Controlli per agenti: come harness, hook e parametri rendono i modelli sfruttabili in produzione

Il 13 ottobre 2026 un esperimento su martinfowler.com porta GPT-6 Luna da 3 successi su 10 a 10 su 10 con un “behavioral harness”, pagando 0,273 dollari per run invece di 0,406 con GPT-6 Sol. A parità di affidabilità, conta il controllo esterno, non solo il modello scelto. Tesi: gli agenti funzionano quando chi li adotta introduce strati di governo tecnici e processuali. Harness, hook in sviluppo, leve di deliberazione, integrazioni mirate, modelli on‑device. Qui si misura l’affidabilità per unità di spesa.

Il nodo centrale: controllo sistemico vs fiducia nel modello

Il confronto Luna, Sol fissa il punto. Senza harness, Luna fallisce 7 run su 10. Con harness, raggiunge 10 su 10 nelle stesse verifiche esterne, come Sol, ma con un costo per run inferiore. La metrica non è una stima astratta. L’autore riporta importi precisi per esecuzione, 0,273 dollari per Luna con harness contro 0,406 per Sol. La scelta cambia. Non è più chi ha il modello più “forte”. È chi governa il comportamento in modo da ottenere affidabilità al costo più basso nelle condizioni di produzione.

La lezione è operativa. Il controllo vive fuori dal modello. Punta a vincolare, orchestrare, misurare. Qui si innestano gli altri casi: blocchi in commit, parametri che regolano il “pensiero”, integrazioni che standardizzano flussi, modelli locali che espongono la traccia di ragionamento.

Harness comportamentali e blocchi in fase di sviluppo

L’harness non “alleggerisce” il sistema. Aumenta token e tempo di esecuzione. L’effetto dipende dal modello. Nel caso di Luna, il trade-off resta favorevole perché riduce il costo per run a parità di affidabilità nelle verifiche esterne. Il confronto economico va fatto su quella unità, non su ipotetiche “esecuzioni affidabili” distinte. Il dato in fonte è netto e sufficiente per decidere.

Lo stesso principio appare lato codice. Geoffrey Huntley sposta il controllo nel posto che nessuno può saltare: il pre-commit. Lo script legge il diff di Git, cerca chiamate dirette a moduli di osservabilità fuori dalla sua libreria di diagnostic. Se le trova, fallisce il commit e inietta un prompt che ordina all’agente di usare la libreria. “All of a sudden it’s ten out of ten.” Non aggiunge eccezioni né passaggi extra. Un gancio, una regola, un risultato ripetibile.

Qui l’harness è un processo di sviluppo. Il sistema blocca deviazioni dagli strumenti di osservabilità. L’agente viene riportato sul binario utile. Misuri e spieghi l’effetto con un numero. Dieci su dieci. Come nell’esperimento su Luna, la differenza la fa un vincolo esterno che incanala il comportamento.

Parametri di deliberazione e controllo del “pensiero” degli agenti

Amazon Bedrock aggiunge su Grok 4.7 un parametro che regola quanta deliberazione il modello compie prima di rispondere. Si chiama reasoning effort. Permette di decidere quanto “tempo di ragionamento” investire, prompt per prompt. La leva nasce con in mente gli agenti che chiamano strumenti esterni. Compiti lunghi, passaggi multipli, verifiche intermedie. Qui conta stabilire quando fermarsi a controllare e quando procedere.

Per misurarne l’impatto, gli autori costruiscono un agente che usa Grok 4.7 per chiamare strumenti. Lo testano su tre compiti che richiedono ricerca e pianificazione, non semplice lookup: diagnosticare un’interruzione che coinvolge due servizi a partire dagli alert, pianificare una manutenzione con vincoli che interagiscono, scegliere un insieme di migrazioni entro un budget. Ogni problema ha una sola risposta corretta, verificata con forza bruta. Eseguono tutti e tre i compiti a ogni livello di reasoning effort per osservare come cambia l’esito.

La logica è coerente con gli harness. Non cambi modello, cambi la quantità di ragionamento. Accetti un costo computazionale noto per aumentare la probabilità di esito corretto su attività dove gli errori costano. La scelta diventa parametrica e misurabile.

Integrazioni cloud che mettono insieme conoscenza, strumenti e tracciabilità

ShipStation Global mette in produzione un agente di help desk IT, Deckhand, dentro un canale Slack dedicato. Lo costruisce su Amazon Bedrock AgentCore e su una base di conoscenza curata. L’agente risponde alle domande frequenti, interpreta screenshot con messaggi di errore, crea e aggiorna ticket su Jira Service Management. L’obiettivo dichiarato è liberare il team IT da richieste ripetitive e ticket di routine per spostare tempo su attività a maggior impatto interno.

Qui il controllo passa per le integrazioni. Slack per l’accesso quotidiano, Jira per la tracciabilità, knowledge base per coerenza di risposta. La scelta dei canali definisce dove avvengono le richieste e come vengono incapsulate.

Orca Security prende un’altra via verso lo stesso obiettivo. Con Discovery AI costruisce, insieme ad AWS, un agente su Bedrock che traduce domande in linguaggio naturale in query Sonar. Riduce il costo del 90 per cento e la latenza del 75 per cento rispetto al baseline iniziale. Sonar espone oltre 900 modelli cloud come tipi di risorsa, relazioni annidate e 18 operatori per filtrare. Senza un traduttore, servivano nomi di modello precisi e passaggi tecnici specifici anche per ricerche semplici.

Il controllo qui è un compilatore tra linguaggi. L’agente incanala domande libere in una lingua di query specifica, pronta all’esecuzione. I risultati sono riportati in termini di costo e latenza rispetto al baseline iniziale.

Modelli on‑device e “reasoning-only”: un altro asse del controllo

LiquidAI rilascia LFM2.5-24B-A2B per agenti locali. Lo definisce “reasoning-only”. Il modello genera sempre una traccia di pensiero prima della risposta. Ha 2 miliardi di parametri attivi per token, 40 layer, blocchi MoE con 64 expert e routing top-4, un ibrido tra short convolutions e GQA. La memoria di contesto sale a 131.000 token. La tokenizzazione raddoppia il vocabolario a 128.000 unità. L’azienda dichiara 184 token al secondo su Apple M5 Max e picchi di 21.000 token di output al secondo su una GPU NVIDIA B300. Sul benchmark LiveClaw totalizza 48,09 punti, contro 38,19 del confronto riportato, Qwen3.6-35B-A3B, che usa circa il 50 per cento di parametri totali e attivi in più secondo la stessa fonte.

Questo è un controllo diverso. Localizzare l’agente mantiene la traccia di pensiero esplicita. La struttura “reasoning-only” forza una disciplina interna nella produzione della risposta. Una forma di harness incorporata nel modello, che stabilisce che prima si pensa, poi si risponde.

Chi costruisce agenti può combinare questi assi. Un pre-commit hook che impone l’uso della libreria di diagnostic. Un parametro di deliberazione che aumenta il reasoning su chiamate critiche. Un traduttore di query che normalizza l’accesso ai dati. Un modello on‑device che conserva le tracce di ragionamento. La somma non è ornamentale, è un sistema di controllo distribuito.

La direzione è chiara nelle fonti. Dove le regole sono esplicite e misurabili, i risultati migliorano, e i numeri lo dicono. Un harness porta un modello “economico” a 10 su 10 con 0,273 dollari per run. Un pre-commit blocca deviazioni dagli strumenti e registra “ten out of ten”. Un parametro espone il costo del pensiero e ne regola la soglia. Un traduttore riporta tagli di costo e latenza sul canale dati. Un modello locale rende visibile il ragionamento e offre nuove combinazioni operative.

Per chi sviluppa software e QA, la domanda operativa diventa dove posare il prossimo vincolo: in codice, in configurazione, nel canale di lavoro o nel modello, sapendo che il ritorno si misura in “dieci su dieci” e in dollari per run.