Architetture agentiche: separare contesto, memoria e conoscenza
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Un articolo su InfoQ propone il 'context engine' che seleziona e compila lo stato informativo prima dell'inferenza LLM.
InfoQ indica il nuovo collo di bottiglia degli agenti autonomi: decidere cosa l’agente deve sapere, quando ricordarlo, per quanto, e cosa dimenticare1. Il problema è l’orchestrazione di contesto, memoria e conoscenza in modo distinto e coordinato1.
L’articolo propone di spostare il focus dal prompt engineering al context engineering1. Vuol dire costruire un sistema che compila, al momento giusto, lo stato informativo minimo e ad alto valore per il ragionamento del modello1. Contesti piccoli e pertinenti battono prompt lunghi e rumorosi1.
Il contesto è l’informazione immediata e temporanea che vive nella finestra attiva del modello. È l’equivalente della RAM. Cambia con il task e con il momento. La memoria fornisce persistenza oltre la singola interazione. Permette di apprendere dalle esperienze passate e di adattarsi all’utente. La conoscenza è la base curata di fatti, regole e politiche. È il “manuale” del sistema, con logiche di business e dati ufficiali1.
L’errore di contesto alimenta le allucinazioni. Dare al modello il contesto sbagliato aumenta la probabilità di risposte errate1. La conseguenza è pratica: ottimizzare il contesto conta più che massimizzarlo. Serve scegliere solo ciò che è rilevante per il compito in corso, non tutto ciò che potrebbe servire in astratto1.
Per governare questo processo, l’articolo introduce il context engine, parte del control plane del contesto1. È l’orchestratore che seleziona, filtra, classifica, struttura, comprime e protegge l’informazione prima che raggiunga l’endpoint di inferenza LLM1. Attrae dati dalla conoscenza, li categorizza in memoria, e decide il contesto attivo al millisecondo1. È una scelta di ingegneria dei sistemi1.
Il context engine si comporta come un compilatore. Traduce flussi grezzi, storici e in tempo reale in uno stato deterministico pronto al ragionamento1. Costruisce una macchina a stati che consente all’agente probabilistico di eseguire in sicurezza. Autentica gli input. Li valida contro la logica di business. Rimuove PII. Isola i processi in sandbox prima che il modello generi un piano d’azione1.
La separazione di ruoli tra contesto, memoria e conoscenza rende esplicita una domanda operativa: cosa portare in memoria dal passato e cosa ignorare a favore di segnali live1. Gli agenti efficaci combinano esperienza e segnali in tempo reale, guidati dal contesto del task1.
La proposta include un cambio di paradigma architetturale. Il contesto diventa un control plane che concentra il “chi, cosa, perché” dei dati, anziché disperderlo in applicazioni, modelli o microservizi1. In questo schema, il sistema decide cosa il modello vede. Un LLM è tanto utile quanto il modo in cui lo usiamo1.
Restano limiti e costi. L’articolo richiama l’esigenza di affrontare i costi economici dovuti ai limiti degli LLM e le radici tecniche delle allucinazioni con soluzioni sistemiche, non solo con modelli più grandi1. La destinazione, conclude, è un’architettura a più livelli per la prossima generazione di agenti affidabili1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Rilettura. Un passaggio toglie i tic della prosa generata da un modello, come i contrasti costruiti e le frasi che annunciano invece di informare, senza toccare fatti e fonti.
- Fedeltà alle fonti. Un passaggio dedicato toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 7,9/10.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.