Introduzione

“The Hitchhiker’s Guide to Agentic AI” è una guida pratica rivolta a chi vuole sviluppare agenti intelligenti partendo da un modello di linguaggio di grandi dimensioni (LLM) fino alla messa in produzione di sistemi autonomi. L’autore parte da una tesi centrale: per costruire agenti di alto livello è necessario comprendere ogni strato della pipeline, non solo il modello stesso. Il libro è organizzato in due macro‑sezioni: le fondamenta tecniche dei LLM e dei sistemi hardware, e la parte dedicata all’AI agente vero e proprio, includendo allineamento, ragionamento, gestione della memoria e coordinazione inter‑agente.

Fondamenti del modello LLM e dell’infrastruttura

Il primo capitolo tratta il “substrato LLM”, ossia l’architettura transformer, i sistemi GPU, le tecniche di addestramento e di fine‑tuning come SFT (Supervised Fine‑Tuning), LoRA (Low‑Rank Adaptation) e MoE (Mixture of Experts). Vengono inoltre approfonditi:

    • compressione del modello (pruning, quantization)
    • ottimizzazione dell’inferenza (batching, offloading)
    • strategia di training su larga scala e gestione dei dataset

Questi argomenti sono considerati fondamentali, ma non il punto focale del libro: fungono da base su cui costruire gli strati successivi.

Allineamento e ragionamento

Una volta stabilita la base del modello, la guida si sposta sulla “layer di allineamento e ragionamento”. Qui si affrontano le tecniche più avanzate per rendere i LLM sicuri e capaci di ragionare:

    • Reinforcement Learning from Human Feedback (RLHF)
    • PPO (Proximal Policy Optimization) applicato ai LLM
    • DPO (Direct Preference Optimization) e sue varianti
    • GRPO (Generalized Reward‑Based Policy Optimization)
    • Modeling delle ricompense e reward modeling
    • RL per modelli di ragionamento avanzato, inclusi chain‑of‑thought e scaling a runtime

Queste metodologie consentono di trasformare un semplice modello linguistico in un sistema capace di produrre risposte coerenti, contestuali e allineate agli obiettivi umani.

AI agenteica: dal training alla produzione

La seconda metà del libro è dedicata all’AI agenteica vera e propria. Vengono esposti i seguenti temi:

    • Agentic training e reinforcement learning basato su traiettorie
    • Retrieval‑Augmented Generation (RAG) e la sua variante Agentic RAG
    • Sistemi di memoria: in‑context, esterna, episodica e semantica
    • Design dell’“harness” dell’agente e gestione del contesto
    • Ingegneria dei loop: inference‑time RL, generate‑verify‑retry e controllo adattivo del budget
    • Taxonomia dei pattern di design per agenti autonomi

Architettura concettuale a più livelli

Il modello concettuale proposto nella guida si suddivide in quattro livelli interconnessi:

    • User / Human‑in‑the‑Loop: fornisce obiettivi, feedback e supervisione.
    • Harness & Orchestration: gestisce contesto, stato, loop, guardrails e osservabilità.
    • Agent Core: percepisce, ragiona/planifica e agisce in un ciclo iterativo.
    • External Systems: includono RAG, memoria, strumenti/APIs (via Model Context Protocol – MCP) e altri agenti (via Agent‑to‑Agent – A2A).

Questa architettura non è presentata come prova sperimentale, ma come schema di riferimento per progettare sistemi complessi.

Problemi tipici oltre una singola chiamata al modello

Il libro individua cinque problemi che emergono quando si tenta di risolvere compiti multi‑step con un LLM:

    • Persistenza: mantenere lo stato attraverso più turni.
    • Grounding: accedere a informazioni aggiornate o specifiche del dominio.
    • Azione esterna: interagire con tool, API o ambienti fisici.
    • Coordinazione: collaborare con altri agenti o moduli.
    • Sicurezza: garantire che le azioni siano conformi a vincoli etici e operativi.

Ingegneria dei loop e controllo dei budget

Una delle idee chiave è il “loop‑engineering”: generare un’azione o una risposta, verificare la correttezza tramite feedback, e decidere se ritentare o terminare. I punti salienti includono:

    • Obiettivo verificabile: definire criteri di successo misurabili.
    • Verifica e validazione: usare modelli secondari o regole per controllare l’output.
    • Gestione del contesto: aggiornare lo stato interno dell’agente.
    • Termine o limiti di budget: interrompere il loop quando si raggiunge una soglia di costo o quando il compito è già risolto.

Il testo sottolinea che il modello rimane “frozen”; il loop non implica ri‑addestramento, ma solo aggiustamenti a livello di stato e feedback.

Coordinazione inter‑agente

La guida dedica ampio spazio alla comunicazione e alla cooperazione tra più agenti. Vengono introdotti due protocolli fondamentali:

    • Model Context Protocol (MCP): standardizza lo scambio di informazioni contestuali tra modello e strumenti esterni.
    • Agent‑to‑Agent (A2A) Protocol: definisce il formato dei messaggi, le modalità di richiesta/risposta e i meccanismi di negoziazione.

Le architetture multi‑agente sono classificate in tre topologie:

    • Centralizzate: un coordinatore gestisce le decisioni.
    • Decentralizzate: gli agenti operano in maniera autonoma con scambio peer‑to‑peer.
    • Gerarchiche: livelli di supervisione con agenti senior che delegano compiti a sottogruppi.

Valutazione, framework di sviluppo e UI agenteica

Nel capitolo finale, l’autore presenta:

    • Framework di sviluppo per agenti (SDK, librerie open‑source).
  • Linee guida per la progettazione di interfacce utente agentiche, focalizzate