---
title: "Multi-agent prompting (IT)"
source: "https://systems-analysis.info/int/Multi-agent_prompting_(IT)"
wiki: "systems-analysis.info/int"
article: "Multi-agent_prompting_(IT)"
language: "it"
categories:
- "Category:Italian"
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Prompt engineering"
revision_id: 4676
wiki_created_at: 2026-09-06T23:38:22Z
wiki_modified_at: 2026-09-06T23:38:22Z
downloaded_at: 2026-09-07T23:03:57Z
---
# Multi-agent prompting (IT)
**Prompting multi-agente** (ingl. *multi-agent prompting*) — è un metodo nell'ingegneria dei prompt e nei sistemi di intelligenza artificiale, in cui più agenti autonomi basati su grandi modelli linguistici (LLM) interagiscono tra loro per risolvere compiti complessi attraverso uno scambio strutturato di istruzioni e risposte[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-comm_paper-1).
In altri termini, un sistema multi-agente è composto da più agenti LLM che lavorano congiuntamente su una richiesta complessa dell'utente, distribuendo le fasi di ragionamento (*subtask*) tra agenti con «ruoli» e competenze diverse. L'obiettivo principale di questo approccio è superare i limiti di un singolo modello su compiti complessi grazie alla risoluzione collettiva. L'utilizzo di più agenti interagenti mira ad aumentare la qualità del ragionamento, l'accuratezza fattuale e l'affidabilità della risposta[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-anthropic-mas-2). Una caratteristica importante è la stretta istruttività: a ogni LLM viene assegnato un ruolo o un compito specifico nell'ambito dello schema generale di risoluzione.
## Metodi e pattern architetturali
I ricercatori hanno proposto una serie di schemi di prompting multi-agente, che si differenziano per la natura dell'interazione tra gli agenti e per i loro ruoli.
### Modellazione esperta basata sui ruoli
Uno o più agenti vengono designati come esperti di dominio con una specializzazione ristretta. Ad esempio, in un gruppo multi-agente, agenti diversi possono rappresentare aree di conoscenza differenti (fisico, chimico, biologo) o diverse fasi di risoluzione del problema (pianificatore, esecutore, critico)[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-comm_paper-1). Questo approccio consente di realizzare un efficace prompting *few-shot*, in cui ogni agente-esperto riceve esempi dimostrativi nel proprio ambito, migliorando le prestazioni complessive.
### Auto-correzione e critica (Self-reflection)
Un agente può svolgere il ruolo di «critico» o riflettere sulle soluzioni di un altro agente o sulle proprie risposte precedenti. La strategia *self-reflection* o *self-refinement* consiste nel fatto che il LLM prima genera una risposta, e poi lo stesso o un altro modello la analizza e corregge gli errori presenti[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-comm_paper-1). Ciò consente di migliorare iterativamente il risultato finale.
### Dibattito tra agenti
Una variante competitiva del prompting multi-agente, che consiste nell'organizzare una discussione o un confronto tra più LLM. Nello schema **LLM-Debate** due o più agenti discutono sulla risposta corretta a un compito (ad esempio matematico) e criticano gli argomenti reciproci[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-more_agents_all_you_need-3). Questo formato di dibattito migliora la capacità del modello di ragionamento logico e aumenta l'accuratezza fattuale delle risposte rispetto alla soluzione singola.
### Pianificazione e decomposizione dei compiti
Un agente svolge la funzione di pianificatore, suddividendo una richiesta complessa in una sequenza di passi o sottocompiti, che vengono poi risolti da esso stesso o da altri agenti. Metodiche come *ReAct* e *Reflexion* realizzano un principio simile di pianificazione iterativa con feedback. Il LLM prima genera un piano di soluzione prima di procedere alla sua esecuzione, il che aiuta a gestire lunghe catene di ragionamento[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-comm_paper-1).
### Collaborazione multi-persona
Invece di modelli diversi, è possibile utilizzare lo stesso LLM, inducendolo a «interpretare» più agenti con diverse impostazioni personali o punti di vista. Nell'approccio *multi-persona self-collaboration* un singolo modello, nel corso del dialogo, assume successivamente più ruoli e conduce una discussione come se parlasse con se stesso. Sebbene le ricerche mostrino che agenti indipendenti separati garantiscano una maggiore efficienza, questo metodo consente di simulare un team di esperti all'interno di un singolo LLM[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-comm_paper-1).
## Applicazioni e risultati
L'approccio del prompting multi-agente ha dimostrato la sua efficacia in diversi ambiti in cui i singoli LLM incontravano in precedenza delle difficoltà.
### Ragionamento matematico e logico
L'utilizzo di più agenti aumenta notevolmente la precisione su compiti che richiedono un'inferenza multi-passo (aritmetica complessa, dimostrazioni matematiche, enigmi logici). Nel lavoro di Du et al. (2023) l'approccio «dibattimentale» multi-agente ha migliorato il risultato rispetto al singolo agente. L'analisi ha mostrato che all'aumentare del numero di agenti che partecipano alla discussione, l'accuratezza della risposta cresce[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-more_agents_all_you_need-3).
### Compiti scientifici e tecnici
Per problemi disciplinari complessi (fisica, chimica) è stato proposto il metodo **CoMM** (*Collaborative Multi-Agent, Multi-Reasoning-Path Prompting*), in cui più agenti LLM con ruoli diversi (esperti) applicano in parallelo diverse strategie di ragionamento. Nei test su problemi di fisica di livello universitario, CoMM ha superato notevolmente gli approcci di base come il *chain-of-thought*, commettendo meno errori nelle formule e nei calcoli[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-comm_paper-1).
### Generazione e debug del codice
Nell'ambito della programmazione, i sistemi multi-agente vengono utilizzati per migliorare la qualità del codice e ridurre il numero di errori. Il sistema **PromptV** utilizza più agenti per la scrittura, la verifica e la correzione sequenziale del codice Verilog. La distribuzione dei ruoli (generazione, revisione, testing) ha migliorato la capacità del modello di individuare e correggere gli errori, con il risultato che la quota di soluzioni compilate con successo è aumentata fino al **96,5%** su uno dei benchmark[\[4\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-promptv_paper-4).
### Ricerca e analisi delle informazioni
I sistemi multi-agente sono particolarmente utili per richieste aperte e poco strutturate. La società **Anthropic** ha sviluppato una modalità multi-agente per il modello **Claude**, destinata alla ricerca sul web. In questo sistema, l'agente principale analizza la richiesta e genera più agenti-sottocompiti paralleli, ciascuno dei quali esegue ricerche su diversi aspetti dell'argomento. Tale architettura era efficace nel gestire domande di ricerca complesse nel **90% dei casi** in più rispetto al singolo modello Claude[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-anthropic-mas-2).
### Classificazione del testo e compiti NLP
Per i compiti NLP è stato sviluppato il **prompting orientato ai principi** (*Principle-Based Prompting*). In questa metodologia gli agenti LLM prima generano un insieme di «principi» (regole di soluzione), dopodiché un agente finalizzatore seleziona i migliori tra essi, sulla base dei quali un altro agente esegue la classificazione. Questo approccio ha aumentato la metrica macro-F1 dell'**1,5–19%** rispetto ai metodi di base, avvicinandosi per qualità all'apprendimento classico su esempi (*few-shot*)[\[5\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-principle_based_paper-5).
## Limitazioni e problemi
### Complessità computazionale e costi
Il principale svantaggio è il drastico aumento del carico computazionale. Ogni agente richiede la propria sessione di generazione, il che comporta un significativo consumo di token e risorse. Secondo i dati di Anthropic, il loro sistema consuma in media **4 volte più token** per ogni dialogo, e in alcuni casi fino a 15 volte di più[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-anthropic-mas-2). Ciò rende l'applicazione di questo approccio giustificata solo per compiti ad alto valore.
### Complessità di progettazione e coordinamento
Per un funzionamento efficace è necessaria un'attenta **configurazione ingegneristica dei prompt**: occorre definire chiaramente il ruolo di ciascun agente, il formato dello scambio di messaggi e i criteri di arresto. In caso contrario, gli agenti possono duplicare il lavoro, entrare in una ricerca infinita o generare sottocompiti inutili[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-anthropic-mas-2).
### Sicurezza e affidabilità
Emergono nuovi vettori di attacco. I ricercatori hanno dimostrato il fenomeno della **Prompt Infection** (infezione del prompt), in cui un frammento malevolo di istruzione proveniente da un agente viene trasmesso a un altro, propagandosi lungo l'intera catena di ragionamento come un virus. Tale attacco *LLM-to-LLM* mostra la vulnerabilità dei sistemi multi-agente alle iniezioni nascoste e alle manipolazioni, il che richiede lo sviluppo di misure di protezione specifiche, ad esempio la marcatura dell'output di ciascun agente (*LLM Tagging*)[\[6\]](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_note-prompt_infection_paper-6).
## Riferimenti
- «How we built our multi-agent research system» — analisi dettagliata di Anthropic
- «More Agents Is All You Need» — articolo scientifico sull'efficacia degli ensemble di agenti
## Bibliografia
- Chen, P. et al. (2024). *CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving*. arXiv:2404.17729.
- Li, J. et al. (2024). *More Agents Is All You Need*. arXiv:2402.05120.
- Mi, Y. et al. (2024). *PromptV: Leveraging LLM-Powered Multi-Agent Prompting for High-Quality Verilog Generation*. arXiv:2412.11014.
- Wei, P. et al. (2024). *Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification*. arXiv:2502.07165.
- Lee, D.; Tiwari, A. (2024). *Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems*. arXiv:2410.07283.
- Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797.
- Wu, Q. et al. (2023). *AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation*. arXiv:2308.08155.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688.
- Li, G. et al. (2024). *Multi-LLM Debate: Framework, Principles, and Interventions*. PDF.
- Du, N. et al. (2023). *Improving Factuality and Reasoning in Language Models through Multi-Agent Debate*. arXiv:2305.14325.
## Note
1. ↑ [1.0](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-comm_paper_1-0) [1.1](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-comm_paper_1-1) [1.2](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-comm_paper_1-2) [1.3](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-comm_paper_1-3) [1.4](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-comm_paper_1-4) [1.5](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-comm_paper_1-5) Chen, Y. et al. «CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving». *arXiv*, 2024. [1]
2. ↑ [2.0](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-anthropic-mas_2-0) [2.1](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-anthropic-mas_2-1) [2.2](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-anthropic-mas_2-2) [2.3](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-anthropic-mas_2-3) «How we built our multi-agent research system». *Anthropic*. [2]
3. ↑ [3.0](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-more_agents_all_you_need_3-0) [3.1](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-more_agents_all_you_need_3-1) Li, G. et al. «More Agents Is All You Need». *arXiv*, 2024. [3]
4. [↑](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-promptv_paper_4-0) Mi, Y. et al. «PromptV: Leveraging LLM-powered Multi-Agent Prompting for High-quality Verilog Generation». *ResearchGate*, 2024. [4]
5. [↑](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-principle_based_paper_5-0) Wei, J. et al. «Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification». *arXiv*, 2024. [5]
6. [↑](https://systems-analysis.info/int/Multi-agent_prompting_(IT)#cite_ref-prompt_infection_paper_6-0) Lee, K. & Tiwari, A. «Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems». *OpenReview*, 2024. [6]