Questo documento fornisce indicazioni per aiutarti a scegliere un pattern di progettazione per il tuo sistema di AI agentica. I pattern di progettazione degli agenti sono approcci architetturali comuni per la creazione di applicazioni agentiche. Un pattern di progettazione degli agenti offre un framework distinto per organizzare i componenti di un sistema, integrare il modello e orchestrare uno o più agenti per completare un workflow.
Gli agenti AI sono efficaci per le applicazioni che risolvono problemi aperti, che potrebbero richiedere un processo decisionale autonomo e una gestione complessa del workflow in più fasi. Gli agenti eccellono nella risoluzione dei problemi in tempo reale utilizzando dati esterni e nell'automazione di attività che richiedono molte conoscenze. Gli agenti AI sono adatti quando hai bisogno che l'AI completi attività incentrate sugli obiettivi con un certo grado di autonomia. Per altri casi d'uso, puoi utilizzare applicazioni di AI assistiva e generativa. Per scoprire le differenze tra gli agenti AI e le applicazioni AI non agentiche, consulta Qual è la differenza tra agenti AI, assistenti AI e bot?
Questa guida presuppone che tu abbia una conoscenza di base dei sistemi di AI agentica e di come la loro architettura differisca da quella dei sistemi non agentici, come quelli che utilizzano il ragionamento diretto del modello o la Retrieval-Augmented Generation (RAG).
Per un riepilogo delle indicazioni sui pattern degli agenti, consulta la sezione Confronta i pattern di progettazione più avanti in questo documento.
Panoramica del processo di progettazione
Di seguito sono riportati i passaggi generali per scegliere un pattern di progettazione per il tuo sistema di AI agentica. Questi passaggi sono descritti in dettaglio più avanti in questo documento.
- Definisci i tuoi requisiti: valuta le caratteristiche del tuo workload, tra cui la complessità delle attività, le aspettative di latenza e prestazioni, il budget dei costi e la necessità di un intervento umano.
- Esamina i pattern di progettazione degli agenti più comuni: scopri i pattern di progettazione più comuni in questa guida, che includono sia sistemi ad agente singolo che sistemi multi-agente.
- Seleziona un pattern: seleziona il pattern di progettazione appropriato in base alle caratteristiche del tuo workload.
Questo processo non è una decisione una tantum. Dovresti rivedere periodicamente questi passaggi per perfezionare l'architettura man mano che le caratteristiche del workload cambiano, i requisiti si evolvono o diventano disponibili nuove funzionalità di Google Cloud .
Definisci i requisiti
Le domande che seguono non sono elenchi di controllo esaustivi per la pianificazione. Utilizza queste domande come punto di partenza per identificare l'obiettivo principale del tuo sistema agentico e selezionare il pattern di progettazione migliore.
- Caratteristiche dell'attività: l'attività può essere completata in passaggi del flusso di lavoro predefiniti o è aperta? La tua attività deve utilizzare un modello di AI per orchestrare il flusso di lavoro?
- Latenza e prestazioni: devi dare la priorità a risposte rapide o interattive a scapito dell'accuratezza o della qualità delle risposte? Oppure la tua applicazione può tollerare un ritardo per ottenere un risultato più accurato o completo?
- Costo: qual è il tuo budget per i costi di inferenza? Puoi supportare pattern che richiedono più chiamate al modello per una singola richiesta?
- Intervento umano: la tua attività comporta decisioni importanti, operazioni critiche per la sicurezza o approvazioni soggettive che richiedono un giudizio umano?
Se il carico di lavoro è prevedibile o altamente strutturato oppure se può essere eseguito con una singola chiamata a un modello di AI, può essere più conveniente esplorare soluzioni non basate su agenti per l'attività. Ad esempio, potresti non aver bisogno di un flusso di lavoro agente per attività come riassumere un documento, tradurre un testo o classificare il feedback dei clienti. Per informazioni sulla scelta dei componenti dell'architettura per le applicazioni di AI generativa che non richiedono un'infrastruttura basata su agenti, consulta Scegli modelli e infrastruttura per la tua applicazione di AI generativa.
Le sezioni seguenti descrivono i pattern di progettazione degli agenti comuni per la creazione di un sistema di AI agentica affidabile ed efficace.
Sistema ad agente singolo
Un sistema ad agente singolo utilizza un modello di AI, un insieme definito di strumenti e un prompt di sistema completo per gestire autonomamente una richiesta dell'utente o per completare un'attività specifica. In questo pattern fondamentale, l'agente si basa sulle capacità di ragionamento del modello per interpretare la richiesta di un utente, pianificare una sequenza di passaggi e decidere quali strumenti utilizzare da un insieme definito. Il prompt di sistema definisce il comportamento dell'agente definendo la sua attività principale, il suo ruolo e le sue operazioni, nonché le condizioni specifiche per l'utilizzo di ogni strumento.
Il seguente diagramma mostra una visione di alto livello di un singolo pattern di agente:
Un sistema con un singolo agente è ideale per attività che richiedono più passaggi e l'accesso a dati esterni. Ad esempio, un addetto all'assistenza clienti deve eseguire una query su un database per trovare lo stato dell'ordine o un assistente di ricerca deve chiamare le API per riassumere le notizie recenti. Un sistema non agentico non può eseguire queste attività perché non può utilizzare autonomamente gli strumenti o eseguire un piano in più passaggi per sintetizzare una risposta finale.
Se sei alle prime armi con lo sviluppo di agenti, ti consigliamo di iniziare con un singolo agente. Quando inizi lo sviluppo dell'agente con un sistema ad agente singolo, puoi concentrarti sul perfezionamento della logica di base, del prompt e delle definizioni degli strumenti dell'agente prima di aggiungere componenti architettonici più complessi.
Il rendimento di un singolo agente può essere meno efficace quando utilizza più strumenti e quando le attività aumentano di complessità. Potresti notare un aumento della latenza, una selezione o un utilizzo errati degli strumenti o l'impossibilità di completare l'attività. Spesso puoi mitigare questi problemi perfezionando il processo di ragionamento dell'agente con tecniche come il pattern Reason and Act (ReAct). Tuttavia, se il tuo workflow richiede a un agente di gestire diverse responsabilità distinte, queste tecniche potrebbero non essere sufficienti. In questi casi, prendi in considerazione un sistema multi-agente, che può migliorare la resilienza e le prestazioni delegando competenze specifiche ad agenti specializzati.
Sistemi multi-agente
Un sistema multi-agente orchestra più agenti specializzati per risolvere un problema complesso che un singolo agente non può gestire facilmente. Il principio fondamentale è scomporre un obiettivo di grandi dimensioni in attività secondarie più piccole e assegnare ciascuna attività secondaria a un agente dedicato con una competenza specifica. Questi agenti interagiscono quindi tramite workflow collaborativi o gerarchici per raggiungere l'obiettivo finale. I pattern multi-agente forniscono un design modulare che può migliorare la scalabilità, l'affidabilità e la manutenibilità del sistema complessivo rispetto a un singolo agente con un prompt monolitico.
In un sistema multi-agente, ogni agente richiede un contesto specifico per svolgere la propria attività in modo efficace. Il contesto può includere documentazione, preferenze storiche, link pertinenti, cronologia delle conversazioni o eventuali vincoli operativi. Il processo di gestione di questo flusso di informazioni è chiamato context engineering. Il context engineering include strategie come l'isolamento del contesto per un agente specifico, la persistenza delle informazioni in più passaggi o la compressione di grandi quantità di dati per migliorare l'efficienza.
Gli agenti AI introducono alcuni rischi per la sicurezza unici e critici che le pratiche di sicurezza convenzionali e deterministiche potrebbero non essere in grado di mitigare in modo adeguato. Utilizza Agent Gateway per il routing e la sicurezza del traffico in entrata e in uscita, Agent Identity per l'autenticazione associata al workload e controllo dell'accesso con il privilegio minimo e Agent Registry per garantire l'utilizzo di strumenti e subagenti verificati.
Le indicazioni riportate in questa sezione non sono esaustive. Per saperne di più sui fattori di progettazione e sulle best practice, nonché per i consigli sulla creazione e sul deployment di un sistema di AI multi-agente, consulta Sistema di AI multi-agente in Google Cloud.
Pattern sequenziale
Il pattern sequenziale multi-agente esegue una serie di agenti specializzati in un ordine lineare predefinito in cui l'output di un agente funge da input diretto per l'agente successivo. Questo pattern utilizza un agente con workflow sequenziale che opera in base a una logica predefinita senza dover consultare un modello di AI per l'orchestrazione dei suoi subagenti.
Il seguente diagramma mostra una visualizzazione di alto livello di un pattern sequenziale multi-agente:
Utilizza il pattern sequenziale per processi altamente strutturati e ripetibili in cui la sequenza delle operazioni non cambia. Ad esempio, una pipeline di trattamento dati potrebbe utilizzare questo pattern per fare in modo che un agente di estrazione dati recuperi prima i dati non elaborati, poi li passi a un agente di pulizia dei dati per la formattazione, che a sua volta passa i dati puliti a un agente di caricamento dei dati per salvarli in un database.
Il pattern sequenziale può ridurre la latenza e i costi operativi rispetto a un pattern che utilizza un modello di AI per orchestrare il flusso di lavoro delle attività. Tuttavia, questa efficienza ha un costo in termini di flessibilità. La struttura rigida e predefinita della pipeline rende difficile l'adattamento a condizioni dinamiche o l'omissione di passaggi non necessari, il che può causare un'elaborazione inefficiente o portare a una latenza cumulativa più elevata se un passaggio non necessario è lento.
Pattern parallelo
Nel pattern parallelo multi-agente, noto anche come pattern simultaneo, più subagenti specializzati eseguono un'attività o delle sottoattività in modo indipendente e contemporaneamente. Gli output dei subagenti vengono poi sintetizzati per produrre la risposta consolidata finale. Analogamente a un pattern sequenziale, il pattern parallelo utilizza un agente di workflow parallelo per gestire come e quando vengono eseguiti gli altri agenti senza dover consultare un modello di AI per orchestrare i suoi subagenti.
Il seguente diagramma mostra una visualizzazione di alto livello di un pattern parallelo multiagente:
Utilizza il pattern parallelo quando le attività secondarie possono essere eseguite contemporaneamente per ridurre la latenza o raccogliere prospettive diverse, ad esempio raccogliendo dati da fonti disparate o valutando più opzioni contemporaneamente. Ad esempio, per analizzare il feedback dei clienti, un agente parallelo potrebbe distribuire una singola voce di feedback a quattro agenti specializzati contemporaneamente: un agente di analisi del sentiment, un agente di estrazione delle parole chiave, un agente di classificazione e un agente di rilevamento dell'urgenza. Un agente finale raccoglie questi quattro output in un'unica analisi completa del feedback.
Il pattern parallelo può ridurre la latenza complessiva rispetto a un approccio sequenziale perché può raccogliere diverse informazioni da più fonti contemporaneamente. Tuttavia, questo approccio introduce compromessi in termini di costi e complessità. L'esecuzione di più agenti in parallelo può aumentare l'utilizzo immediato delle risorse e il consumo di token, il che comporta costi operativi più elevati. Inoltre, la fase di raccolta richiede una logica complessa per sintetizzare risultati potenzialmente in conflitto, il che aumenta l'overhead di sviluppo e manutenzione del sistema.
Pattern del loop
Il pattern dell'agente di loop multi-agente esegue ripetutamente una sequenza di subagenti specializzati finché non viene soddisfatta una condizione di terminazione specifica. Questo pattern utilizza un agente del flusso di lavoro loop che, come altri agenti del flusso di lavoro, opera su una logica predefinita senza consultare un modello di AI per l'orchestrazione. Dopo che tutti i subagenti hanno completato le loro attività, l'agente di loop valuta se viene soddisfatta una condizione di uscita. La condizione può essere un numero massimo di iterazioni o uno stato personalizzato. Se la condizione di uscita non viene soddisfatta, l'agente di loop avvia nuovamente la sequenza di subagenti. Puoi implementare un pattern di loop in cui la condizione di uscita viene valutata in qualsiasi punto del flusso. Utilizza il pattern di loop per le attività che richiedono un perfezionamento iterativo o un'autocorrezione, ad esempio la generazione di contenuti e la revisione da parte di un agente critico fino a quando non soddisfano uno standard di qualità.
Il seguente diagramma mostra una visione generale di un pattern di loop multiagente:
Il pattern dell'agente loop fornisce un modo per creare workflow complessi e iterativi. Consente agli agenti di perfezionare il proprio lavoro e continuare l'elaborazione fino al raggiungimento di una qualità o di uno stato specifici. Tuttavia, il principale svantaggio di questo pattern è il rischio di un loop infinito. Se la condizione di terminazione non è definita correttamente o se i subagenti non riescono a produrre lo stato richiesto per l'arresto, il loop può essere eseguito a tempo indeterminato. Ciò può comportare costi operativi eccessivi, un consumo elevato di risorse e potenziali blocchi del sistema.
Esaminare e criticare il pattern
Il pattern di revisione e critica multi-agente, noto anche come pattern di generazione e critica, migliora la qualità e l'affidabilità dei contenuti generati utilizzando due agenti specializzati, in genere in un workflow sequenziale. Il pattern di revisione e critica è un'implementazione del pattern di agenti in loop.
Nel pattern di revisione e critica, un agente generatore crea un output iniziale, ad esempio un blocco di codice o un riepilogo di un documento. Successivamente, un agente critico valuta questo output in base a un insieme predefinito di criteri, come l'accuratezza fattuale, il rispetto delle regole di formattazione o le linee guida per la sicurezza. In base alla valutazione, il critic può approvare i contenuti, rifiutarli o restituirli al generator con un feedback per la revisione.
Il seguente diagramma mostra una visualizzazione di alto livello di un pattern di revisione e critica multi-agente:
Questo pattern è adatto alle attività in cui gli output devono essere molto accurati o devono rispettare vincoli rigorosi prima di essere presentati a un utente o utilizzati in un processo downstream. Ad esempio, in un workflow di generazione del codice, un agente generatore potrebbe scrivere una funzione per soddisfare la richiesta di un utente. Il codice generato viene poi passato a un agente critico che funge da revisore della sicurezza. Il compito dell'agente critico è controllare il codice rispetto a un insieme di vincoli, ad esempio scansionare per individuare vulnerabilità di sicurezza o verificare che superi tutti i test delle unità, prima che il codice venga approvato per l'uso.
Il pattern di revisione e critica può migliorare la qualità, l'accuratezza e l'affidabilità dell'output perché aggiunge un passaggio di verifica dedicato. Tuttavia, questa garanzia di qualità comporta un aumento diretto della latenza e delle spese operative. Il flusso di lavoro richiede almeno un'altra chiamata del modello per la valutazione del critico. Se il processo include cicli di revisione in cui i contenuti vengono rimandati indietro per essere perfezionati, la latenza e i costi si accumulano a ogni iterazione.
Pattern di perfezionamento iterativo
Il pattern di perfezionamento iterativo utilizza un meccanismo di loop per migliorare progressivamente un output nel corso di più cicli. Il pattern di perfezionamento iterativo è un'implementazione del pattern dell'agente di loop.
In questo pattern, uno o più agenti lavorano all'interno di un loop per modificare un risultato memorizzato nello stato della sessione durante ogni iterazione. Il processo continua finché l'output non soddisfa una soglia di qualità predefinita o non raggiunge un numero massimo di iterazioni, il che impedisce i loop infiniti.
Il seguente diagramma mostra una visione di alto livello di un pattern di perfezionamento iterativo multiagente:
Questo pattern è adatto per attività di generazione complesse in cui l'output è difficile da ottenere in un unico passaggio. Esempi di queste attività includono la scrittura e il debug di un frammento di codice, lo sviluppo di un piano dettagliato in più parti o la stesura e la revisione di un documento in formato lungo. Ad esempio, in un flusso di lavoro di scrittura creativa, un agente potrebbe generare una bozza di un blog post, criticarla per flusso e tono e poi riscriverla in base alla critica. Questo processo si ripete in un ciclo finché il lavoro dell'agente non soddisfa uno standard di qualità predefinito o finché la ripetizione non raggiunge un numero massimo di iterazioni.
Il pattern di perfezionamento iterativo può produrre output molto complessi o raffinati che sarebbero difficili da ottenere in un unico passaggio. Tuttavia, il meccanismo di loop aumenta direttamente la latenza e i costi operativi a ogni ciclo. Questo pattern aggiunge anche complessità architetturale, perché richiede condizioni di uscita progettate con cura, ad esempio una valutazione della qualità o un limite massimo di iterazioni, per evitare costi eccessivi o esecuzione incontrollata.
Pattern Coordinator
Il pattern del coordinatore multi-agente utilizza un agente centrale, il coordinatore, per dirigere un flusso di lavoro. Il coordinatore analizza e scompone la richiesta di un utente in attività secondarie, quindi invia ogni attività secondaria a un agente specializzato per l'esecuzione. Ogni agente specializzato è un esperto in una funzione specifica, ad esempio interrogare un database o chiamare un'API.
Una caratteristica distintiva del pattern di coordinatore è l'utilizzo di un modello di AI per orchestrare e instradare dinamicamente le attività. Al contrario, il pattern parallelo si basa su un workflow hardcoded per distribuire le attività per l'esecuzione simultanea senza la necessità di orchestrazione del modello di AI.
Il seguente diagramma mostra una visualizzazione di alto livello di un pattern di coordinatore multi-agente:
Utilizza il pattern di coordinamento per automatizzare i processi aziendali strutturati che richiedono il routing adattivo. Ad esempio, un agente dell'assistenza clienti può fungere da coordinatore. L'agente coordinatore analizza la richiesta per determinare se si tratta di una richiesta di stato dell'ordine, di reso del prodotto o di rimborso. In base al tipo di richiesta, il coordinatore indirizza l'attività all'agente specializzato appropriato.
Il pattern di coordinatore offre flessibilità rispetto a workflow più rigidi e predefiniti. Utilizzando un modello per indirizzare le attività, il coordinatore può gestire una gamma più ampia di input e adattare il flusso di lavoro in fase di runtime. Tuttavia, questo approccio comporta anche dei compromessi. Poiché il coordinatore e ogni agente specializzato si basano su un modello per il ragionamento, questo pattern genera più chiamate al modello rispetto a un sistema con un singolo agente. Sebbene il pattern del coordinatore possa portare a un ragionamento di qualità superiore, aumenta anche il throughput dei token, i costi operativi e la latenza complessiva rispetto a un sistema con un singolo agente.
Pattern di scomposizione gerarchica delle attività
Il pattern di decomposizione gerarchica delle attività multi-agente organizza gli agenti in una gerarchia multilivello per risolvere problemi complessi che richiedono una pianificazione approfondita. Il pattern di decomposizione gerarchica delle attività è un'implementazione del pattern del coordinatore. Un agente principale di primo livello, o root, riceve un'attività complessa ed è responsabile della sua scomposizione in diverse attività secondarie più piccole e gestibili. L'agente principale delega ogni attività secondaria a un subagente specializzato di livello inferiore. Questo processo può ripetersi attraverso più livelli, con agenti che scompongono progressivamente le attività assegnate fino a quando non possono essere eseguite direttamente da un agente worker al livello più basso.
Il seguente diagramma mostra una visione di alto livello di un pattern di decomposizione gerarchica delle attività multi-agente:
Utilizza il pattern di scomposizione gerarchica delle attività per problemi ambigui e aperti che richiedono un ragionamento multi-step, come le attività che coinvolgono ricerca, pianificazione e sintesi. Ad esempio, per completare un progetto di ricerca complesso, un agente coordinatore scompone l'obiettivo di alto livello in più attività, come la raccolta di informazioni, l'analisi dei risultati e la sintesi del report finale. L'agente coordinatore delega quindi queste attività ad agenti secondari specializzati, ad esempio un agente per la raccolta dei dati, un agente di analisi e un agente che scrive report, per l'esecuzione o l'ulteriore suddivisione.
Il pattern di scomposizione gerarchica delle attività è ideale per risolvere problemi altamente complessi e ambigui perché li scompone sistematicamente in sottoattività gestibili. Questo pattern può produrre risultati più completi e di qualità superiore rispetto ai pattern più semplici. Tuttavia, questa funzionalità avanzata comporta dei compromessi significativi. La struttura multilivello aggiunge una notevole complessità architetturale, il che rende il sistema più difficile da progettare, eseguire il debug e gestire. I vari livelli di delega e ragionamento comportano anche un numero elevato di chiamate al modello, il che aumenta significativamente sia la latenza complessiva sia i costi operativi rispetto ad altri pattern.
Pattern Sciame
Il pattern di swarm multi-agente utilizza un approccio di comunicazione collaborativo all-to-all. In questo pattern, più agenti specializzati collaborano per perfezionare in modo iterativo una soluzione a un problema complesso.
Il seguente diagramma mostra una visione generale di un pattern di swarm multi-agente:
Il pattern Swarm utilizza un agente dispatcher per indirizzare una richiesta utente a un gruppo collaborativo di agenti specializzati. L'agente dispatcher interpreta la richiesta e determina quale agente dello swarm è più adatto per iniziare l'attività. In questo pattern, ogni agente può comunicare con tutti gli altri, il che consente loro di condividere i risultati, criticare le proposte e basarsi sul lavoro degli altri per perfezionare in modo iterativo una soluzione. Qualsiasi agente nello sciame può trasferire l'attività a un altro agente che ritiene più adatto a gestire il passaggio successivo oppure può comunicare la risposta finale all'utente tramite l'agente coordinatore.
In genere, uno sciame non ha un agente supervisore o coordinatore centrale per mantenere il processo in linea. L'agente dispatcher non orchestra il workflow agentico, a differenza del pattern coordinator. Invece, l'agente dispatcher facilita la comunicazione tra i subagenti dello swarm e l'utente. Per assicurarti che lo sciame alla fine si fermi e restituisca un risultato, devi definire una condizione di uscita esplicita. Questa condizione è spesso un numero massimo di iterazioni, un limite di tempo o il raggiungimento di un obiettivo specifico, ad esempio il raggiungimento di un consenso.
Utilizza il pattern Swarm per problemi ambigui o molto complessi che traggono vantaggio dal dibattito e dal perfezionamento iterativo. Ad esempio, la progettazione di un nuovo prodotto potrebbe coinvolgere un agente di ricerca di mercato, un agente di ingegneria e un agente di modellazione finanziaria. Gli agenti condividono le idee iniziali, discutono i compromessi tra funzionalità e costi e convergono collettivamente su una specifica di progettazione finale che bilanci tutti i requisiti in competizione.
Il pattern Swarm simula un team collaborativo di esperti, pertanto può produrre soluzioni creative e di qualità eccezionalmente elevata. Tuttavia, rappresenta il pattern multi-agente più complesso e costoso da implementare. L'assenza di un agente che utilizza un modello di AI per l'orchestrazione può introdurre il rischio di loop improduttivi o di mancata convergenza su una soluzione. Devi quindi progettare una logica sofisticata per gestire l'intricata comunicazione tra agenti, controllare il workflow iterativo e gestire i costi operativi e la latenza significativi associati all'esecuzione di una conversazione dinamica e multi-turno tra più agenti.
Pattern ReAct (Reason and Act)
Il pattern ReAct è un approccio che utilizza il modello di AI per inquadrare i suoi processi di pensiero e le sue azioni come una sequenza di interazioni in linguaggio naturale. In questo pattern, l'agente opera in un loop iterativo di pensiero, azione e osservazione fino a quando non viene soddisfatta una condizione di uscita.
- Thought: il modello ragiona sull'attività e decide cosa fare successivamente. Il modello valuta tutte le informazioni raccolte per determinare se la richiesta dell'utente ha ricevuto una risposta completa.
- Azione: in base al suo processo di pensiero, il modello intraprende una delle due
azioni:
- Se l'attività non è completa, seleziona uno strumento e poi formula una query per raccogliere ulteriori informazioni.
- Se l'attività è completa, formula la risposta finale da inviare all'utente, terminando il loop.
- Osservazione: il modello riceve l'output dallo strumento e salva le informazioni pertinenti nella sua memoria. Poiché il modello salva l'output pertinente, può basarsi sulle osservazioni precedenti, il che contribuisce a evitare che il modello si ripeta o perda il contesto.
Il ciclo iterativo termina quando l'agente trova una risposta conclusiva, raggiunge un numero massimo preimpostato di iterazioni o rileva un errore che ne impedisce la continuazione. Questo ciclo iterativo consente all'agente di creare dinamicamente un piano, raccogliere prove e modificare il suo approccio mentre lavora per ottenere una risposta finale.
Il seguente diagramma mostra una visualizzazione di alto livello del pattern ReAct:
Utilizza il pattern ReAct per attività complesse e dinamiche che richiedono una pianificazione e un adattamento continui. Ad esempio, considera un agente di robotica che deve generare un percorso per passare da uno stato iniziale a uno stato obiettivo:
- Pensiero: il modello ragiona sul percorso ottimale per passare dallo stato attuale allo stato obiettivo. Durante il processo di ragionamento, il modello ottimizza le metriche come il tempo o l'energia.
- Azione: il modello esegue il passaggio successivo del suo piano spostandosi lungo un segmento di percorso calcolato.
- Osservazione: il modello osserva e salva il nuovo stato dell'ambiente. Il modello salva la nuova posizione e le eventuali modifiche all'ambiente che percepisce.
Questo ciclo consente all'agente di rispettare i vincoli dinamici, ad esempio evitando nuovi ostacoli o seguendo le norme del traffico, aggiornando costantemente il suo piano in base a nuove osservazioni. L'agente continua il suo ciclo iterativo finché non raggiunge il suo obiettivo o non si verifica un errore.
Un singolo agente ReAct può essere più semplice ed economico da implementare e gestire rispetto a un complesso sistema multi-agente. Il pensiero del modello fornisce una trascrizione del ragionamento del modello, utile per il debug. Tuttavia, questa flessibilità comporta dei compromessi. La natura iterativa e in più passaggi del ciclo può comportare una latenza end-to-end più elevata rispetto a una singola query. Inoltre, l'efficacia dell'agente dipende in larga misura dalla qualità del ragionamento del modello di AI. Pertanto, un errore o un risultato fuorviante di uno strumento in un passaggio di osservazione può propagarsi e causare una risposta finale errata.
Pattern human-in-the-loop
Il pattern human-in-the-loop integra i punti di intervento umano direttamente nel workflow di un agente. In un checkpoint predefinito, l'agente mette in pausa la sua esecuzione e chiama un sistema esterno per attendere che una persona esamini il suo lavoro. Questo pattern consente a una persona di approvare una decisione, correggere un errore o fornire l'input necessario prima che l'agente possa continuare.
Il seguente diagramma mostra una visualizzazione di alto livello di un pattern human-in-the-loop:
Utilizza il pattern human-in-the-loop per le attività che richiedono la supervisione umana, il giudizio soggettivo o l'approvazione finale per le azioni critiche. Queste azioni includono l'approvazione di una transazione finanziaria di grandi dimensioni, la convalida del riepilogo di un documento sensibile o la fornitura di un feedback soggettivo sui contenuti creativi generati. Ad esempio, un agente potrebbe avere il compito di anonimizzare un set di dati dei pazienti per la ricerca. L'agente identificherebbe e oscurerebbe automaticamente tutte le informazioni sanitarie protette, ma si fermerebbe a un checkpoint finale. Quindi, attende che un responsabile della conformità umano convalidi manualmente il set di dati e ne approvi il rilascio, il che contribuisce a garantire che non vengano esposti dati sensibili.
Il pattern human-in-the-loop migliora la sicurezza e l'affidabilità inserendo il giudizio umano nei punti decisionali critici del workflow. Questo pattern può aggiungere una notevole complessità architettonica perché richiede la creazione e la manutenzione del sistema esterno per l'interazione utente.
Pattern di logica personalizzato
Il pattern di logica personalizzata offre la massima flessibilità nella progettazione del workflow. Questo approccio ti consente di implementare una logica di orchestrazione specifica che utilizza il codice, ad esempio istruzioni condizionali, per creare workflow complessi con più percorsi di diramazione.
Il seguente diagramma illustra un esempio di utilizzo di un pattern di logica personalizzata per acquisire un processo di rimborso:
Nel diagramma precedente, di seguito è riportato l'Agentic Workflow per l'agente di rimborso clienti di esempio:
- L'utente invia una query all'agente per i rimborsi dei clienti che funge da agente coordinatore.
- La logica personalizzata del coordinatore richiama innanzitutto un agente di verifica parallelo, che invia simultaneamente due subagenti: l'agente di verifica dell'acquirente e l'agente di idoneità al rimborso.
- Una volta raccolti i risultati, l'agente coordinatore esegue uno strumento per
verificare se la richiesta è idonea per un rimborso.
- Se l'utente è idoneo, il coordinatore indirizza l'attività a un agente di elaborazione dei rimborsi, che chiama lo strumento
process_refund. - Se l'utente non è idoneo, il coordinatore indirizza l'attività a un flusso sequenziale separato, a partire dall'agente per il credito dello Store e dall'agente per la decisione sull'elaborazione del credito.
- Se l'utente è idoneo, il coordinatore indirizza l'attività a un agente di elaborazione dei rimborsi, che chiama lo strumento
- Il risultato del percorso intrapreso viene inviato all'agente di risposta finale per formulare la risposta per l'utente.
L'esempio di agente di rimborso del cliente richiede una soluzione unica per l'orchestrazione a livello logico, che va oltre gli approcci strutturati offerti da altri pattern. Questo flusso di lavoro combina i pattern perché esegue un controllo parallelo, quindi esegue un ramo condizionale personalizzato che indirizza a due processi downstream completamente diversi. Questo tipo di workflow complesso con pattern misti è il caso d'uso ideale per il pattern di logica personalizzata.
Utilizza il pattern di logica personalizzata quando hai bisogno di un controllo granulare sull'esecuzione dell'agente o quando il tuo workflow non rientra in uno degli altri pattern descritti in questo documento. Tuttavia, questo approccio aumenta la complessità di sviluppo e manutenzione. Sei responsabile della progettazione, dell'implementazione e del debug dell'intero flusso di orchestrazione, il che richiede un maggiore impegno di sviluppo e può essere più soggetto a errori rispetto all'utilizzo di un pattern predefinito supportato da uno strumento come Agent Development Kit (ADK).
Per informazioni sugli agenti personalizzati e su come implementare la logica personalizzata utilizzando l'ADK, consulta Agenti personalizzati.
Confronta i pattern di progettazione
La scelta di un pattern di agenti è una decisione fondamentale per l'architettura. Ogni pattern offre diversi compromessi in termini di flessibilità, complessità e prestazioni. Per determinare il pattern appropriato per il tuo workload, prendi in considerazione i pattern di progettazione nelle sezioni seguenti.
Workflows deterministici
Workflows deterministici includono attività prevedibili e sequenziali, con un percorso chiaramente definito dall'inizio alla fine. I passaggi delle tue attività sono noti in anticipo e il processo non cambia molto da un'esecuzione all'altra.
Di seguito sono riportati i pattern di progettazione degli agenti per i workflow deterministici:
- Pattern sequenziale multi-agente
-
Utilizza questo pattern se il tuo workload presenta le seguenti caratteristiche:
- Attività in più passaggi che seguono un workflow rigido e predefinito.
- Non richiede l'orchestrazione dei modelli.
- Sequenza fissa di operazioni. L'output di un agente è l'input diretto dell'agente successivo nella sequenza.
- Pattern parallelo multi-agente
-
Utilizza questo pattern se il tuo workload ha le seguenti caratteristiche:
- Attività indipendenti che possono essere eseguite contemporaneamente.
- Non richiede l'orchestrazione dei modelli.
- Riduce la latenza complessiva eseguendo le attività secondarie contemporaneamente.
- Pattern di perfezionamento iterativo multi-agente
-
Utilizza questo pattern se il tuo workload ha le seguenti caratteristiche:
- Attività di generazione complesse o aperte difficili da completare in un solo tentativo.
- Richiede all'agente di migliorare progressivamente l'output nel corso di più cicli.
- Non richiede l'orchestrazione del modello.
- Dà la priorità alla qualità dell'output rispetto alla latenza.
Workflows che richiedono un'orchestrazione dinamica
Workflows che richiedono un'orchestrazione dinamica comportano problemi complessi in cui gli agenti devono decidere come procedere. In questi workflow, il sistema di AI basato su agenti pianifica, delega e coordina le attività in modo dinamico senza uno script.
Di seguito sono riportati i pattern di progettazione degli agenti per i workflow che richiedono l'orchestrazione dinamica:
- Modello di singolo agente
-
Utilizza questo pattern se il tuo workload presenta le seguenti caratteristiche:
- Attività strutturate e in più passaggi che richiedono l'uso di strumenti esterni.
- Richiede uno sviluppo rapido per un prototipo di una soluzione come proof of concept.
- Pattern di coordinamento multi-agente
-
Utilizza questo pattern se il tuo workload ha le seguenti caratteristiche:
- Richiede il routing dinamico a un subagente specializzato appropriato per attività strutturate con input diversi.
- Latenza elevata dovuta a più chiamate al modello di AI coordinatore in modo che possa indirizzare le attività al subagente appropriato.
- Può comportare costi elevati a causa di più chiamate all'agente coordinatore.
- Pattern di scomposizione gerarchica delle attività multi-agente
-
Utilizza questo pattern se il tuo workload ha le seguenti caratteristiche:
- Richiede l'orchestrazione di modelli multilivello per attività complesse, aperte e ambigue.
- Richiede risultati completi e di alta qualità in cui la scomposizione dell'ambiguità è la sfida principale.
- Latenza elevata dovuta alla scomposizione nidificata su più livelli che porta a più chiamate al modello di AI per il ragionamento.
- Pattern di swarm multi-agente
-
Utilizza questo pattern se il tuo workload ha le seguenti caratteristiche:
- Richiede un dibattito collaborativo e un perfezionamento iterativo da parte di più agenti specializzati per attività altamente complesse, aperte o ambigue.
- Dà la priorità alla sintesi di più prospettive per creare una soluzione completa o creativa.
- Latenza e costi operativi elevati a causa della comunicazione dinamica all-to-all tra gli agenti.
Workflows che prevedono iterazioni
Workflows che prevedono l'iterazione includono attività in cui l'output finale viene ottenuto attraverso cicli di perfezionamento, feedback e miglioramento.
Di seguito sono riportati i pattern di progettazione degli agenti per i workflow che prevedono l'iterazione:
- Pattern ReAct
-
Utilizza questo pattern se il tuo workload presenta le seguenti caratteristiche:
- Richiede un agente per ragionare, agire e osservare in modo iterativo per creare o adattare un piano per attività complesse, aperte e dinamiche.
- Dà la priorità a un risultato più accurato e completo rispetto alla latenza.
- Pattern di loop multi-agente
-
Utilizza questo pattern se il tuo workload presenta le seguenti caratteristiche:
- Richiede attività di monitoraggio o polling che ripetono un'azione predefinita, come i controlli automatici, finché l'agente non soddisfa una condizione di uscita.
- Latenza imprevedibile o di lunga durata durante l'attesa che venga soddisfatta una condizione di uscita.
- Pattern di revisione e critica multi-agente
-
Utilizza questo pattern se il tuo workload ha le seguenti caratteristiche:
- Le attività richiedono un passaggio di convalida distinto prima del completamento.
- Pattern di perfezionamento iterativo multi-agente
-
Utilizza questo pattern se il tuo workload ha le seguenti caratteristiche:
- Attività di generazione complesse o aperte difficili da completare in un solo tentativo.
- Richiede all'agente di migliorare progressivamente l'output nel corso di più cicli.
- Non richiede l'orchestrazione del modello.
- Dà la priorità alla qualità dell'output rispetto alla latenza.
Workflows con requisiti speciali
Workflows con requisiti speciali includono attività che non seguono i pattern agentici comuni. Le tue attività possono includere una logica di business unica o richiedere un giudizio e un intervento umano in punti critici. In questo caso, il tuo sistema di AI agentica è creato su misura per uno scopo specifico.
Di seguito sono riportati i pattern di progettazione degli agenti per i workflow con requisiti speciali:
- Pattern human-in-the-loop
-
Utilizza questo pattern se il tuo workload ha le seguenti caratteristiche:
- Richiede la supervisione umana a causa di attività soggettive o ad alto rischio che potrebbero includere requisiti di sicurezza, affidabilità e conformità.
- Pattern di logica personalizzata
-
Utilizza questo pattern se il tuo workload ha le seguenti caratteristiche:
- Logica complessa e ramificata che va oltre una sequenza lineare diretta.
- Richiede il massimo controllo per combinare regole predefinite con il ragionamento del modello.
- Richiede un controllo granulare del processo per un flusso di lavoro che non rientra in un modello standard.
Passaggi successivi
- Scopri di più su come creare e gestire sistemi multi-agente utilizzando le primitive ADK.
- Scopri come ospitare app di AI e agenti su Cloud Run.
- Scopri di più su Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems.
- Scopri come creare un agente con ADK.
- Scopri di più su come creare sistemi AI multi-agente in Google Cloud.
- Per ulteriori architetture di riferimento, diagrammi e best practice, esplora Cloud Architecture Center.
Collaboratori
Autore: Samantha He | Technical Writer
Altri collaboratori:
- Abdul Saleh | Software Engineer
- Amina Mansour | Tech Lead, Global Developer Relations & Strategic Content
- Amit Maraj | Developer Relations Engineer
- Casey West | Architecture Advocate, Google Cloud
- Jack Wotherspoon | Developer Advocate
- Joe Fernandez | Staff Technical Writer
- Joe Shirey | Cloud Developer Relations Manager
- Karl Weinmeister | Director of Cloud Product Developer Relations
- Kumar Dhanagopal | Cross-Product Solution Developer
- Lisa Shen | Senior Outbound Product Manager, Google Cloud
- Mandy Grover | Head of Architecture Center
- Mark Lu | Technical Writer
- Megan O'Keefe | Developer Advocate
- Olivier Bourgeois | Developer Relations Engineer
- Shir Meir Lador | Developer Relations Engineering Manager
- Vlad Kolesnikov | Developer Relations Engineer