epub
Cosa serve davvero per costruire un agente AI che funzioni in produzione, non in una demo.
Tre anni dopo l’esplosione degli agenti basati su LLM, la parola si è caricata di significati confusi. Questo libro fissa una definizione operativa, e poi attraversa quello che
separa un prototipo da un sistema che gira sotto carico reale.
Cosa trovi dentro:
- Il loop di esecuzione, modalità di fallimento, design di tool che il modello capisce
- Memoria: prompt cache, vector DB, Redis Vector Sets, wiki/Obsidian vs database
- Pianificazione: ReAct, plan-and-execute, Reflexion, Tree of Thoughts
- Sistemi multi-agente: orchestratore/worker, hand-off, comunicazione via Redis Streams
- Valutazione: trajectory eval, SWE-bench, GAIA, LLM-as-judge
- Sicurezza: prompt injection diretta e indiretta, sandboxing, capability gating
- Produzione: costi, latenza, retry, idempotency, osservabilità, governance
- Esempio completo end-to-end con codice Python e SDK Anthropic
Per chi è: backend engineer, ML engineer, e chi ha letto i blog post di OpenAI, Anthropic e LangChain e si è chiesto perché i propri agenti, fuori dalle demo, non funzionano.
Cosa non troverai: rassegne di framework, esempi di marketing, promesse. Solo le idee che continuano a contare quando il modello cambia.
11 capitoli, ~17.000 parole. Riferimenti ai paper originali (ReAct, Reflexion, Tree of Thoughts, SWE-bench, Reflexion).
DOWNLOAD