struttura, valutazione & pubblicazione su fogli)
Nell'esempio sopra, l'utente inserisce un argomento nella finestra di chat di n8n. Ogni nodo LLM utilizza il model Azure OpenAI.
Il primo LLM genera una scaletta strutturata per un post di blog. Il prompt per l'Outline Writer è il seguente:
Screenshot del prompt per il generatore della scaletta LLM
Dove {{ $json.chatInput }} si riferisce all'argomento inserito dall'utente nella finestra di chat.
La variabile {{ $json.chatInput }} è grigia perché il workflow non è ancora stato eseguito. Se avessimo eseguito o testato il nodo, sarebbe verde o rossa, a seconda della validità della variabile.
Poi, il successivo LLM valuterà la scaletta in base a criteri chiave nella sezione del messaggio di sistema. Il prompt si trova di seguito:
Il LLM Blog Writer finale aggiungerà una riga in un foglio sull'argomento in base alla scaletta creata dal LLM precedente.
Screenshot del prompt per il LLM Blog Writer
Quando usare il prompt chaining:
- I compiti possono essere naturalmente scomposti in sotto-compiti fissi e sequenziali
- Ogni passaggio contribuisce in modo significativo all'output finale
- Il ragionamento passo dopo passo migliora l'accuratezza rispetto all'elaborazione diretta
- Sono necessari punti di controllo della qualità durante tutto il processo
2. Workflow di routing
Il routing è un altro tipo di workflow in cui viene ricevuto un input e un sotto-agente è responsabile di indirizzare quell'input al compito successivo appropriato. Ogni compito viene quindi gestito da un sotto-agente specializzato in quell'area e, una volta completati i compiti, viene generato l'output finale.
Un classico esempio di routing si vede nei bot del servizio clienti. Il bot può ricevere vari tipi di richieste, come richieste generiche, richieste di rimborso o problemi di supporto tecnico. Il primo sotto-agente identifica la natura della richiesta e la instrada al sotto-agente specializzato nella gestione di quel particolare problema.
Ad esempio, se la richiesta riguarda un rimborso, verrebbe instradata al sotto-agente specializzato nei rimborsi, mentre una domanda di supporto tecnico verrebbe indirizzata al sotto-agente del supporto tecnico.
Un altro esempio è l'instradamento delle domande a diversi model in base ai loro punti di forza. Per domande STEM più complesse, puoi instradare l'input verso un model di ragionamento potente come Claude Opus 4.7. Per query semplici e veloci, puoi instradarlo verso un model più leggero come Gemini 3.5 Flash, costruito per la velocità.
Esempio reale:7
Nell'esempio sopra, l'agente instrada l'input dell'utente verso agenti specializzati (come un Reminder Agent, Email Agent, ecc.) utilizzando un output strutturato da un language model.
Il router è collegato a GPT 4o mini. Il prompt e le categorie sono i seguenti:
Screenshot dei parametri del nodo agente IA
Esempi di casi d'uso:
Puoi inserire una query nella finestra di chat di n8n. Per esempio:
- L'utente dice: "Ricordami di chiamare mia madre domani."
→ Instradato a Reminder Agent - L'utente dice: "Invia un'email al team HR."
→ Instradato a Email Agent - L'utente dice: "Pianifica una riunione con John la prossima settimana."
→ Instradato a Meeting Agent
Quando usare il routing:
- Tipi di input diversi: Il tuo sistema riceve vari tipi di query che beneficiano di una gestione specializzata
- Ottimizzazione delle risorse: Vuoi assegnare query semplici a processori economici, instradando le richieste complesse a sistemi avanzati
- Specializzazione di dominio: Diverse categorie di input richiedono competenze specifiche del dominio o logica di elaborazione
- Ottimizzazione delle prestazioni: Devi bilanciare il carico e garantire tempi di risposta ottimali per i diversi tipi di query
3. Workflow di parallelizzazione
Il workflow successivo è la parallelizzazione. Questo specifico workflow agentico ha tipicamente due varianti principali. Nella parallelizzazione, più sotto-agenti lavorano su un compito simultaneamente e i loro output vengono poi combinati.
- La prima variante è chiamata sezionamento, in cui un compito viene suddiviso in sotto-compiti indipendenti eseguiti in parallelo.
- La seconda variante è il voto, in cui lo stesso compito viene eseguito più volte da sotto-agenti diversi per produrre output diversificati, che vengono poi aggregati.
Questo accelera i workflow di grandi dimensioni eseguendo compiti indipendenti contemporaneamente.
Workflow sequenziale vs. workflow parallelo: un confronto dei tempi8
Esempio reale:8
Screenshot dell'esempio di workflow di parallelizzazione in n8n
L'esempio di esecuzione parallela in n8n dimostra un compito in cui il workflow interroga la ricerca Google utilizzando l'SERP API per recuperare URL LinkedIn e archiviarli in un Google Sheet. Nella configurazione iniziale, il workflow elabora ogni compito in sequenza, un sito web alla volta:
- Il workflow viene attivato.
- Lo strumento Get recupera il sito web dal Google Sheet.
- L'agente IA utilizza l'SERP API per cercare su Google e recuperare l'URL LinkedIn.
- L'URL LinkedIn viene quindi aggiornato nel Google Sheet.
A questo punto, i compiti vengono elaborati uno dopo l'altro, il che può essere lento quando si hanno a che fare con dataset di grandi dimensioni.
n8n ha questa funzionalità che ti consente di selezionare i nodi, fare clic e poi dire che vuoi convertire questi nodi selezionati in un sotto-workflow.
E quello che succede è che quando fai clic su questo pulsante, darà un nome al mio workflow. Quando premi conferma, trasforma tutto in un sotto-workflow, viene collegato proprio qui e viene chiamato da questo elemento.
Il sotto-workflow creato
Quindi n8n ha trasformato questo in un sotto-workflow, ma non hai ancora la parallelizzazione perché continuerebbe a eseguire tutto attraverso qui.
Per farlo funzionare davvero in parallelo, tutti gli elementi dovrebbero essere eseguiti come esecuzioni individuali. Quindi, quando fai clic nel nodo, puoi scegliere di eseguire una volta per ogni elemento, il che significa che chiamerà il sotto-workflow individualmente per ogni elemento.
E poi, una volta modificato, puoi entrare nel sotto-workflow e fare clic su esecuzioni. E vedrai che tutti e tre gli elementi vengono eseguiti esattamente nello stesso momento.
Quando usare la parallelizzazione: La parallelizzazione è più efficace quando i compiti possono essere suddivisi in sotto-compiti più piccoli e indipendenti che possono essere eseguiti simultaneamente, migliorando sia la velocità che l'efficienza.
È anche preziosa quando sono necessarie prospettive multiple o tentativi ripetuti per acquisire fiducia nei risultati. Per problemi con più parti o criteri di punteggio, i model spesso fanno meglio quando ogni parte riceve la propria chiamata. Questo mantiene ogni chiamata focalizzata, così il ragionamento è più accurato.
4. Workflow orchestrator-workers
Il workflow successivo, che diventa più complesso, è il pattern orchestrator-worker.
L'architettura orchestrator-worker rende i tuoi workflow n8n modulari, scalabili e adattivi, trasformando un'unica automazione rigida in un sistema componibile di agenti cooperanti.
A prima vista, potrebbe sembrare simile alla parallelizzazione poiché più sotto-agenti possono essere attivi, ma la distinzione chiave è la flessibilità. A differenza della parallelizzazione, la configurazione orchestrator-worker non si basa su un elenco fisso di sotto-compiti. Invece, l'orchestrator decide dinamicamente quali compiti devono essere eseguiti, li assegna agli agenti worker e gestisce il loro coordinamento durante tutto il processo.
Esempio reale:9
Screenshot dell'esempio di workflow orchestrator-workers in n8n
Nell'esempio sopra, il brief viene raccolto una volta e un orchestrator instrada il lavoro a più agenti specialisti.
Il CEO Agent funge da orchestrator LLM. Elabora il brief di input, lo rifinisce per ogni reparto, seleziona quali agenti worker attivare e determina come verranno integrati i loro output. Può decidere di chiamare uno, due o tutti i worker a seconda del contesto e dei vincoli.
Screenshot del nodo CEO Agent
Di seguito, tre agenti worker, Marketing, Operations e Finance, eseguono ciascuno il proprio OpenAI Chat Model con memoria e configurazioni degli strumenti separate. Questo consente prompt specifici per reparto e schemi JSON per output strutturati.
Screenshot dei tre nodi agente worker
Una volta che l'orchestrator ha preparato istruzioni specifiche per reparto, invoca ogni worker come strumento per generare output in base agli input.
Ad esempio, il Marketing Agent crea campagne (nome, canale, KPI).
Nodo strumento IA (Marketing Agent)
Dopo che gli output dei worker sono stati generati, il CEO Agent compila e unisce le risposte dei reparti in un unico piano coerente. Il workflow scrive quindi il piano in un Google Doc, aggiunge metadati, lo converte in PDF e lo carica automaticamente per la condivisione o la revisione.
Screenshot dei nodi di creazione, conversione e caricamento dei documenti
Quando viene eseguito, l'orchestrator determina quali agenti attivare, coordina la loro collaborazione e combina i loro output in un report completo, dimostrando come i workflow orchestrator-worker abilitino sistemi IA flessibili, modulari e componibili.
Quando usare il workflow orchestrator-workers: Questo approccio è particolarmente prezioso per risolvere problemi aperti o in evoluzione in cui i passaggi necessari non possono essere conosciuti in anticipo.
Esempi in cui il workflow orchestrator-worker è utile:
- Compiti di coding: Quando si sviluppano o si esegue il debug di prodotti software complessi che richiedono modifiche coordinate su più file, dove i file e le modifiche esatte possono essere determinati durante l'esecuzione.
- Ricerca e raccolta di informazioni: In compiti che comportano la ricerca, la raccolta e l'analisi di dati da più fonti, dove le informazioni rilevanti non possono essere completamente identificate in anticipo e devono essere scoperte dinamicamente.
5. Workflow evaluator-optimizer
Ancora più complesso è il workflow evaluator-optimizer. Questa configurazione si muove verso un comportamento più autonomo, dando al sotto-agente o all'agente IA maggiore libertà di decidere quali azioni intraprendere e come migliorare i propri output.
Inizi con un input e il primo sotto-agente genera una soluzione proposta. Quell'output viene poi passato a un sotto-agente valutatore, che esamina il risultato. Se il valutatore lo ritiene soddisfacente, l'output viene finalizzato. Ma se determina che il risultato non è abbastanza buono, lo rimanda al primo sotto-agente con un feedback specifico per il miglioramento.
Questo crea un ciclo di feedback continuo in cui l'ottimizzatore perfeziona iterativamente il proprio output finché il valutatore non determina che soddisfa gli standard di qualità richiesti.
Esempio reale:10
Per questo esempio ho percorso una simulazione in Python, piuttosto che uno strumento no-code, per mostrare direttamente schemi di valutazione, logica personalizzata e cicli iterativi.
Questa non è una configurazione completa. Per eseguire il workflow evaluator-optimizer end-to-end, avrai bisogno di una corretta configurazione dell'ambiente, dell'inizializzazione del model e dell'impostazione dello schema, ecc.
Puoi anche implementare un loop evaluator-optimizer utilizzando strumenti di automazione dei workflow che supportano nodi di valutazione.
Workflow evaluator-optimizer con Python:
Un esempio di loop Evaluator-Optimizer, un pattern comune nei sistemi IA auto-riflessivi o nei workflow agentici
Questo workflow rappresenta un ciclo automatizzato di generazione e valutazione dei contenuti in cui due componenti collaborano: uno crea e l'altro esamina. Garantisce che gli output soddisfino gli standard di qualità prima della finalizzazione.
Spiegazione passo dopo passo:
- Inizializza l'input: Crea initial_state = {"content_topic": topic}.
- Esegui il loop: Chiama evaluator_optimizer_workflow.invoke(initial_state) che iterativamente:
- genera/perfeziona il contenuto,
- valuta la qualità,
- ripete fino all'approvazione o al limite massimo di iterazioni.
- Registra il risultato: Stampa il messaggio di completamento e il generated_content approvato.
- Restituisci i risultati: dizionario final_state (ad es., content_topic, generated_content, quality_assessment).
Visualizzazione del workflow:
Loop Evaluator-Optimizer con risultati Python: Ogni ciclo utilizza il feedback precedente per migliorare il contenuto. Il loop alla fine produce contenuti che soddisfano lo standard di qualità:
Quando usare il workflow evaluator-optimizer: Questo workflow è particolarmente utile quando ci sono criteri di valutazione chiari e quando il perfezionamento iterativo può portare a miglioramenti significativi della qualità.
Esempi in cui il workflow evaluator-optimizer è utile:
- Ad esempio, in un compito di traduzione letteraria, il primo tentativo potrebbe perdere alcune sfumature linguistiche o toni emotivi. Il valutatore fornirebbe feedback e chiederebbe revisioni finché la traduzione non cattura pienamente il significato inteso e le sottigliezze del testo originale.
- Un altro esempio è nell'aggregazione di ricerche complesse, in cui l'ottimizzatore raccoglie e riassume le informazioni mentre il valutatore verifica profondità, completezza e accuratezza. Se il valutatore ritiene insufficiente la ricerca, la rimanda per ulteriore lavoro finché il report finale non soddisfa tutti i requisiti e sintetizza efficacemente le informazioni necessarie.
6. Implementazione di un agente veramente autonomo
E infine, c'è l'implementazione di un agente veramente autonomo. Questo tipo di sistema è concettualmente semplice ma può produrre comportamenti molto diversi e complessi nella pratica.
L'agente inizia la sua operatività con un input umano minimo; di solito una singola istruzione o un obiettivo. Una volta definito il compito, funziona in modo indipendente, intraprendendo azioni e osservandone gli effetti sull'ambiente.
Una caratteristica chiave di questo approccio è l'autovalutazione: l'agente deve determinare, in base al feedback ambientale, se le sue azioni lo stanno avvicinando all'obiettivo. Ad esempio, se esegue codice o utilizza strumenti esterni, deve valutare se quelle azioni contribuiscono al progresso o se sono necessari aggiustamenti. Questo ciclo guidato dal feedback continua finché l'agente non determina che l'obiettivo è stato raggiunto o che non sono possibili ulteriori progressi.
Esempio reale:
Nel nostro benchmark sugli strumenti di coding IA, abbiamo osservato che Windsurf e Cursor hanno dimostrato capacità agentiche creando autonomamente strutture di file, modificando più file ed eseguendo comandi da terminale per distribuire APIs su Heroku.
Windsurf si è persino adattato ai recenti cambiamenti della piattaforma: quando ha scoperto che l'add-on PostgreSQL Hobby Dev era deprecato, ha riconfigurato correttamente la distribuzione per utilizzare PostgreSQL Essential 0.
Aggiungi come fonte preferitaRiepilogo
Costruire agenti IA riguarda meno il raggiungimento della piena autonomia e più la creazione di sistemi mirati, trasparenti e affidabili. Dai nostri esperimenti in n8n e dalle intuizioni acquisite dalle guide di Anthropic e OpenAI, abbiamo scoperto che gli agenti efficaci derivano dalle scelte di progettazione.
Quando implementiamo gli agenti, ci concentriamo su tre principi guida:
- Mantieni l'architettura semplice. Inizia in piccolo, costruisci in modo modulare e introduci complessità solo quando migliora chiaramente prestazioni o flessibilità.
- Rendi visibile il processo di ragionamento. Consenti a utenti e sviluppatori di vedere come l'agente pianifica e prende decisioni, migliorando interpretabilità e controllo.
- Garantisci interazioni affidabili con gli strumenti. Progetta strumenti chiaramente definiti, ben documentati e testati affinché gli agenti possano agire in modo coerente negli ambienti reali.
Cita questa ricerca
Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem and PhD., Ezgi Arslan,},
title = {{Costruire agenti IA con pattern componibili}},
year = {2026},
month = jul,
howpublished = {\url{https://aimultiple.com/building-ai-agents}},
note = {AIMultiple. Consultato il 29 Luglio 2026}
}Registro delle modifiche
3 aggiornamenti- 2026
Rimossa la sezione 'Elementi costitutivi dell'automazione: Workflow vs agenti'.
Aggiornato il modello a Claude Sonnet 4.5 nell'introduzione.
- 2025
Sostituita la descrizione del flusso di lavoro orchestratore-lavoratore nella sezione Orchestrator workers workflow.
Collegamenti di riferimento
Il lavoro di Cem presso AIMultiple è stato citato da importanti testate internazionali tra cui Business Insider, Forbes, Morning Brew e Washington Post, da aziende globali come Deloitte e HPE, da ONG come il World Economic Forum e da organizzazioni sovranazionali come la Commissione europea. [1], [2], [3], [4], [5]
Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente tecnologico e imprenditore tecnologico. Ha consigliato le aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per più di un decennio. Ha inoltre pubblicato un report McKinsey sulla digitalizzazione.
Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto ricavi ricorrenti annuali a 7 cifre e una valutazione a 9 cifre partendo da zero in 2 anni. Il lavoro di Cem in Hypatos è stato ripreso da importanti testate tecnologiche come TechCrunch e Business Insider.
Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato come ingegnere informatico presso l'Università di Bogazici e possiede un MBA della Columbia Business School.
Sii il primo a commentare
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.