Come costruire un agente AI

Come costruire un agente AI

Risposta breve: per costruire un agente di intelligenza artificiale che funzioni nella pratica, trattatelo come un ciclo controllato: ricevete input, decidete l'azione successiva, chiamate uno strumento con ambito ristretto, osservate il risultato e ripetete finché non viene superato un chiaro controllo di "completato". Si guadagna il suo posto quando l'attività è multi-step e guidata da uno strumento; se un singolo prompt la risolve, saltate l'agente. Aggiungete schemi di strumenti rigorosi, limiti di step, logging e un validatore/critico in modo che, quando gli strumenti falliscono o gli input sono ambigui, l'agente esegua un'escalation invece di procedere in loop.

Punti chiave:

Ciclo del controller : implementa la ripetizione input→agisci→osserva con condizioni di arresto esplicite e passaggi massimi.

Progettazione degli strumenti : mantieni gli strumenti ristretti, tipizzati, autorizzati e convalidati per evitare il caos del "fai_qualsiasi cosa".

Igiene della memoria : utilizzare uno stato compatto a breve termine più un recupero a lungo termine; evitare di scaricare trascrizioni complete.

Resistenza all'uso improprio : aggiungere liste di autorizzazione, limiti di velocità, idempotenza e "prove di prova" per azioni rischiose.

Testabilità : mantenere una serie di scenari (errori, ambiguità, iniezioni) e rieseguirli a ogni modifica.

Come costruire un agente di intelligenza artificiale? Infografica
Articoli che potrebbero interessarti dopo questo:

🔗 Come misurare le prestazioni dell'IA
Scopri parametri pratici per valutare velocità, precisione e affidabilità.

🔗 Come parlare con l'intelligenza artificiale
Utilizza suggerimenti, contesto e approfondimenti per ottenere risposte migliori.

🔗 Come valutare i modelli di intelligenza artificiale
Confronta i modelli utilizzando test, rubriche e risultati di attività reali.

🔗 Come ottimizzare i modelli di intelligenza artificiale
Migliora la qualità e i costi con la messa a punto, la potatura e il monitoraggio.

1) Cos'è un agente AI, in termini di persone normali 🧠

Un agente AI è un ciclo. Documentazione "Agenti" di LangChain

Ecco fatto. Un loop con un cervello al centro.

Input → pensa → agisci → osserva → ripeti . Articolo ReAct (ragiona + agisci)

Dove:

  • L'input è una richiesta dell'utente o un evento (nuova e-mail, ticket di supporto, ping del sensore).

  • Think è un modello linguistico che ragiona sul passo successivo.

  • Act sta chiamando uno strumento (cerca documenti interni, esegui codice, crea un ticket, redige una risposta). Guida alla chiamata della funzione OpenAI

  • Observe sta leggendo l'output dello strumento.

  • La ripetizione è la parte che lo fa sembrare "agente" invece che "chiacchierone". Documentazione "Agenti" di LangChain

Alcuni agenti sono fondamentalmente macro intelligenti. Altri agiscono più come operatori junior in grado di destreggiarsi tra le varie attività e di recuperare dagli errori. Entrambe le funzioni sono importanti.

Inoltre, non hai bisogno di una completa autonomia. Anzi... probabilmente non la vuoi 🙃

2) Quando dovresti creare un agente (e quando no) 🚦

Crea un agente quando:

  • Il lavoro è articolato in più fasi e cambia a seconda di ciò che accade a metà strada.

  • Il lavoro richiede l'uso di strumenti (database, CRM, esecuzione di codice, generazione di file, browser, API interne). Documentazione "Strumenti" di LangChain

  • Si vogliono risultati ripetibili con limiti, non solo risposte una tantum.

  • È possibile definire "fatto" in modo che un computer possa verificarlo, anche in modo approssimativo.

Non creare un agente quando:

  • Un semplice prompt + risposta risolve il problema (non esagerare con l'ingegneria, altrimenti ti odierai).

  • È necessario un determinismo perfetto (gli agenti possono essere piuttosto coerenti, ma non robotici).

  • Non hai strumenti o dati per connetterti, quindi si tratta per lo più solo di vibrazioni.

Siamo onesti: metà dei "progetti di agenti di intelligenza artificiale" potrebbe essere un flusso di lavoro con poche regole di ramificazione. Ma ehi, a volte anche l'atmosfera conta 🤷♂️

3) Cosa rende una buona versione di un agente AI ✅

Ecco la sezione "Cosa rende una buona versione di" che hai richiesto, solo che sarò un po' schietto:

Una buona versione di un agente di intelligenza artificiale non quella che pensa più intensamente. È quella che:

Se il tuo agente non può essere testato, è fondamentalmente una slot machine molto affidabile. Divertente alle feste, terrificante in produzione 😬

4) Gli elementi costitutivi fondamentali di un agente (l'”anatomia” 🧩)

La maggior parte degli agenti solidi è composta da questi pezzi:

A) Il ciclo del controller 🔁

Questo è l'orchestratore:

B) Strumenti (ovvero capacità) 🧰

Gli strumenti sono ciò che rende un agente efficace: documentazione sugli "Strumenti" di LangChain

  • query di database

  • invio di e-mail

  • estrazione di file

  • codice in esecuzione

  • chiamata di API interne

  • scrivere su fogli di calcolo o CRM

C) Memoria 🗃️

Due tipi di questioni sono importanti:

  • memoria a breve termine : contesto di esecuzione corrente, passaggi recenti, piano attuale

  • memoria a lungo termine : preferenze dell'utente, contesto del progetto, conoscenza recuperata (spesso tramite incorporamenti + un archivio vettoriale) documento RAG

D) Pianificazione e politica decisionale 🧭

Anche se non lo chiami "pianificazione", hai bisogno di un metodo:

E) Guardrail e valutazione 🧯

Sì, è più un'operazione ingegneristica che di sollecitazione. Il che è... più o meno il punto.

5) Tabella comparativa: metodi popolari per creare un agente 🧾

Di seguito è riportata una "Tabella di confronto" realistica, con qualche particolarità, perché le squadre vere sono particolari 😄

Strumento/Framework Pubblico Prezzo Perché funziona Note (piccolo caos)
Catena Lan costruttori a cui piacciono i componenti in stile Lego abbastanza gratuito + infra grande ecosistema per strumenti, memoria, catene puoi diventare veloce come uno spaghetto se non nomini le cose in modo chiaro
Indice dei lama Squadre con un'elevata presenza di RAG abbastanza gratuito + infra forti modelli di recupero, indicizzazione, connettori ottimo quando il tuo agente è fondamentalmente "cerca + agisci"... il che è comune
Approccio in stile OpenAI Assistants team che desiderano una configurazione più rapida basato sull'utilizzo modelli di chiamata degli strumenti incorporati e stato di esecuzione meno flessibile in alcuni angoli, ma pulito per molte app OpenAI esegue la chiamata di funzione degli assistenti OpenAI
Kernel semantico sviluppatori che desiderano un'orchestrazione strutturata abbastanza gratuito astrazione ordinata per competenze/funzioni sembra "un'azienda ordinata" - a volte è un complimento 😉
AutoGen sperimentatori multi-agente abbastanza gratuito modelli di collaborazione agente-agente può parlare troppo; stabilire regole di terminazione rigide
CrewAI tifosi delle “squadre di agenti” abbastanza gratuito ruoli + compiti + passaggi di consegne sono facili da esprimere funziona meglio quando i compiti sono chiari e non confusi
Pagliaio ricerca + persone di pipeline abbastanza gratuito condotte solide, recupero, componenti meno “teatro agente”, più “fabbrica pratica”
Crea il tuo loop personalizzato maniaci del controllo (affettuosi) il tuo tempo magia minima, massima chiarezza di solito è la cosa migliore a lungo termine... finché non reinventi tutto 😅

Non esiste un vincitore unico. La scelta migliore dipende dal fatto che il compito principale del tuo agente sia il recupero , l'esecuzione di strumenti , il coordinamento multi-agente o l'automazione del flusso di lavoro .

6) Come costruire un agente AI passo dopo passo (la ricetta vera e propria) 🍳🤖

Questa è la parte che la maggior parte delle persone salta, chiedendosi poi perché l'agente si comporti come un procione in una dispensa.

Fase 1: Definisci il lavoro in una frase 🎯

Esempi:

  • "Scrivi una bozza di risposta al cliente utilizzando il contesto della policy e del ticket, quindi chiedi l'approvazione."

  • “Esamina una segnalazione di bug, riproducila e proponi una correzione.”

  • “Trasforma gli appunti imperfetti delle riunioni in compiti, responsabili e scadenze.”

Se non riesci a definirlo in modo semplice, non ci riuscirà nemmeno il tuo agente. Voglio dire, potrebbe farlo, ma improvviserà, e l'improvvisazione è il modo in cui i budget vanno a morire.

Fase 2: Decidi il livello di autonomia (basso, medio, piccante) 🌶️

  • Bassa autonomia : suggerisce i passaggi, i clic umani "approvano"

  • Medio : esegue strumenti, elabora bozze di output, intensifica l'incertezza

  • Alto : esegue end-to-end, invia ping agli umani solo in caso di eccezioni

Inizia con un livello più basso di quello che desideri. Puoi sempre aumentarlo più avanti.

Fase 3: Scegli la tua strategia modello 🧠

Di solito si sceglie:

  • un modello forte per tutto (semplice)

  • un modello potente + modello più piccolo per passaggi economici (classificazione, routing)

  • modelli specializzati (visione, codice, discorso) se necessario

Decidere inoltre:

  • token massimi

  • temperatura

  • se consentire lunghe tracce di ragionamento internamente (è possibile, ma non esporre la catena di pensiero grezza agli utenti finali)

Fase 4: definire gli strumenti con schemi rigorosi 🔩

Gli strumenti dovrebbero essere:

Invece di uno strumento chiamato do_anything(input: string) , crea:

  • search_kb(query: stringa) -> risultati[]

  • create_ticket(titolo: stringa, corpo: stringa, priorità: enum) -> ticket_id

  • send_email(to: string, subject: string, body: string) -> status Guida alla chiamata della funzione OpenAI

Se date all'agente una motosega, non sorprendetevi se poterà una siepe e rimuoverà anche la recinzione.

Passaggio 5: Costruisci il loop del controller 🔁

Ciclo minimo:

  1. Inizia con l'obiettivo + contesto iniziale

  2. Chiedi al modello: "Prossima azione?"

  3. Se lo strumento chiama - esegue lo strumento

  4. Aggiungi osservazione

  5. Controllare le condizioni di arresto

  6. Ripeti (con il numero massimo di passaggi) i documenti "Agenti" di LangChain

Aggiungere:

Fase 6: aggiungi la memoria con attenzione 🗃️

A breve termine: mantenere un "riepilogo dello stato" compatto aggiornato a ogni passaggio. "Panoramica della memoria" di LangChain
A lungo termine: archiviare dati durevoli (preferenze utente, regole organizzative, documentazione stabile).

Regola pratica:

  • se cambia spesso, mantienilo a breve termine

  • se è stabile, conservare a lungo termine

  • se è sensibile, conservarlo il meno possibile (o per niente)

Passaggio 7: aggiungere la convalida e un passaggio "critico" 🧪

Un modello pratico ed economico:

  • l'agente genera il risultato

  • il validatore controlla la struttura e i vincoli

  • revisioni facoltative del modello critico per passaggi mancanti o violazioni delle policy NIST AI RMF 1.0

Non è perfetto, ma coglie una quantità impressionante di assurdità.

Passaggio 8: registra tutto ciò che ti pentirai di non aver registrato 📜

Tronco d'albero:

Futuro: ti ringrazierai. Presente: dimenticherai. Questa è la vita 😵💫

7) Chiamata di strumenti che non ti spezza l'anima 🧰😵

La chiamata degli strumenti è il momento in cui "Come costruire un agente di intelligenza artificiale" diventa vera e propria ingegneria del software.

Rendere gli strumenti affidabili (affidabile è un bene)

Gli strumenti affidabili sono:

Aggiungere protezioni al livello degli strumenti, non solo prompt

I prompt sono suggerimenti cortesi. La convalida degli strumenti è una porta chiusa a chiave. Output strutturati di OpenAI

Fare:

  • liste consentite (quali strumenti possono essere eseguiti)

  • convalida dell'input

  • limiti di velocità Guida ai limiti di velocità OpenAI

  • controlli dei permessi per utente/organizzazione

  • “modalità di prova” per azioni rischiose

Progettazione per guasti parziali

Gli strumenti falliscono. Le reti traballano. L'autorizzazione scade. Un agente deve:

Un trucco efficace ma discreto: restituire errori strutturati come:

  • tipo: auth_error

  • tipo: non trovato

  • tipo: rate_limited
    In questo modo il modello può rispondere in modo intelligente anziché farsi prendere dal panico.

8) Un ricordo che ti aiuta invece di tormentarti 👻🗂️

La memoria è potente, ma può anche trasformarsi in un cassetto pieno di cianfrusaglie.

Memoria a breve termine: mantienila compatta

Utilizzo:

  • ultimi N passi

  • un riepilogo in esecuzione (aggiornato a ogni ciclo)

  • piano attuale

  • vincoli attuali (budget, tempo, politiche)

Se si inserisce tutto nel contesto, si ottiene:

  • costo più elevato

  • latenza più lenta

  • più confusione (sì, anche allora)

Memoria a lungo termine: recupero anziché “riempimento”

La maggior parte della “memoria a lungo termine” è più simile a:

  • incorporamenti

  • negozio vettoriale

  • generazione aumentata del recupero (RAG) documento RAG

L'agente non memorizza. Recupera gli snippet più rilevanti in fase di esecuzione. LlamaIndex "Introduzione a RAG"

Regole pratiche di memoria

  • Memorizza le "preferenze" come fatti espliciti: "All'utente piacciono i riepiloghi puntati e odia le emoji" (lol, non qui però 😄)

  • Memorizzare le “decisioni” con timestamp o versioni (altrimenti si accumulano le contraddizioni)

  • Non conservare mai segreti a meno che tu non ne abbia veramente bisogno

Ed ecco la mia metafora imperfetta: la memoria è come un frigorifero. Se non lo pulisci mai, alla fine il tuo panino avrà il sapore di cipolle e rimpianti.

9) Modelli di pianificazione (da semplici a fantasiosi) 🧭✨

La pianificazione è solo una decomposizione controllata. Non renderla mistica.

Modello A: Planner di checklist ✅

  • Il modello produce un elenco di passaggi

  • Esegue passo dopo passo

  • Aggiorna lo stato della checklist

Ottimo per l'onboarding. Semplice e testabile.

Schema B: ciclo ReAct (ragione + atto) 🧠→🧰

  • il modello decide la prossima chiamata dello strumento

  • osserva l'output

  • ripete il documento ReAct

Questa è la classica sensazione dell'agente.

Modello C: Supervisore-lavoratore 👥

Ciò è utile quando le attività sono parallelizzabili o quando si desiderano "ruoli" diversi, come:

  • ricercatore

  • programmatore

  • editore

  • Controllore QA

Modello D: Pianifica e poi esegui con ripianificazione 🔄

  • creare un piano

  • eseguire

  • se i risultati dello strumento cambiano la realtà, riprogrammare

Questo impedisce all'agente di seguire ostinatamente un piano sbagliato. Anche gli umani lo fanno, a meno che non siano stanchi, nel qual caso seguono anche loro piani sbagliati.

10) Sicurezza, affidabilità e non essere licenziati 🔐😅

Se il tuo agente può intervenire, hai bisogno di un progetto di sicurezza. Non "bello da avere". Necessario. NIST AI RMF 1.0

Limiti rigidi

  • numero massimo di passi per corsa

  • numero massimo di chiamate di utensili al minuto

  • spesa massima per sessione (budget token)

  • strumenti limitati dietro l'approvazione

Trattamento dei dati

  • oscurare gli input sensibili prima di effettuare la registrazione

  • ambienti separati (sviluppo vs produzione)

  • permessi dello strumento con privilegi minimi

vincoli comportamentali

  • costringere l'agente a citare frammenti di prove interne (non link esterni, solo riferimenti interni)

  • richiedono indicatori di incertezza quando la fiducia è bassa

  • richiedere di "porre una domanda chiarificatrice" se gli input sono ambigui

Un agente affidabile non è quello più sicuro di sé. È quello che sa quando tirare a indovinare... e lo dice.

11) Test e valutazione (la parte che tutti evitano) 🧪📏

Non puoi migliorare ciò che non puoi misurare. Sì, questa frase è banale, ma è fastidiosamente vera.

Costruisci un set di scenari

Crea 30-100 casi di test:

Risultati del punteggio

Utilizza parametri come:

  • tasso di successo del compito

  • tempo di completamento

  • tasso di recupero degli errori degli strumenti

  • tasso di allucinazioni (affermazioni senza prove)

  • tasso di approvazione umana (se in modalità supervisionata)

Test di regressione per prompt e strumenti

Ogni volta che cambi:

  • schema dello strumento

  • istruzioni di sistema

  • logica di recupero

  • formato della memoria
    Eseguire nuovamente la suite.

Gli agenti patogeni sono animali sensibili. Come le piante d'appartamento, ma più costosi.

12) Modelli di distribuzione che non prosciugano il tuo budget 💸🔥

Inizia con un singolo servizio

Aggiungere controlli sui costi in anticipo

  • memorizzazione nella cache dei risultati del recupero

  • compressione dello stato della conversazione con riepiloghi

  • utilizzando modelli più piccoli per il routing e l'estrazione

  • limitare la “modalità di pensiero profondo” ai passaggi più difficili

Scelta architettonica comune

  • controller stateless + archivio di stato esterno (DB/redis)

  • le chiamate degli strumenti sono idempotenti ove possibile Stripe "Richieste idempotenti"

  • coda per attività lunghe (in modo da non tenere aperta una richiesta web per sempre)

Inoltre: costruisci un "kill switch". Non ne avrai bisogno finché non ne avrai davvero, davvero bisogno 😬

13) Note conclusive: la versione breve su come costruire un agente AI 🎁🤖

Se non ricordi altro, ricorda questo:

Un agente non è magico. È un sistema che prende decisioni giuste abbastanza spesso da essere prezioso... e ammette la sconfitta prima che causi danni. In un certo senso, è silenziosamente confortante 😌

E sì, se lo si costruisce bene, è come assumere un piccolo stagista digitale che non dorme mai, a volte va nel panico e ama la burocrazia. Quindi, in pratica, uno stagista.

Domande frequenti

Cos'è un agente AI, in parole semplici?

Un agente di intelligenza artificiale è fondamentalmente un ciclo che si ripete: riceve input, decide il passo successivo, utilizza uno strumento, legge il risultato e ripete finché non è completato. La componente "agente" deriva dall'agire e dall'osservare, non solo dal chiacchierare. Molti agenti sono semplicemente automazioni intelligenti con accesso agli strumenti, mentre altri si comportano più come operatori junior in grado di recuperare gli errori.

Quando dovrei creare un agente AI invece di usare semplicemente un prompt?

Costruisci un agente quando il lavoro è articolato in più fasi, cambia in base ai risultati intermedi e richiede l'utilizzo di strumenti affidabili (API, database, ticketing, esecuzione di codice). Gli agenti sono utili anche quando si desiderano risultati ripetibili con guardrail e un modo per contrassegnare il processo come "fatto". Se una semplice risposta rapida funziona, un agente di solito non genera overhead e modalità di errore aggiuntive.

Come posso creare un agente di intelligenza artificiale che non resti bloccato nei loop?

Utilizza condizioni di arresto forzato: numero massimo di passaggi, numero massimo di chiamate agli strumenti e controlli di completamento chiari. Aggiungi schemi di strumenti strutturati, timeout e tentativi che non verranno ripetuti all'infinito. Registra le decisioni e gli output degli strumenti in modo da poter individuare eventuali errori. Una valvola di sicurezza comune è l'escalation: se l'agente è incerto o ripete gli errori, dovrebbe chiedere aiuto anziché improvvisare.

Qual è l'architettura minima per Come creare un agente AI?

Come minimo, è necessario un ciclo di controllo che fornisca al modello un obiettivo e un contesto, richieda l'azione successiva, esegua uno strumento se richiesto, aggiunga l'osservazione e ripeta. Sono inoltre necessari strumenti con forme di input/output rigorose e un controllo "fatto". Anche un ciclo personalizzabile può funzionare bene se si mantiene pulito lo stato e si applicano limiti di passo.

Come dovrei progettare la chiamata degli strumenti in modo che sia affidabile in produzione?

Mantieni gli strumenti ristretti, tipizzati, autorizzati e convalidati: evita uno strumento generico "fai_qualsiasi_cosa". Preferisci schemi rigorosi (come output strutturati/chiamate di funzioni) in modo che l'agente non possa gestire manualmente gli input. Aggiungi liste consentite, limiti di velocità e controlli delle autorizzazioni utente/organizzazione a livello di strumento. Progetta gli strumenti in modo che siano sicuri da rieseguire quando possibile, utilizzando modelli di idempotenza.

Qual è il modo migliore per aggiungere memoria senza peggiorare le prestazioni dell'agente?

Considerate la memoria come due parti: stato di esecuzione a breve termine (passaggi recenti, piano attuale, vincoli) e recupero a lungo termine (preferenze, regole stabili, documentazione pertinente). Mantenete la memoria a breve termine compatta, con riepiloghi in esecuzione, non trascrizioni complete. Per la memoria a lungo termine, il recupero (incorporamenti + archivio vettoriale/pattern RAG) di solito è meglio che "inserire" tutto nel contesto e confondere il modello.

Quale modello di pianificazione dovrei utilizzare: checklist, ReAct o supervisore-lavoratore?

Un pianificatore di checklist è ottimo quando le attività sono prevedibili e si desidera qualcosa di facile da testare. I cicli in stile ReAct sono efficaci quando i risultati degli strumenti cambiano le azioni successive. I modelli supervisore-lavoratore (come la separazione dei ruoli in stile AutoGen) sono utili quando le attività possono essere parallelizzate o trarre vantaggio da ruoli distinti (ricercatore, programmatore, QA). Pianificare e poi eseguire con ripianificazione è una pratica via di mezzo per evitare piani ostinati e sbagliati.

Come posso rendere sicuro un agente se può intraprendere azioni reali?

Utilizza autorizzazioni con privilegi minimi e limita gli strumenti rischiosi dietro modalità di approvazione o "dry-run". Aggiungi budget e limiti: numero massimo di passaggi, spesa massima e limiti di chiamata strumento al minuto. Edulcora i dati sensibili prima della registrazione e separa gli ambienti di sviluppo da quelli di produzione. Richiedi flag di incertezza o domande di chiarimento quando gli input sono ambigui, invece di lasciare che la sicurezza sostituisca le prove.

Come posso testare e valutare un agente di intelligenza artificiale in modo che migliori nel tempo?

Crea una suite di scenari con percorsi ottimali, casi limite, guasti degli strumenti, richieste ambigue e tentativi di iniezione di prompt (in stile OWASP). Valuta i risultati come il successo dell'attività, il tempo di completamento, il ripristino da errori degli strumenti e le richieste senza prove. Ogni volta che modifichi gli schemi degli strumenti, i prompt, il recupero o la formattazione della memoria, esegui nuovamente la suite. Se non puoi testarla, non puoi distribuirla in modo affidabile.

Come posso distribuire un agente senza aumentare la latenza e i costi?

Uno schema comune è un controller stateless con un archivio di stato esterno (DB/Redis), servizi di strumenti a supporto e un potente sistema di logging/monitoraggio (spesso OpenTelemetry). Controlla i costi con il retrieval caching, riepiloghi di stato compatti, modelli più piccoli per routing/estrazione e limitando il "deep thinking" ai passaggi più complessi. Utilizza code per le attività lunghe in modo da non tenere aperte le richieste web. Includi sempre un kill switch.

Riferimenti

  1. National Institute of Standards and Technology (NIST) - NIST AI RMF 1.0 (affidabilità e trasparenza) - nvlpubs.nist.gov

  2. OpenAI - Output strutturati - platform.openai.com

  3. OpenAI - Guida alla chiamata delle funzioni - platform.openai.com

  4. OpenAI - Guida ai limiti di velocità - platform.openai.com

  5. OpenAI - Esegue l'API - platform.openai.com

  6. OpenAI - Chiamata di funzioni degli assistenti - platform.openai.com

  7. LangChain - Documentazione sugli agenti (JavaScript) - docs.langchain.com

  8. LangChain - Documentazione degli strumenti (Python) - docs.langchain.com

  9. LangChain - Panoramica della memoria - docs.langchain.com

  10. arXiv - Articolo ReAct (ragione + atto) - arxiv.org

  11. arXiv - Articolo RAG - arxiv.org

  12. Amazon Web Services (AWS) Builders' Library - Timeout, nuovi tentativi e backoff con jitter - aws.amazon.com

  13. OpenTelemetry - Introduzione all'osservabilità - opentelemetry.io

  14. Stripe - Richieste idempotenti - docs.stripe.com

  15. Google Cloud - Strategia di ripetizione (backoff + jitter) - docs.cloud.google.com

  16. OWASP - Top 10 per applicazioni di modelli linguistici di grandi dimensioni - owasp.org

  17. OWASP - LLM01 Iniezione rapida - genai.owasp.org

  18. LlamaIndex - Introduzione a RAG - developers.llamaindex.ai

  19. Microsoft - Kernel semantico - learn.microsoft.com

  20. Microsoft AutoGen - Framework multi-agente (documentazione) - microsoft.github.io

  21. CrewAI - Concetti di agenti - docs.crewai.com

  22. Haystack (deepset) - Documentazione sui retriever - docs.haystack.deepset.ai

Trova l'ultima intelligenza artificiale nello store ufficiale di AI Assistant

Chi siamo

Torna al blog