Glossario
Le parole su cui si appoggia quello che qui si scrive, senza fermarsi a spiegarle. Ogni definizione è presa dall'articolo di questo sito che invece la spiega, e rimanda a quell'articolo, così che nulla in questo elenco sia un'affermazione che i testi non facciano già.
- Agente IA
Un agente IA è un sistema guidato da un LLM che opera in un ciclo: pianificare, scomporre un obiettivo in sotto-attività; agire, selezionare e invocare uno o più strumenti; osservare, leggere i risultati degli strumenti e aggiornare lo stato interno; iterare, ripetere finché l'obiettivo non è raggiunto o non si verifica una condizione di arresto. A renderlo un agente e non un workflow è che il modello decide il flusso di controllo a runtime: quale strumento chiamare, se iterare ancora, quando fermarsi.
Spiegato in Agenti IA, MCP e il panorama dei framework moderni, È davvero un agente? Ho costruito lo stesso compito in tre modi per scoprirlo
- Allucinazione
La parola del settore stesso per l'output sbagliato con sicurezza: inesattezze sostanziali che sembrano accurate per il loro livello di dettaglio o specificità. È il rischio che definisce il prodotto, e i termini di ogni fornitore trasferiscono a te il dovere di verificare l'output.
Spiegato in Chi paga quando l'AI sbaglia? Ho letto i termini di dieci vendor per scoprirlo
- Control plane
L'unico posto in cui una flotta di agenti è inventariata, osservata, governata e fermabile. "Ferma ogni agente che ha toccato lo strumento di fatturazione in quest'ora, e dimmi chi lo ha approvato" è al tempo stesso una domanda per il registro, una per l'osservabilità, una per le policy e una per l'audit, e un control plane è il luogo in cui quelle quattro possono essere un'unica query.
Spiegato in Ho costruito un control plane per agenti AI. Ecco cosa serve davvero per governarli
- Finestra di contesto
Quanto testo si può consegnare a un modello in una sola chiamata. È un soffitto, non una salita: oltre quel limite il prompt non degrada, fallisce, con zero chiamate al modello e un errore che dice che il prompt è troppo lungo. Un'architettura che mette l'intero dataset nel prompt, quindi, non peggiora al crescere dei dati: scompare.
Spiegato in È davvero un agente? Ho costruito lo stesso compito in tre modi per scoprirlo
- Kill switch
Il comando che ferma gli agenti, globalmente o per ambiente, team o agente. Deve fermare il lavoro nuovo, non solo quello vecchio: fermare tutti gli agenti è banale da implementare come aggiornamento di stato sulle righe esistenti ed è del tutto inutile se un agente fermato può aprire una nuova run un secondo dopo, quindi l'interruttore deve fare da filtro alla creazione del lavoro.
Spiegato in Ho costruito un control plane per agenti AI. Ecco cosa serve davvero per governarli
- LLMLarge Language Model
Gli LLM sfruttano la potenza degli algoritmi di deep learning e delle reti neurali, in particolare dei modelli transformer, per comprendere e generare testo in linguaggio naturale. Addestrati su enormi dataset come libri, articoli e siti web, questi modelli sono in grado di produrre testo simile a quello umano.
Spiegato in Immagina un mondo in cui i libri rispondono alle tue domande
- MCPModel Context Protocol
Uno standard aperto, creato originariamente da Anthropic e ora governato dalla Linux Foundation. I client, tra cui Claude, ChatGPT, VS Code, gli IDE JetBrains e Cursor, si collegano a server MCP che espongono schemi di strumenti. Il suo valore chiave: scrivi i tuoi strumenti una volta e li esponi a qualsiasi client compatibile con MCP, senza lavoro di integrazione per ogni client.
Spiegato in Agenti IA, MCP e il panorama dei framework moderni
- Osservabilità
Il registro di ciò che un agente ha fatto davvero a runtime: run, span, chiamate ai modelli, chiamate agli strumenti, token, latenza, costi. Senza di esso tutto ciò che accade tra la richiesta e la risposta è invisibile, ed è la prima delle lacune in cui finiscono i team che portano agenti in produzione.
Spiegato in Ho costruito un control plane per agenti AI. Ecco cosa serve davvero per governarli
- RAGRetrieval-Augmented Generation
Collegare un modello linguistico a sorgenti dati esterne, come PDF, API e database, perché la risposta esca da quelle sorgenti e non solo dall'addestramento generale del modello. La parte decisiva è individuare le attività o le domande che richiedono competenza di dominio o informazioni aggiuntive oltre alla conoscenza generale del modello, e capire quali informazioni specifiche servono per generare risposte precise.
Spiegato in Immagina un mondo in cui i libri rispondono alle tue domande
- Strumento (di un agente)
Gli strumenti sono contratti semantici. Un agente legge il nome, la descrizione e lo schema di uno strumento per decidere se e come chiamarlo, quindi se uno di questi segnali è vago l'agente può chiamare lo strumento sbagliato, passare input malformati o interpretare male gli output e produrre allucinazioni a valle.
Spiegato in Agenti IA, MCP e il panorama dei framework moderni
- Suite di valutazioni
Suite di test automatizzati e ripetibili che misurano il tasso di successo dell'agente per strumento: da 10 a 20 attività realistiche con output di riferimento attesi, rieseguite dopo ogni correzione, registrando il tasso di successo, il numero di chiamate agli strumenti, il consumo di token, la latenza e il tasso di errore per categoria.
Spiegato in Agenti IA, MCP e il panorama dei framework moderni
- Workflow
I workflow orchestrano gli LLM lungo percorsi di codice predefiniti; gli agenti dirigono il proprio processo. Una catena fissa di classifica, esegui e componi resta un workflow per quante chiamate all'LLM contenga, perché ogni percorso possibile è stato enumerato da un umano in fase di scrittura.
Spiegato in È davvero un agente? Ho costruito lo stesso compito in tre modi per scoprirlo
Ultimo aggiornamento