Vai al contenuto principaleVai al footer
Esempi

Sfoglia per problema

Trova esempi in base al tipo di fallimento di design agentico che prevengono.

Sfoglia tutti gli esempi

Fallimenti di delega

Gli esempi in questo gruppo affrontano agenti che agiscono senza un confine chiaro: eseguire azioni distruttive senza approvazione, assumere l'intenzione da un contesto incompleto.

Fallimenti di visibilità

I fallimenti di visibilità includono: attività in background che girano silenziosamente, operazioni async che si completano senza conferma e agenti che mostrano stato interno invece di stato operativo significativo.

Fallimenti di fiducia e orchestrazione

Fallimenti di fiducia: azioni non annullabili, handoff senza consapevolezza dell'utente. Fallimenti di orchestrazione: pipeline che non degradano con grazia, errori di sotto-agente che emergono come fallimenti generici.

Pattern di design agentici7

intermediateopenaipydantic

Corrective RAG: valuta ciò che hai recuperato prima di rispondere

Ogni passaggio recuperato viene valutato in base alla rilevanza, gli elementi che falliscono vengono scartati e la risposta viene scritta solo a partire da ciò che supera la valutazione. Se non resta nulla, il pattern rifiuta di rispondere invece di inferire da un contesto non pertinente.

intermediateopenaipydantic

Dry-Run: simula prima di eseguire

L'agent propone un'azione, un simulatore ne prevede l'effetto e la reversibilità, quindi un gate di policy deterministico decide se eseguirla. Il modello non raggiunge mai la funzione reale: il confine è un `if` in Python, non un'istruzione che possa aggirare parlando.

intermediateopenaipydantic

Memoria episodica e semantica: ricordare i turni e ricordare i fatti

Due archivi che rispondono a domande diverse. La memoria episodica conserva ciò che è stato detto e quando; quella semantica conserva fatti estratti e deduplicati sull’utente. Il recupero attinge per impostazione predefinita ai fatti e ricorre alle trascrizioni solo quando la domanda riguarda realmente ciò che è accaduto.

beginneropenaipydantic

ReAct: ragionare, agire, osservare, ripetere

Il modello alterna il ragionamento esplicito alle chiamate agli strumenti e restituisce ogni osservazione al ciclo finché non è in grado di rispondere. Il ragionamento è un campo ispezionabile di prima classe, anziché qualcosa che avviene all'interno del modello, ed è questo che distingue ReAct dalle semplici chiamate agli strumenti.

Chiamate modello e output31

Pattern agente12

advancedpydanticpython-dotenv

Livello 1: LLM aumentato — Singola chiamata API

Una singola chiamata al modello con output strutturato, system prompt e contesto. Nessun loop, nessuno strumento.

advancedpydanticpython-dotenv

Livello 2: Catene di prompt e routing — DAG deterministici

Più chiamate LLM in una sequenza fissa. È il codice a controllare il flusso, non il modello.

advancedpydanticpython-dotenv

Livello 3: Agente con chiamata di strumenti — Autonomia circoscritta

L’agente decide quali strumenti chiamare e in quale ordine, ma solo all’interno di un insieme fisso di capacità ben definite.

advancedpydanticpython-dotenv

Livello 4: Agent Harness — Accesso completo al runtime

Fornisci all’agente un runtime completo tramite l’agent runtime SDK. Può cercare file, leggere documenti e ragionare sui problemi in modo autonomo.

Workflow e orchestrazione8

Utilizzo tool MCP14

Knowledge e retrieval11

Integrazioni framework10

Gestione contesto10

Also in this section

Per runtimeInizia qui