Deep Agent

Il Deep Agent è il tipo di agente più capace di FlowHunt, costruito per compiti che vanno ben oltre un singolo ciclo prompt-e-risposta. Mentre un agente IA standard risponde a una domanda o esegue un’azione discreta, un Deep Agent persegue un obiettivo — scomponendolo, eseguendo step, valutando i risultati e adattando il suo approccio fino al completamento dell’obiettivo.

Come un Deep Agent Differisce da un Agente IA Regolare

Un agente IA standard elabora il tuo input con un LLM, eventualmente chiama uno strumento e restituisce una risposta. È ottimo per compiti a singolo step o più semplici multi-step, conversazioni, riassunto di documenti o attivazione di azioni.

Un Deep Agent è proattivo e iterativo. Dato un obiettivo di alto livello, esso:

• Scompone l’obiettivo in una sequenza di sotto-compiti concreti prima di intraprendere qualsiasi azione
• Pianifica il suo approccio, decidendo quali strumenti utilizzare e in quale ordine
• Esegue step iterativamente, chiamando strumenti, elaborando risultati e decidendo cosa fare dopo in base a quello che trova
• Auto-valuta dopo ogni step — ritentando, affinando o cambiando strategia se un risultato è insufficiente
• Sintetizza un output finale solo dopo che tutti i sotto-compiti sono completi

La differenza pratica chiave: un agente regolare può compiere al massimo diversi step, ma un Deep Agent può compiere dozzine, e sa quando fermarsi.

Quando Utilizzare un Deep Agent

I Deep Agents sono la scelta giusta quando:

• Il compito richiede raccolta e sintesi di informazioni da più fonti
• Il workflow coinvolge logica condizionale, o in altre parole, quando il passo successivo dipende dal risultato dei passaggi precedenti
• Hai bisogno che l’agente verifichi o incrocia i suoi risultati intermedi
• L’obiettivo è troppo complesso o aperto per essere completamente specificato in un singolo prompt
• Vuoi che l’agente operi autonomamente per un periodo di tempo più lungo

Ricorda: Per compiti semplici e ben delimitati, un agente IA standard è più veloce e conveniente. Utilizza un Deep Agent solo quando la complessità giustifica la profondità di ragionamento aggiuntiva.

Impostazioni Deep Agent

LLM

Scegli il modello di linguaggio di grandi dimensioni che l’agente utilizzerà. Puoi scegliere tra modelli di 6 principali provider. Il modello predefinito è sempre l’ultimo modello mid-range di OpenAI, che dovrebbe essere sufficiente per la maggior parte dei compiti.

I Deep Agents beneficiano maggiormente di modelli più avanzati con forti capacità di ragionamento (ad es. ultimo GPT, ultimi modelli Claude Sonnet o Opus, modelli Gemini Pro), perché possono pianificare su molti step, gestire l’ambiguità e prendere decisioni sane in ogni fase senza guida umana.

Strumenti

Gli strumenti sono ciò che conferisce al Deep Agent la sua capacità di agire nel mondo. Con oltre 900 strumenti disponibili (che coprono API, database, piattaforme di comunicazione, motori di ricerca, ambienti di esecuzione del codice) e server MCP — puoi equipaggiare l’agente con esattamente le capacità che il suo compito richiede.

Come connettere gli strumenti

Fai clic su + Aggiungi Strumento. Appare l’elenco completo degli strumenti disponibili. Puoi filtrare per categoria o cercare per nome:

Ogni strumento ha le sue impostazioni. Per ogni uno, puoi lasciare che l’IA decida come usarlo in base al contesto (consigliato per i Deep Agents, poiché l’agente ha bisogno di flessibilità per adattarsi su molti step) o configurare i parametri manualmente per bloccare valori specifici.

Per passare all’input manuale, fai clic sul pulsante “AI Decides”. Una volta che un parametro è definito manualmente, è fisso e l’IA non può ignorarlo.

Una volta configurato lo strumento, fai clic su “Add with Config”, o salta completamente la configurazione facendo clic su “Skip & Add”. Puoi quindi continuare ad aggiungere altri strumenti.

Per i Deep Agents, un set di strumenti focalizzato e rilevante porta a decisioni migliori ed esecuzione più veloce rispetto a uno eccessivamente ampio — l’agente considera tutti gli strumenti disponibili ad ogni step, quindi gli strumenti non necessari aggiungono rumore.

Messaggio di sistema

Il messaggio di sistema è la configurazione più importante per un Deep Agent. Definisce il ruolo dell’agente, l’obiettivo, l’approccio di ragionamento e i vincoli che deve rispettare. È il meccanismo principale per mantenere un agente autonomo in carreggiata.

Per i Deep Agents, il tuo messaggio di sistema dovrebbe coprire:

• L’obiettivo — cosa l’agente sta ultimamente cercando di raggiungere
• L’output previsto — formato, lunghezza, struttura
• Regole decisionali — cosa fare quando incontra dati mancanti, fonti in conflitto o fallimenti degli strumenti
• Vincoli di ambito — cosa l’agente dovrebbe e non dovrebbe fare

Esempio di messaggio di sistema:

Sei un agente di ricerca profonda. Il tuo obiettivo è produrre un rapporto completo, accurato e ben strutturato su qualsiasi argomento ti venga assegnato.

Processo:
1. Suddividi l'argomento in 4–6 domande di ricerca chiave.
2. Per ogni domanda, cerca informazioni rilevanti utilizzando gli strumenti disponibili.
3. Valuta la qualità e la rilevanza di ogni fonte prima di usarla.
4. Sintetizza i risultati su tutte le domande in un rapporto coerente.
5. Includi un riepilogo, i risultati chiave e un elenco di fonti alla fine.

Regole:
- Non inventare informazioni. Se non riesci a trovare una fonte affidabile, dillo.
- Se una chiamata di strumento fallisce, ritenta una volta con una query modificata prima di procedere.
- Non fermarti finché tutte le domande di ricerca non sono state affrontate o non hai esaurito le fonti disponibili.
- Mantieni il rapporto finale fattuale, neutrale nel tono e privo di speculazioni.

Formato di output: Markdown, con titoli chiari per ogni sezione.

Profondità di ricorsione massima

Controlla quanti livelli di profondità l’agente può ricorrere quando scompone ed esegue sotto-compiti. Un valore più alto consente all’agente di affrontare problemi più complessi e annidati, ma aumenta il tempo di esecuzione e l’utilizzo delle risorse. Per la maggior parte dei compiti, il valore predefinito è più che sufficiente. Aumentalo solo quando l’agente ha bisogno di perseguire genuini sotto-obiettivi multi-livello.

Cronologia chat agente

Fornisce messaggi di chat precedenti come contesto per l’esecuzione corrente. Con la cronologia abilitata, il Deep Agent può fare riferimento a scambi precedenti, il che è utile quando l’agente fa parte di una conversazione in corso o di un workflow iterativo in cui il contesto precedente modella il passo successivo. Senza cronologia, l’agente tratta ogni esecuzione come completamente indipendente.

Memoria agente

Controlla se l’agente può leggere e scrivere nella memoria del tuo Workspace. Quando abilitata, il Deep Agent può persistere i risultati, le decisioni e le conoscenze accumulate su esecuzioni separate — rendendo possibile costruire una base di conoscenze in modo incrementale o riprendere progetti a lungo termine dove ricominciare da zero sarebbe dispendioso. Se abilitato, ti verrà chiesto di definire la modalità di memoria e i prompt di comportamento che governano cosa viene archiviato e come viene recuperato.

Nota: Solo l’input Strumenti è strettamente richiesto; tutte le altre impostazioni sono facoltative ma hanno un impatto significativo sulla qualità e l’affidabilità dell’output di un Deep Agent.

Come un Deep Agent Risolve i Compiti

I Deep Agents seguono un ciclo di esecuzione strutturato. Questo ciclo è esattamente ciò che rende i Deep Agents capaci di gestire compiti che travolgerebbero un agente standard:

• Scomposizione dell’obiettivo: L’agente analizza l’obiettivo e lo scompone in una sequenza di sotto-compiti.
• Esecuzione iterativa: L’agente lavora attraverso i sotto-compiti uno alla volta, chiamando strumenti, elaborando risultati e decidendo cosa fare dopo in base ai step completati.
• Auto-valutazione: Dopo ogni step, l’agente valuta se il risultato è sufficiente per procedere o se ha bisogno di ritentare, affinare la sua query o adottare un approccio completamente diverso.
• Sintesi: Una volta che tutti i sotto-compiti sono completi, l’agente combina i risultati intermedi in un output finale e coerente.
• Terminazione: L’agente si ferma quando l’obiettivo è raggiunto, quando raggiunge i limiti configurati, o quando determina che non è in grado di completare il compito con gli strumenti e le informazioni disponibili.

Scelta del Modello Giusto per un Deep Agent

L’LLM è il motore di ragionamento dietro ogni decisione che il Deep Agent prende. Per compiti profondi e multi-step, la qualità del modello ha un impatto sproporzionato sulle prestazioni.

• Modelli frontier (GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro): Migliore per ragionamento complesso, pianificazione a lungo termine e compiti in cui l’agente deve gestire l’ambiguità o prendere decisioni di giudizio senza input umano. Il costo più elevato è di solito giustificabile per i carichi di lavoro dei Deep Agent.
• Modelli mid-range: Un solido equilibrio di capacità e costo per compiti moderatamente complessi ma ben definiti.
• Modelli linguistici piccoli: Non consigliati come modello primario per i Deep Agents. Mancano della profondità di ragionamento necessaria per un’esecuzione multi-step affidabile. Detto questo, sono ancora adatti per semplici sotto-compiti all’interno di un workflow più ampio dove velocità e costo contano più della qualità del ragionamento.

Inizia con un modello mid-range e passa a uno superiore solo se le prestazioni lo richiedono. La scelta giusta dipende dalla complessità del tuo compito, dalla latenza accettabile e dal budget.