2. Architettura e scelta del metodo

2.1 Il modello e il suo harness

Le prestazioni percepite di un prodotto AI non dipendono solo dal modello. L'harness comprende strumenti, memoria, regole operative, ciclo di esecuzione, verifica e accesso ai dati.

Un agente puo essere rappresentato cosi:

modello + contesto + strumenti + memoria + ciclo plan/act/observe + controlli

La stessa rete neurale puo comportarsi in modo molto diverso se viene collegata a file, terminale, database, web o servizi esterni. Per questo l'architettura deve essere valutata come sistema completo, non come singolo componente.

2.2 Quattro modi di risolvere un problema

Metodo	Usarlo quando	Limite principale
Persona	servono giudizio, responsabilita o gestione dell'ambiguita	costo, lentezza e scarsa scalabilita
Regola o codice	la logica e esplicita, stabile e deterministica	non generalizza casi imprevisti
Machine learning	esistono pattern in dati strutturati e servono previsioni	drift e spiegabilita variabile
Generative AI o agente	input non strutturati, interpretazione e sintesi	non determinismo, costo e rischio operativo

Non sono gradini obbligatori. La domanda corretta e quale metodo minimizza il rischio e la complessita per quel problema.

2.3 Regole e agenti insieme

Le business rules producono un risultato prevedibile da condizioni esplicite. Gli agenti interpretano contesto e possono gestire casi che non erano stati previsti.

Un'architettura ibrida usa spesso:

1. regole per i casi semplici, sensibili o ad alta certezza;
2. agente per interpretare input ambigui o non strutturati;
3. regole finali e approvazione umana prima di un'azione irreversibile.

Questo evita di usare un modello probabilistico per una decisione che richiede logica booleana e audit deterministico.

2.4 Quattro forme di conoscenza per un agente

Skill

Una skill contiene conoscenza procedurale: passi, condizioni, esempi, errori frequenti e criteri di escalation. Il suo valore e il modo specifico di svolgere un compito, non la ripetizione di istruzioni generiche.

MCP

Model Context Protocol collega un agente a sistemi esterni tramite server che espongono strumenti. La skill puo dire cosa controllare; MCP fornisce il collegamento per farlo.

RAG

RAG recupera contenuto informativo al momento della richiesta. E adatto a documenti, policy, manuali e fonti che cambiano.

Memoria

La memoria conserva informazioni utili tra richieste o sessioni. Non dovrebbe diventare un deposito indistinto: servono scopo, durata, proprietario e regole di cancellazione.

2.5 Progressive disclosure

Un catalogo di skill non dovrebbe caricare tutte le istruzioni nel contesto iniziale. E preferibile caricare prima nome e descrizione, poi il corpo della skill quando il compito la richiede, e infine riferimenti o script solo quando necessari.

Lo stesso principio vale per la Bibbia: l'indice deve aiutare a trovare il capitolo, il capitolo deve fornire il concetto, e le fonti devono essere consultate solo per verifica o approfondimento.

2.6 Architecture of control

L'architettura di un sistema AI non si misura solo dalla sua capacita di generare output. Si misura dalla sua capacita di limitare il campo di azione e di applicare il controllo giusto al momento giusto.

Un sistema robusto separa almeno quattro livelli:

• conoscenza dichiarativa;
• procedure e skill;
• strumenti e integrazioni;
• controlli di sicurezza, review e escalation.

Se questi livelli si mescolano senza netti confini, l'agente tende a improvvisare. Se sono separati in modo chiaro, il sistema puo fare azioni complesse preservando governabilita, osservabilita e responsabilita.

Fonti di partenza

• AI Model vs Agentic Harness What Actually Drives AI
• Skills vs MCP vs RAG vs Memory What AI Agents Need to Know
• What AI Agent Skills Are and How They Work
• 5 Best Practices for Building AI Agent Skills
• AI Agents vs Business Rules Which Should Make Decisions
• Knowing When Not to Use AI AI Agents vs Rules vs ML
• What Is Chunkless RAG How Docling & AI Agents Navigate Documents