Creazione di agenti AI con modelli componibili
Abbiamo trascorso 3 giorni a sperimentare con flussi di lavoro e pipeline di agenti in n8n, seguendo le guide di Anthropic e di OpenAI sulla creazione di agenti AI efficaci.1 2
Esplora i principali componenti degli agenti AI, come scegliere i componenti e gli strumenti giusti, oltre a creare flussi di lavoro degli agenti basati sui semplici modelli componibili di Anthropic come concatenazione dei prompt, instradamento, parallelizzazione, lavoratori orchestratori e un valutatore-ottimizzatore:
Comprendere i componenti degli agenti AI
Creare agenti implica collegare componenti provenienti da diversi domini come modelli, strumenti, conoscenza e memoria, guardrail. OpenAI fornisce primitive componibili per ciascuno:
Fonte: OpenAI3
Ovviamente, OpenAI elenca per prima le proprie soluzioni, ma esiste un ampio ecosistema di alternative. A seconda del tuo caso d'uso, puoi creare agenti utilizzando framework come LangChain, LlamaIndex, CrewAI o persino livelli di orchestrazione personalizzati.
Entrerò nel dettaglio di ciascuno di questi componenti:
Modelli
Prima di tutto, hai il componente modelli. Questi sono i tuoi modelli di intelligenza artificiale, i tuoi modelli linguistici di grandi dimensioni che costituiscono l'intelligenza centrale in grado di ragionare, prendere decisioni ed elaborare diverse modalità. Gli esempi forniti da OpenAI puntano alle sue serie di modelli GPT-5.
A seconda del tipo specifico di agente che stai creando, vorrai scegliere un diverso tipo di modello all'interno dell'ecosistema OpenAI. GPT-5.5 è il modello principale attuale di OpenAI. Pianifica attività a più passaggi, utilizza strumenti, controlla il proprio lavoro e prosegue finché un compito non è completato. Per domande quotidiane, le versioni 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 attività pesanti di codifica, ragionamento e STEM. Google Gemini 3.1 Pro compete da vicino, con una finestra di contesto di 1 milione di token per grandi codebase e documenti lunghi.
Per agenti specifici di codifica, il modello GPT-5.3-Codex di OpenAI è il più capace. Esegue attività lunghe che combinano ricerca, uso di strumenti ed esecuzione, e puoi guidarlo mentre lavora. È leader nei benchmark come SWE-Bench Pro e Terminal-Bench 2.0, che testano attività reali di ingegneria del software e riga di comando.
Abbiamo benchmarkato e confrontato i migliori modelli di intelligenza artificiale per aiutarti a capire come si comportano in termini di ragionamento, velocità e costo, in modo da poter scegliere quello più adatto ai tuoi obiettivi.
Strumenti
Successivamente ci sono gli strumenti che estendono le capacità del modello, come abilitarlo a cercare sul web o interagire con altri sistemi.
Quasi ogni app può diventare uno strumento per il tuo AI. Puoi collegarlo a Gmail, Calendar, il tuo drive o app come Slack, Discord, YouTube, Salesforce e Zapier. Puoi persino creare i tuoi strumenti personalizzati.
Con OpenAI Agents SDK (che richiede un po' di codifica), puoi definire strumenti o utilizzare quelli integrati come ricerca web, ricerca file e uso del computer.4
MCP (Model Context Protocol) di Anthropic semplifica anche l'integrazione degli strumenti standardizzando il modo in cui i modelli vi accedono. Nel 2026, il valore aziendale deriva sempre più da "catene di montaggio digitali", flussi di lavoro multistep guidati dall'uomo in cui più agenti eseguono processi end-to-end, abilitati dal Model Context Protocol (MCP).
Se non ti piace programmare, le piattaforme no-code come n8n ti permettono di trascinare e rilasciare strumenti per collegarli al tuo modello.
Conoscenza e memoria
Esistono due tipi principali di memoria: base di conoscenza (memoria statica) e memoria persistente.
- Base di conoscenza fornisce al tuo AI accesso a fatti, politiche e documenti statici che rimangono relativamente invariati. Questo è essenziale per agenti che svolgono compiti guidati da politiche o specifici dell'azienda in cui i materiali di riferimento devono rimanere coerenti.
- Memoria persistente consente all'AI di ricordare interazioni passate tra sessioni. Questo è fondamentale per chatbot o assistenti personali che devono ricordare conversazioni precedenti.
OpenAI fornisce servizi ospitati come archivi vettoriali, ricerca file e embeddings per gestire la memoria.
Se preferisci soluzioni open source, Pinecone (nativo cloud e ottimizzato per la ricerca vettoriale) e Weaviate sono opzioni popolari.
Per chi utilizza strumenti no-code, la gestione della memoria è solitamente integrata nelle piattaforme come n8n e Creatio.
Guardrails
Guardrails garantiscono che il tuo agente si comporti come previsto, evitando risposte irrilevanti, dannose o inappropriate. Ad esempio, un bot di assistenza clienti dovrebbe rimanere concentrato su argomenti relativi al servizio, senza deviare verso argomenti non correlati.
Al di fuori dell'ecosistema di OpenAI, strumenti popolari includono Guardrails AI e LangChain Guardrails. Molte piattaforme no-code hanno già funzionalità di guardrail integrate, ma è comunque importante capire come funzionano per mantenere il controllo e la conformità nei tuoi agenti.
Competenze
Gli strumenti permettono 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 rapporto o seguire la guida stilistica aziendale. L'agente carica una competenza solo quando il compito lo richiede, quindi non intasa la finestra di contesto.
Anthropic ha introdotto le competenze per agenti a fine 2025 e ha aperto il formato come standard condiviso a marzo 2026.5 Le competenze funzionano su Claude.ai, Claude Code e l'API. Il principale vantaggio è la coerenza: invece di riscrivere lo stesso prompt lungo ogni volta, un team definisce una competenza una volta e la riutilizza. Questo è importante in produzione, dove i prompt ad hoc tendono a deviare nel tempo.
Come le competenze differiscono dagli altri componenti:
- Strumenti collegano l'agente a sistemi esterni (email, database, ricerca).
- Conoscenza e memoria forniscono all'agente fatti da leggere.
- Competenze forniscono all'agente un metodo ripetibile per un compito.
Orchestrazione
L'ultimo componente è l'orchestrazione. Questo comporta la gestione di come più sottoposti lavorano insieme, il loro rilascio in produzione e il monitoraggio delle loro prestazioni.
Una volta distribuiti, gli agenti necessitano di supervisione continua. I modelli, i dati e i comportamenti cambiano nel tempo, quindi gli agenti necessitano di aggiornamenti regolari.
Diverse piattaforme e framework supportano l'orchestrazione, come:
- Piattaforme low-code/no-code:
- Stack AI
- Builder di Microsoft Copilot Studio Agent
- Relevance AI, ecc
- Framework open source:
- LangGraph (parte di LangChain): modella un agente come un grafo di passaggi, con controllo esplicito su diramazioni, tentativi e controlli umani.
- CrewAI: organizza gli agenti come una "squadra" di ruoli, come ricercatore, scrittore e revisore. È veloce da prototipare quando il lavoro si divide in ruoli chiari.
- LlamaIndex: il più forte per agenti che cercano documenti e basi di conoscenza interne.
- SDK dei fornitori: OpenAI Agents SDK e Anthropic Claude Agent SDK sono toolkit ufficiali per creare agenti sui modelli di ciascun fornitore. Claude Agent SDK ha la stessa architettura che alimenta Claude Code.
Blocchi costitutivi dell'automazione: Flussi di lavoro vs agenti
Un agente AI è un sistema che percepisce il suo ambiente, elabora informazioni e intraprende autonomamente azioni per raggiungere obiettivi specifici, come agenti di codifica come Cursor o Windsurf, editor di codice con "modalità agente" alimentati da AI che possono eseguire autonomamente compiti di codifica utilizzando modelli come Claude Opus 4.7. Un altro esempio comune è agenti di assistenza clienti, che molte aziende utilizzano per gestire le richieste.
Esistono molti modi diversi per progettare e distribuire questi agenti, a seconda della complessità del flusso di lavoro e del grado di autonomia richiesto.
Per dare un'anteprima rapida, un agente AI è spesso una collezione di sottoposti, ognuno dei quali svolge compiti specifici. Insieme, questi sottoposti coordinano all'interno di sistemi multi-agente per fornire ciò che percepiamo come un singolo agente AI.
Questi sono fondamentalmente diversi dai flussi di lavoro. I flussi di lavoro sono sequenze orchestrate di passaggi predefiniti, come una ricetta che segue sempre lo stesso ordine:
Quando utilizzare agenti AI
Prima degli esempi di flusso di lavoro, ecco un rapido controllo della realtà. Gli agenti non sono sempre la risposta. Molte squadre ottengono ancora buoni risultati con semplici flussi di lavoro, anche per compiti in cui un agente potrebbe, in teoria, funzionare. Molte squadre scoprono ancora che i flussi di lavoro tradizionali funzionano 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 flussi di lavoro tradizionali in compiti che richiedono flessibilità, ragionamento e adattabilità:
Conversazioni dinamiche che richiedono adattamenti:
Alcune interazioni, come richieste di rimborso di base o reimpostazione della password, si adattano perfettamente ai flussi di lavoro. Ma altre richiedono un 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, 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 riportato che un importante fornitore di energia in Germania ha utilizzato uno strumento agente basato su GenAI per automatizzare le revisioni dei pagamenti.6
Se stai pianificando infrastrutture su larga scala, come ottimizzare progetti ingegneristici, il costo del calcolo è trascurabile. In questi casi ad alto rischio, gli agenti aggiungono valore perché il costo di un errore supera di gran lunga il costo dell'esecuzione del modello.
Flussi di lavoro multistep, imprevedibili:
Alcuni flussi di lavoro sono troppo complessi, dove scrivere infinite regole "se questo, allora quello" diventa un progetto a sé stante.
In questi casi, i cicli agente semplificano il caos. Invece di codificare ogni possibile percorso, il modello decide dinamicamente il prossimo passo in base al contesto e al ragionamento in tempo reale.
Questo approccio funziona bene per sistemi diagnostici o strumenti che gestiscono dozzine di variabili in continua evoluzione.
Quando i flussi di lavoro sono migliori
Scenari ad alta frequenza, bassa complessità:
Alcuni compiti dipendono più dalla velocità e dalla scala che dal ragionamento, come:
- Recuperare informazioni da un database
- Analizzare messaggi o email strutturati
- Rispondere a domande in stile FAQ
Un flusso di lavoro potrebbe elaborare migliaia di queste richieste, con costi e latenza più prevedibili rispetto a un agente.
Aggiungi come fonte preferitaIntroduzione ai flussi di lavoro e alle implementazioni degli agenti AI
Gli agenti AI non sono tipicamente un'entità singola. Invece, sono composti da vari sottoposti che interagiscono tra loro. Una delle migliori risorse che ho trovato sui flussi di lavoro comuni e sui sistemi agenti è la guida Creazione di agenti efficaci di Anthropic.7
Al centro dei sistemi agenti c'è ciò che Anthropic chiama LLM aumentato. Questa struttura consiste in tre elementi chiave:
- l'input,
- il modello linguistico di grandi dimensioni (LLM),
- e l'output.
Fonte: Anthropic8
L'LLM aumentato è in grado di generare le proprie query di ricerca, selezionare strumenti rilevanti e decidere quali informazioni memorizzare.
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 di base rimane la stessa. Questo è perfettamente accettabile. Per compiti come test e distribuzione, è meglio fare riferimento ai componenti di OpenAI.
Elenco di OpenAI dei componenti dell'agente AI9
Per capire come questi sottoposti si adattano e interagiscono per formare un agente AI più grande, inizio con flussi di lavoro più semplici e passo gradualmente a sistemi più complessi, completamente autonomi:
1. Flussi di lavoro agenti semplici (concatenazione dei prompt)
Il flusso di lavoro agente più semplice è chiamato concatenazione dei prompt. In questo processo, un compito viene suddiviso in una serie di passaggi, in cui ogni sottoposto gestisce l'output del precedente.
Nel suo nucleo, funziona come una catena di montaggio, ma puoi introdurre punti decisionali per reindirizzare il flusso se necessario. Il modello generale rimane lo stesso: un input viene elaborato da un sottoposto, che passa il risultato a un altro sottoposto per un'ulteriore elaborazione, e così via, fino a quando non viene prodotto l'output finale. Questo metodo è particolarmente utile per compiti che possono essere facilmente suddivisi in sottocompiti più piccoli e sequenziali.
Il flusso di lavoro di concatenazione dei prompt10
Esempio del mondo reale:11
Concatenazione dei prompt in n8n (outline, valutazione e pubblicazione su fogli)
Nell'esempio sopra, l'utente inserisce un argomento nella finestra di chat di n8n. Ogni nodo LLM utilizza il modello Azure OpenAI.
Il primo LLM genera un outline strutturato per un post del blog. Il prompt per lo scrittore dell'outline è il seguente:
Screenshot del prompt per lo scrittore dell'outline LLM
Dove {{ $json.chatInput }} si riferisce all'argomento inserito dall'utente nella finestra di chat.
La variabile {{ $json.chatInput }} è grigia perché il flusso di lavoro non è ancora stato eseguito. Se avessimo già eseguito o testato il nodo, sarebbe verde o rossa, a seconda della validità della variabile.
Poi, il successivo LLM valuterà l'outline in base a criteri chiave nella sezione del messaggio di sistema. Il prompt può essere trovato di seguito:
L'ultimo LLM Scrittore del Blog aggiornerà una riga in un foglio sull'argomento in base all'outline creato dal precedente LLM.
Screenshot del prompt per lo scrittore del blog LLM
Quando utilizzare la concatenazione dei prompt:
- I compiti possono essere naturalmente scomposti in sottocompiti fissi e sequenziali
- Ogni passaggio contribuisce significativamente all'output finale
- Il ragionamento passo dopo passo migliora l'accuratezza rispetto all'elaborazione diretta
- Sono necessari punti di controllo della qualità durante il processo
2. Flusso di lavoro di instradamento
L'instradamento è un altro tipo di flusso di lavoro in cui viene ricevuto un input e un sottoposto è responsabile dell'indirizzarlo al compito successivo appropriato. Ogni compito viene quindi gestito da un sottoposto specializzato in quell'area e, una volta completati i compiti, viene generato l'output finale.
Un esempio classico di instradamento si vede nei bot di assistenza clienti. Il bot può ricevere vari tipi di query, come richieste generali, richieste di rimborso o problemi di supporto tecnico. Il primo sottoposto identifica la natura della query e la indirizza al sottoposto specializzato nel gestire quel particolare problema.
Ad esempio, se la query riguarda un rimborso, verrà indirizzata al sottoposto specialista in rimborso, mentre una domanda di supporto tecnico verrà indirizzata al sottoposto di supporto tecnico.
Un altro esempio è l'instradamento delle domande a modelli diversi in base ai loro punti di forza. Per domande STEM più complesse, puoi indirizzare l'input a un modello di ragionamento forte come Claude Opus 4.7. Per query semplici e veloci, puoi indirizzarle a un modello più leggero come Gemini 3.5 Flash, progettato per la velocità.
Esempio del mondo reale:12
Nell'esempio sopra, l'agente indirizza l'input dell'utente ad agenti specializzati (come un Agente Promemoria, un Agente Email, ecc.) utilizzando un output strutturato da un modello linguistico.
Il router è collegato a GPT 4o mini. Il prompt e le categorie sono i seguenti:
Screenshot dei parametri del nodo agente AI
Esempi di casi d'uso:
Puoi inserire una query nella finestra di chat di n8n. Ad esempio:
- L'utente dice: "Ricordami di chiamare mia madre domani."
→ Indirizzato all'Agente Promemoria - L'utente dice: "Invia un'email al team delle risorse umane."
→ Indirizzato all'Agente Email - L'utente dice: "Pianifica una riunione con John la prossima settimana."
→ Indirizzato all'Agente Riunione
Quando utilizzare l'instradamento:
- Tipi di input diversi: Il tuo sistema riceve vari tipi di query che beneficiano di un trattamento specializzato
- Ottimizzazione delle risorse: Vuoi assegnare query semplici a processori economici mentre indirizzi richieste complesse a sistemi avanzati
- Specializzazione per dominio: Diverse categorie di input richiedono competenze o logica di elaborazione specifiche per dominio
- Ottimizzazione delle prestazioni: Devi bilanciare il carico e garantire tempi di risposta ottimali per diversi tipi di query
3. Flusso di lavoro di parallelizzazione
Il prossimo flusso di lavoro è la parallelizzazione. Questo specifico flusso di lavoro agente ha tipicamente due variazioni principali. Nella parallelizzazione, più sottoposti lavorano contemporaneamente a un compito e i loro output vengono quindi combinati.
- La prima variazione è chiamata sezionamento, dove un compito viene suddiviso in sottocompiti indipendenti che vengono eseguiti in parallelo.
- La seconda variazione è il voto, dove lo stesso compito viene eseguito più volte da diversi sottoposti per produrre output diversi, che vengono poi aggregati.
Questo velocizza grandi flussi di lavoro eseguendo compiti indipendenti contemporaneamente.
Flusso di lavoro sequenziale vs. flusso di lavoro parallelo: un confronto temporale13
Esempio del mondo reale:14
Screenshot dell'esempio di flusso di lavoro di parallelizzazione in n8n
L'esecuzione parallela in n8n dimostra un compito in cui il flusso di lavoro interroga Google utilizzando l'API SERP per recuperare URL LinkedIn e memorizzarli in un Google Foglio. Nella configurazione iniziale, il flusso di lavoro elabora ogni compito sequenzialmente, un sito web alla volta:
- Il flusso di lavoro viene attivato.
- Lo strumento Get recupera il sito web dal Google Foglio.
- L'agente AI utilizza l'API SERP per cercare Google e recuperare l'URL LinkedIn.
- L'URL LinkedIn viene quindi aggiornato nel Google Foglio.
A questo punto, i compiti vengono elaborati uno dopo l'altro, il che può essere lento quando si lavora con grandi set di dati.
n8n ha questa funzionalità in cui puoi selezionare nodi, fare clic e poi dire che vuoi convertire questi nodi selezionati in un sottoflusso di lavoro.
E ciò che accade è che quando fai clic su questo pulsante, darà un nome al mio flusso di lavoro. Quando confermi, trasforma tutto in un sottoflusso di lavoro ed è già collegato qui e chiamato da questo.
Il sottoflusso creato
Quindi n8n ha trasformato questo in un sottoflusso di lavoro, ma non hai ancora la parallelizzazione perché continuerebbe a eseguire tutto qui.
Per farlo effettivamente eseguire in parallelo, tutti gli elementi dovrebbero essere eseguiti come esecuzioni individuali. Quindi, quando fai clic sul nodo puoi scegliere di eseguire una volta per ogni elemento, il che significa che chiamerà il sottoflusso di lavoro individualmente per ogni elemento.
E poi una volta cambiato questo, puoi entrare nel sottoflusso di lavoro e fare clic su esecuzioni. E vedrai che tutti e tre gli elementi sono in esecuzione esattamente nello stesso momento.
Quando utilizzare la parallelizzazione: La parallelizzazione è più efficace quando i compiti possono essere suddivisi in sottocompiti più piccoli e indipendenti che possono essere eseguiti contemporaneamente, migliorando sia la velocità che l'efficienza.
È anche preziosa quando sono necessarie più prospettive o tentativi ripetuti per costruire fiducia nei risultati. Per problemi con diverse parti o criteri di valutazione, i modelli spesso funzionano meglio quando ogni parte ottiene la propria chiamata. Questo mantiene ogni chiamata focalizzata, quindi il ragionamento è più accurato.
4. Flusso di lavoro orchestratore-lavoratori
Il prossimo flusso di lavoro, che diventa più complesso, è il modello orchestratore-lavoratore.
L'architettura orchestratore-lavoratore rende i tuoi flussi di lavoro n8n modulari, scalabili e adattabili, trasformando un'automazione singola e rigida in un sistema componibile di agenti cooperanti.
A prima vista, potrebbe sembrare simile alla parallelizzazione poiché possono essere attivi più sottoposti, ma la distinzione chiave è la flessibilità. A differenza della parallelizzazione, l'installazione orchestratore-lavoratore non si basa su un elenco fisso di sottocompiti. Invece, l'orchestratore decide dinamicamente quali compiti devono essere eseguiti, li assegna ad agenti lavoratori e gestisce la loro coordinazione durante tutto il processo.
Esempio del mondo reale:15
Screenshot dell'esempio di flusso di lavoro orchestratore-lavoratori in n8n
Nell'esempio sopra, il brief viene raccolto una volta e un orchestratore indirizza il lavoro a più agenti specialisti.
L'Agente CEO agisce come LLM orchestratore. Elabora il brief iniziale, lo affina per ogni dipartimento, seleziona quali agenti lavoratori attivare e determina come i loro output saranno integrati. Può decidere di chiamare uno, due o tutti i lavoratori a seconda del contesto e dei vincoli.
Screenshot del nodo Agente CEO
Sotto, tre agenti lavoratori, Marketing, Operazioni e Finanza, eseguono ciascuno il proprio modello di chat OpenAI con configurazioni di memoria e strumenti separate. Questo permette prompt specifici per dipartimento e schemi JSON per un output strutturato.
Screenshot dei tre nodi di agenti lavoratori
Una volta che l'orchestratore ha preparato istruzioni specifiche per dipartimento, invoca ciascun lavoratore come uno strumento per generare output in base agli input.
Ad esempio l'Agente Marketing crea campagne (nome, canale, KPI).
Nodo dello strumento AI (Agente Marketing)
Dopo che gli output dei lavoratori sono stati generati, l'Agente CEO compila e unisce le risposte dei dipartimenti in un singolo piano coerente. Il flusso di lavoro 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 del documento
Quando eseguito, l'orchestratore determina quali agenti attivare, coordina la loro collaborazione e combina i loro output in un singolo rapporto completo, dimostrando come i flussi di lavoro orchestratore-lavoratori permettano sistemi AI flessibili, modulari e componibili.
Quando utilizzare il flusso di lavoro orchestratore-lavoratori: Questo approccio è particolarmente prezioso per risolvere problemi aperti o in evoluzione in cui i passaggi richiesti non possono essere noti in anticipo.
Esempi in cui il flusso di lavoro orchestratore-lavoratori è utile:
- Compiti di codifica: Quando si sviluppa o si esegue il debug di prodotti software complessi che richiedono modifiche coordinate in più file, dove i file esatti e le modifiche possono essere determinati durante l'esecuzione.
- Ricerca e raccolta di informazioni: In compiti che comportano la ricerca, raccolta e analisi di dati da più fonti, dove le informazioni rilevanti non possono essere pienamente identificate in anticipo e devono essere scoperte dinamicamente.
5. Flusso di lavoro valutatore-ottimizzatore
Anche più complesso è il flusso di lavoro valutatore-ottimizzatore. Questa configurazione si avvicina a un comportamento più autonomo, dando al sottoposto o all'agente AI maggiore libertà di decidere quali azioni intraprendere e come migliorare i propri output.
Parti da un input e il primo sottoposto genera una soluzione proposta. Quell'output viene poi passato a un sottoposto valutatore, che ne esamina il risultato. Se il valutatore lo ritiene soddisfacente, l'output viene finalizzato. Ma se determina che il risultato non è abbastanza buono, lo rispedisce al primo sottoposto con un feedback specifico per il miglioramento.
Questo crea un ciclo di feedback continuo in cui l'ottimizzatore affina iterativamente il proprio output finché il valutatore determina che soddisfa gli standard di qualità richiesti.
Esempio del mondo reale:16
Per questo esempio ho esaminato 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 flusso di lavoro valutatore-ottimizzatore end-to-end, avrai bisogno di una configurazione adeguata dell'ambiente, inizializzazione del modello e configurazione dello schema, ecc.
Puoi anche implementare un ciclo valutatore-ottimizzatore utilizzando strumenti di automazione del flusso di lavoro che supportano nodi di valutazione.
Flusso di lavoro valutatore-ottimizzatore con Python:
Un esempio di un ciclo valutatore-ottimizzatore, un modello comune in sistemi AI auto-riflessivi o flussi di lavoro agenti
Questo flusso di lavoro rappresenta un ciclo automatizzato di generazione e valutazione dei contenuti in cui due componenti collaborano: uno crea e l'altro revisiona. 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 ciclo: Chiama evaluator_optimizer_workflow.invoke(initial_state) che iterativamente:
- genera/affina contenuti,
- valuta la qualità,
- ripete fino all'approvazione o a un limite massimo di iterazioni.
- Registra l'esito: Stampa un messaggio di completamento e il generated_content approvato.
- Restituisci i risultati: dizionario final_state (ad es., content_topic, generated_content, quality_assessment).
Visualizzazione del flusso di lavoro:
Ciclo valutatore-ottimizzatore con risultati Python: Ogni ciclo utilizza il feedback precedente per migliorare il contenuto. Il ciclo alla fine produce contenuti che soddisfano lo standard di qualità:
Quando utilizzare il flusso di lavoro valutatore-ottimizzatore: Questo flusso di lavoro è particolarmente utile quando ci sono criteri di valutazione chiari e quando il perfezionamento iterativo può portare a miglioramenti significativi nella qualità.
Esempi in cui il flusso di lavoro valutatore-ottimizzatore 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 e le sottigliezze del testo originale.
- Un altro esempio è nell'aggregazione di ricerca complessa, in cui l'ottimizzatore raccoglie e riassume informazioni mentre il valutatore controlla profondità, completezza e accuratezza. Se il valutatore trova la ricerca insufficiente, la rispedisce per ulteriore lavoro finché il rapporto finale non soddisfa tutti i requisiti ed elabora 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 altamente diversi e complessi nella pratica.
L'agente inizia la sua operazione con un input minimo da parte dell'uomo; di solito un singolo comando o 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 tali azioni contribuiscono al progresso o se sono necessari aggiustamenti. Questo ciclo guidato dal feedback continua finché l'agente determina che l'obiettivo è stato raggiunto o che non è possibile ulteriore progresso.
Esempio del mondo reale:
Nel nostro benchmark degli strumenti di codifica AI, abbiamo osservato che Windsurf e Cursor hanno dimostrato capacità agenti creando autonomamente strutture di file, modificando più file ed eseguendo comandi terminali per distribuire API su Heroku.
Windsurf si è adattato persino ai recenti cambiamenti della piattaforma, quando ha scoperto che l'addon PostgreSQL Hobby Dev era deprecato, ha correttamente riconfigurato la distribuzione per utilizzare PostgreSQL Essential 0.
Riepilogo
Creare agenti AI riguarda meno il raggiungimento dell'autonomia completa e più la creazione di sistemi con uno scopo, trasparenti e affidabili. Dai nostri esperimenti in n8n e dagli spunti ottenuti dalle guide di Anthropic e di OpenAI, abbiamo scoperto che agenti efficaci derivano da scelte di progettazione.
Quando implementiamo agenti, ci concentriamo su tre principi guida:
- Mantieni l'architettura semplice. Inizia in piccolo, costruisci in modo modulare e introduci complessità quando migliora chiaramente le prestazioni o la flessibilità.
- Rendi visibile il processo di ragionamento. Permetti 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 in modo che 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},
title = {{Creazione di agenti AI con modelli componibili}},
year = {2026},
month = may,
howpublished = {\url{https://aimultiple.com/building-ai-agents}},
note = {AIMultiple. Consultato il 20 Maggio 2026}
}Collegamenti di riferimento
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.