Un agente AI è un large language model messo in un ciclo. Pianifica scomponendo un obiettivo in passaggi, agisce richiamando strumenti per leggere dati, eseguire codice, inviare messaggi o interrogare un sistema, osserva il risultato reale che torna indietro e ripete finché l'obiettivo non viene raggiunto. Tre elementi fanno funzionare tutto questo: il modello è il motore di ragionamento che decide, gli strumenti sono le sue mani che toccano il mondo esterno e la memoria è ciò che lo rende stateful, perché un LLM da solo dimentica tutto non appena la sua finestra di contesto si riempie. Questa è l'intera idea. Tutto il resto è ingegneria attorno a queste tre parti.
Questo articolo mappa quell'anatomia in tre parti nel modo in cui la descrivono le persone che costruiscono davvero gli agenti. Anthropic, AWS, Google e IBM usano parole leggermente diverse, ma convergono sullo stesso modello. Alla fine avrai il modello mentale canonico, in una sola lettura, senza gergo tecnico. Se preferisci che lo facciamo noi per te, scopri come gestiamo l'architettura di AI generativa, ma tutto ciò che trovi qui è a tua disposizione da usare in autonomia.
Che cos'è un agente AI, in una frase?
AWS dà la definizione più semplice: un agente AI è un software in grado di interagire con il proprio ambiente, raccogliere dati e usare quei dati per svolgere compiti auto-diretti che soddisfano obiettivi predeterminati. La parola chiave è auto-diretto. Gli esseri umani fissano l'obiettivo, ma l'agente sceglie in modo indipendente le azioni che compie per arrivarci.
Questa distinzione è ciò che separa un agente da un chatbot e dall'automazione tradizionale. Un chatbot risponde e si ferma. L'automazione tradizionale segue uno script fisso che hai scritto in anticipo e si rompe nel momento in cui la realtà non corrisponde allo script. Un agente legge il contesto, esprime un giudizio, compie un'azione, osserva il risultato e si adatta. Può gestire il lavoro complicato e a più passaggi che prima richiedeva una persona.
Che cos'è il ciclo pianifica, agisci, osserva?
Il ciclo è il battito cardiaco di ogni agente. Togli il marchio e tutte e quattro le fonti principali descrivono lo stesso ciclo:
- Pianifica. Il modello scompone l'obiettivo in passaggi più piccoli e ordinati. AWS lo chiama modulo di pianificazione, che sequenzia i passaggi in modo logico prima che il lavoro inizi.
- Agisci. L'agente richiama uno strumento per fare qualcosa di reale: recuperare un record, eseguire codice, inviare un'email, interrogare un database.
- Osserva. Il risultato torna indietro dall'ambiente e l'agente lo legge. Anthropic sottolinea che ottenere questa verità di base dall'ambiente a ogni passaggio è ciò che mantiene l'agente onesto, invece di inventare cose con sicurezza.
- Ripeti. Con le nuove informazioni, l'agente ripianifica e agisce di nuovo, ripetendo il ciclo finché non raggiunge l'obiettivo o un punto di arresto.
AWS inquadra lo stesso ciclo come quattro fasi: determinare gli obiettivi, acquisire informazioni, eseguire i compiti e valutare i progressi rispetto agli obiettivi. Google chiama livello di orchestrazione la parte del sistema che esegue questo ciclo e dice che continua finché l'agente non ha raggiunto il suo obiettivo o un punto di arresto. Etichette diverse, meccanica identica.
Una sfumatura che vale la pena conoscere. IBM distingue gli agenti di pianificazione, che anticipano gli stati futuri e generano un piano d'azione completo prima di eseguirlo, dagli agenti reattivi, che rispondono un passaggio alla volta. La maggior parte degli agenti utili combina entrambi: abbozzano un piano, poi lo adattano man mano che il passaggio di osservazione restituisce la realtà.
Cosa fa il modello? (il cervello)
Il modello è il motore di ragionamento. Google lo chiama il cervello dell'agente e il decisore centrale. È la parte che interpreta l'obiettivo, decide quale strumento usare e giudica se l'ultimo risultato ha fatto progredire le cose.
Come ragiona davvero? Nel settore ricorrono alcune tecniche consolidate:
- Chain-of-Thought. Il modello scompone un problema in passaggi logici intermedi invece di saltare direttamente a una risposta. IBM osserva che gli agenti adattano le loro strategie usando questo tipo di ragionamento passo dopo passo.
- ReAct. Il modello alterna ragionamento verbale e azioni specifiche per il compito, pensando e poi facendo in un ciclo serrato. È lo schema su cui si basa la maggior parte dei cicli degli agenti.
- Tree-of-Thoughts. Il modello esplora un albero ramificato di percorsi di ragionamento anziché una sola linea, utile quando un problema ha molti approcci possibili.
La cosa importante da capire per chi acquista: il modello non contiene una speciale modalità "agente". È lo stesso tipo di LLM che hai usato in una finestra di chat. Ciò che lo trasforma in un agente è racchiuderlo nel ciclo, negli strumenti e nella memoria descritti qui.
Cosa sono gli strumenti? (le mani e gli occhi)
Un modello da solo può solo produrre testo. Gli strumenti sono il modo in cui tocca il mondo. Google li chiama le mani e gli occhi dell'agente, e la metafora è precisa: gli strumenti sono il modo in cui l'agente sia percepisce (legge dati) sia agisce (cambia qualcosa).
Anthropic descrive il blocco di base come un LLM potenziato con integrazioni come retrieval, strumenti e memoria. AWS elenca gli esempi di tutti i giorni: gli strumenti permettono a un agente di recuperare dati, inviare email, eseguire codice, interrogare database o persino controllare hardware. Google li raggruppa in tre tipi che vale la pena conoscere:
- Extensions. Un ponte standardizzato verso un'API esterna, così l'agente può scalare verso molti sistemi attraverso un'interfaccia comune.
- Functions. Capacità specifiche che l'agente può richiamare, come una singola operazione all'interno del tuo software.
- Data Stores. Database vettoriali e retrieval (RAG) che danno all'agente informazioni aggiornate e fondate, invece di affidarsi solo a ciò che il modello ha memorizzato durante l'addestramento.
Ecco dove la teoria incontra la realtà. I tre principi di progettazione fondamentali di Anthropic per gli agenti sono: mantenere la semplicità, mantenere la trasparenza (mostrare i passaggi di pianificazione) e curare con attenzione l'interfaccia agente-computer (la ACI). Quest'ultimo è il fattore decisivo silenzioso. Uno strumento vago e mal documentato produce un agente confuso e incline agli errori. Una definizione chiara dello strumento produce un agente affidabile. Collegare bene gli strumenti è lavoro di ingegneria, non una casella da spuntare.
Che cos'è la memoria di un agente, e perché conta così tanto?
Questa è la parte che la maggior parte delle spiegazioni sottovaluta. IBM enuncia il problema senza mezzi termini: gli LLM sono stateless e di per sé non ricordano nulla. Ogni turno parte da una pagina bianca. La memoria è il livello che permette a un agente di imparare dalle interazioni passate, conservare informazioni e mantenere il contesto. Senza di essa, il tuo agente dimentica il nome del cliente, il piano che ha creato e il risultato dello strumento che ha appena richiamato, nell'istante in cui la finestra di contesto si riempie.
La memoria si presenta su due livelli, e il livello a lungo termine ha tre varianti. AWS e IBM concordano su questo:
| Tipo di memoria | Cosa contiene | Esempio quotidiano |
|---|---|---|
| Breve termine | La finestra di contesto attiva, la conversazione corrente | La cronologia della chat nel compito che stai eseguendo ora |
| Lungo termine: episodica | Eventi passati specifici | Cosa è successo nel ticket precedente di un cliente |
| Lungo termine: semantica | Fatti, definizioni e regole strutturati | Il tuo catalogo prodotti, le tue policy |
| Lungo termine: procedurale | Competenze e comportamenti appresi | Come gestire il tuo processo di rimborso, passo dopo passo |
Google colloca insieme memoria, stato, ragionamento e pianificazione nel livello di orchestrazione, la parte che chiama il sistema nervoso dell'agente. È l'immagine mentale giusta: la memoria non è un'aggiunta posticcia, è intrecciata nel ciclo.
E la memoria è dove vivono davvero l'affidabilità e il costo nel mondo reale. Anthropic ha pubblicato i numeri del suo strumento di memoria, un sistema basato su file in cui il modello può creare, leggere, aggiornare ed eliminare file in una directory di memoria dedicata che persiste tra le conversazioni e si trova al di fuori della finestra di contesto. Abbinato al context editing, che cancella automaticamente le chiamate agli strumenti obsolete man mano che il modello si avvicina al suo limite di token, i risultati non sono stati irrilevanti:
- Lo strumento di memoria più il context editing hanno migliorato le prestazioni di ricerca agentica del 39% rispetto al baseline nella valutazione interna a più passaggi di Anthropic.
- Il context editing da solo ha migliorato le prestazioni del 29% nella stessa valutazione.
- In un test di ricerca web da 100 turni, il context editing ha tagliato il consumo di token dell'84% e ha permesso agli agenti di completare workflow che altrimenti sarebbero falliti per esaurimento del contesto.
Rileggi quei numeri. La differenza tra un agente che funziona e uno che esaurisce la memoria a metà di un compito è in gran parte una decisione di memoria e di gestione del contesto. È per questo che trattiamo la memoria come l'eroe del sistema, non come il terzo riquadro di un diagramma.
Dove sono d'accordo tutte e quattro le fonti?
Per chi acquista senza competenze tecniche, la parte rassicurante è il consenso. Togli il vocabolario di ciascuna azienda e l'anatomia è identica:
| La parte | Anthropic | AWS | IBM | |
|---|---|---|---|---|
| Ragionamento | L'LLM che dirige il proprio processo | Foundation model come motore di ragionamento | Il modello, il cervello e il decisore | Ragionamento agentico, presa di decisioni |
| Esecuzione | Strumenti e integrazioni di retrieval | Strumenti (API, codice, database) | Strumenti, le mani e gli occhi | Modulo di azione |
| Memoria | Memoria più gestione del contesto | Memoria a breve e lungo termine | Memoria nel livello di orchestrazione | LLM stateless reso stateful dalla memoria |
| Il ciclo | Verità di base dall'ambiente a ogni passaggio | Determinare, acquisire, eseguire, valutare | Il livello di orchestrazione ripete fino all'obiettivo | Pianifica, poi agisci, poi adatta |
Stessa macchina, quattro dialetti. Un modello che pianifica e ragiona, strumenti che agiscono, memoria che persiste, tutto in esecuzione in un ciclo che verifica la realtà a ogni passaggio.
Quindi perché costruire un agente è ancora difficile?
Se l'anatomia è così chiara, perché così tanti progetti di agenti si arenano? Perché ogni fonte descrive il ciclo come se si eseguisse da solo, e nessuna di esse menziona chi lo tiene in funzione.
In pratica, la parte difficile non è il ciclo. È l'ingegneria che lo circonda. Le indicazioni stesse di Anthropic sono di partire dalla cosa più semplice che funziona (spesso un workflow fisso, non un agente del tutto autonomo), definire ogni strumento con cura, dare all'agente un feedback onesto dall'ambiente a ogni passaggio e gestire il contesto in modo che non esaurisca la memoria a metà di un compito. Ognuna di queste cose è lavoro continuo: progettare l'interfaccia degli strumenti, strutturare la memoria, scegliere una strategia di gestione del contesto e costruire il ciclo di valutazione che ti dice se l'agente sta migliorando o sta silenziosamente andando alla deriva.
È esattamente la lacuna che la maggior parte delle aziende non riesce a coprire con il proprio personale. Ora comprendi il meccanismo. Trasformare il meccanismo in qualcosa che funziona in modo affidabile all'interno della tua azienda, giorno dopo giorno, è un lavoro diverso. È quello che facciamo noi: pianifichiamo, costruiamo e gestiamo gli agenti (gli strumenti, la memoria, la strategia di contesto e le valutazioni) all'interno della tua azienda, così ottieni un sistema operativo invece di un esperimento da laboratorio.
Se vuoi che il modello mentale canonico si trasformi in un agente funzionante, prenota una consulenza gratuita qui sotto e mapperemo insieme il tuo primo agente.