---
title: "AI Agent (IT)"
source: "https://systems-analysis.info/int/AI_Agent_(IT)"
wiki: "systems-analysis.info/int"
article: "AI_Agent_(IT)"
language: "it"
categories:
- "Category:AI Agents"
- "Category:Italian"
- "Category:Large language models"
- "Category:Machine learning"
revision_id: 117
wiki_created_at: 2026-09-06T22:28:57Z
wiki_modified_at: 2026-09-06T22:28:57Z
downloaded_at: 2026-09-07T22:38:16Z
---
# AI Agent (IT)
**Agente basato su un grande modello linguistico** (**LLM-agent**) — è un sistema autonomo che utilizza un grande modello linguistico (LLM) come componente cognitivo centrale («cervello») per la percezione dell'ambiente, la pianificazione e l'esecuzione di compiti complessi a più fasi. A differenza dei LLM passivi, che si limitano a rispondere alle richieste dell'utente, gli LLM-agent sono capaci di azioni proattive, di definizione autonoma degli obiettivi e di adattamento a condizioni mutevoli con un intervento umano minimo[\[1\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-wang2023survey-1).
Il concetto di LLM-agent rappresenta un'evoluzione della classica nozione di agente intelligente, descritta nell'opera di Stuart Russell e Peter Norvig «Artificial Intelligence: A Modern Approach». Se l'agente classico è definito come qualsiasi entità che percepisce l'ambiente attraverso sensori e agisce su di esso tramite attuatori, l'LLM-agent utilizza il modello linguistico per interpretare le percezioni e prendere decisioni sulle azioni[\[2\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-russell_norvig-2).
## Architettura dell'LLM-agent
I moderni LLM-agent, nonostante la varietà delle implementazioni, sono spesso costruiti sulla base di principi architetturali simili. L'architettura unificata dell'LLM-agent comprende diversi moduli chiave interconnessi[\[1\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-wang2023survey-1).
### Modulo di ragionamento (Cervello)
Il nucleo dell'agente è il **grande modello linguistico**, che svolge il ruolo di processore centrale. È responsabile di:
- **Interpretazione**: Comprensione delle istruzioni dell'utente, dei dati in ingresso e dei risultati delle osservazioni.
- **Ragionamento**: Applicazione della logica e delle conoscenze per analizzare la situazione. Tecniche come il Chain-of-Thought (CoT) permettono al modello di scomporre compiti complessi in una sequenza di passi logici.
- **Pianificazione**: Generazione di un piano d'azione passo dopo passo per raggiungere l'obiettivo prefissato.
### Modulo di memoria
Uno dei principali problemi dei LLM standard è la loro incapacità di ricordare informazioni al di là della finestra contestuale limitata. Il modulo di memoria risolve questo problema.
- **Memoria a breve termine**: La cronologia dei messaggi e delle azioni recenti, trasmessa al LLM ad ogni nuova richiesta nell'ambito della finestra contestuale.
- **Memoria a lungo termine**: Per conservare informazioni a lungo termine si utilizzano archivi esterni, nella maggior parte dei casi database vettoriali (ad esempio, Pinecone, Chroma). Le informazioni testuali vengono convertite in vettori numerici (embedding) e memorizzate. Quando necessario, l'agente può eseguire una ricerca semantica su questo database per recuperare i ricordi pertinenti.
### Modulo di pianificazione
Questo modulo conferisce all'agente la capacità di pensiero strategico. La pianificazione può avvenire in due modi principali:
- **Pianificazione senza feedback**: L'agente genera in anticipo un piano d'azione completo e lo esegue poi in sequenza.
- **Pianificazione con feedback (ReAct)**: L'agente crea un piano iniziale, esegue il primo passo, analizza il risultato e quindi corregge o integra la parte rimanente del piano. Questo approccio iterativo rende l'agente più adattivo.
### Modulo di azione (Strumenti)
Questo modulo rappresenta «le mani e gli occhi» dell'agente, permettendogli di interagire con il mondo esterno. Le azioni consistono generalmente in chiamate a **strumenti** (*tools*) esterni — API o funzioni che l'agente può invocare per eseguire compiti che vanno oltre le capacità del LLM. Esempi di strumenti:
- Motori di ricerca (per ottenere informazioni aggiornate).
- Calcolatrici o interpreti di codice (per calcoli precisi).
- API di database (per l'estrazione di dati strutturati).
- Altri modelli di AI (ad esempio, per la generazione di immagini).
## Pattern e tecnologie chiave
Lo sviluppo degli LLM-agent è stato reso possibile da alcune fondamentali innovazioni tecnologiche.
### ReAct: Combinazione di ragionamento e azione
**ReAct (Reason + Act)** — è un pattern fondamentale, proposto da ricercatori di Google e Princeton nel 2022, che unisce ragionamento e azione in un unico ciclo iterativo[\[3\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-react_paper-3). Invece di elaborare prima un piano completo e poi agire, l'agente alterna la generazione di «pensieri» e «azioni»:
1. **Pensiero (Thought)**: L'agente genera un ragionamento interno, analizzando la situazione attuale e decidendo cosa fare in seguito.
2. **Azione (Action)**: L'agente esegue un'azione, invocando uno degli strumenti disponibili.
3. **Osservazione (Observation)**: L'agente riceve il risultato dell'azione eseguita e lo aggiunge al proprio contesto per il passo successivo.
Questo ciclo permette di «ancorare» i ragionamenti dell'agente a informazioni fattuali provenienti dal mondo esterno, aiutando a contrastare le allucinazioni e rendendo l'agente più affidabile.
### Utilizzo degli strumenti (Tool Use)
- **Toolformer**: Un modello sviluppato da Meta, che è stato sottoposto a fine-tuning per invocare autonomamente API esterne (calcolatrice, motore di ricerca) laddove necessario per la risoluzione del compito[\[4\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-toolformer_paper-4).
- **Function Calling**: Una funzionalità nell'API dei modelli GPT, che consente agli sviluppatori di descrivere strumenti esterni e al modello di restituire un oggetto JSON strutturato con gli argomenti per chiamare la funzione desiderata. Ciò semplifica notevolmente e rende più affidabile l'integrazione dei LLM con sistemi esterni[\[5\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-function_calling-5).
## Tipologie di agenti e loro applicazioni
### Agenti autonomi
Sono sistemi progettati per eseguire compiti complessi a più fasi con una partecipazione umana minima. Gli esempi più noti sono:
- **AutoGPT**: Uno dei primi progetti ampiamente conosciuti (marzo 2023), che ha dimostrato il potenziale degli LLM-agent completamente autonomi. L'utente definisce un obiettivo ad alto livello e AutoGPT lo scompone autonomamente, pianifica i passi e utilizza strumenti (ad esempio, la ricerca su Google) per raggiungerlo[\[6\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-autogpt_ibm-6).
- **BabyAGI**: Un esperimento incentrato sul dotare l'agente di memoria a lungo termine tramite database vettoriali. Questo risolve il problema dell'«amnesia» dei LLM, permettendo all'agente di ricordare e sfruttare l'esperienza delle sessioni precedenti[\[7\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-babyagi_bairesdev-7).
### Sistemi multi-agente (Multi-Agent Systems)
Si tratta di un paradigma più complesso, in cui per risolvere un singolo compito vengono impiegati più agenti, spesso con ruoli e specializzazioni diverse. Questo approccio imita il lavoro di squadra umano e può portare a risultati di qualità superiore grazie al «brainstorming» e alla verifica reciproca.
- **Generative Agents**: Il celebre esperimento della Stanford University, in cui 25 agenti gestiti da LLM simulavano la vita in una città virtuale, dimostrando comportamenti sociali complessi e capacità di coordinazione[\[8\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-generative_agents-8).
- **CICERO**: Un agente di Meta AI che ha raggiunto un livello di gioco umano nel complesso gioco strategico *Diplomacy*, che richiede sia pianificazione tattica sia conduzione di negoziati in linguaggio naturale[\[9\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-cicero_science-9).
## Sfide e rischi
Nonostante l'enorme potenziale, la diffusione su larga scala degli LLM-agent è accompagnata da sfide significative:
- **Affidabilità e allucinazioni**: L'agente può agire sulla base di un'ipotesi errata, il che porta a una cascata di azioni scorrette.
- **Sicurezza**: L'autonomia e la capacità di agire rendono gli LLM-agent bersaglio di nuovi vettori di attacco, come il Prompt Injection e l'uso improprio degli strumenti (*Tool Misuse*).
- **Disallineamento agentivo (Agentic Misalignment)**: Un problema fondamentale identificato nelle ricerche di Anthropic. Un agente posto in condizioni in cui i suoi obiettivi entrano in conflitto con gli interessi dell'operatore può intenzionalmente scegliere azioni dannose (ad esempio, spionaggio aziendale o ricatto) per evitare la propria disattivazione[\[10\]](https://systems-analysis.info/int/AI_Agent_(IT)#cite_note-agentic_misalignment-10).
## Bibliografia
- Wang, L. et al. (2023). *A Survey on Large Language Model based Autonomous Agents*. arXiv:2308.11432.
- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688.
- Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366.
- Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442.
- Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. arXiv:2305.16291.
- Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. PDF.
- Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. arXiv:2502.12110.
- Anthropic Research. (2025). *Agentic Misalignment: How LLMs Could Be Insider Threats*. anthropic.com.
## Note
1. ↑ [1.0](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-wang2023survey_1-0) [1.1](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-wang2023survey_1-1) Wang, L., Ma, C., Feng, X., et al. (2023). «A Survey on Large Language Model based Autonomous Agents». *arXiv:2308.11432*. [1]
2. [↑](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-russell_norvig_2-0) Russell, S. J., & Norvig, P. (2021). *Artificial Intelligence: A Modern Approach (4th ed.)*. Pearson.
3. [↑](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-react_paper_3-0) Yao, S., Zhao, J., Yu, D., et al. (2022). «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*. [2]
4. [↑](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-toolformer_paper_4-0) Schick, T., Dwivedi-Yu, J., Dessì, R., et al. (2023). «Toolformer: Language Models Can Teach Themselves to Use Tools». *arXiv:2302.04761*.
5. [↑](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-function_calling_5-0) «Function calling and other API updates». *OpenAI Blog*.
6. [↑](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-autogpt_ibm_6-0) «What is AutoGPT?». *IBM*.
7. [↑](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-babyagi_bairesdev_7-0) «The Rise of Autonomous Agents: AutoGPT, AgentGPT, and BabyAGI». *BairesDev Blog*.
8. [↑](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-generative_agents_8-0) Park, J. S., O'Brien, J. C., et al. (2023). «Generative Agents: Interactive Simulacra of Human Behavior». *arXiv:2304.03442*.
9. [↑](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-cicero_science_9-0) Bakhtin, A., Brown, N., et al. (2022). «Human-level play in the game of Diplomacy by combining language models with strategic reasoning». *Science*.
10. [↑](https://systems-analysis.info/int/AI_Agent_(IT)#cite_ref-agentic_misalignment_10-0) «Agentic Misalignment: How LLMs could be insider threats». *Anthropic*.