Agente multi-step con ciclo di ragionamento
In questa pagina
Agente multi-step con ciclo di ragionamento
Gli agenti più potenti non si fermano dopo una singola chiamata a uno strumento. Concatenano più passaggi di ragionamento, adattano la propria strategia in base ai risultati e iterano fino al raggiungimento dell’obiettivo. In questa lezione imparerai a costruire questi agenti multi-step. Gli esempi utilizzano la famiglia GPT-5.6: mentre la generazione precedente richiedeva il cambio di modello per abilitare il ragionamento, ora controlli questo comportamento tramite l’impostazione effort sul modello scelto.
Il pattern plan-execute
Un agente multi-step inizia creando un piano, quindi esegue ogni passaggio. Questa separazione è deliberata: il pianificatore non ha strumenti e produce una struttura tipizzata, mentre l’esecutore riceve questo piano come una tabella di marcia e si limita a seguirlo. Una richiesta vaga come «prepara la revisione trimestrale per i clienti chiave» diventa una sequenza concreta di azioni—interrogare il CRM, generare il report, inviare l’email—prima che venga tentata qualsiasi azione.
from agents import Agent, Runner, function_tool
from pydantic import BaseModel
import json
class PlanAction(BaseModel):
steps: list[str]
objective: str
planner_agent = Agent(
name="Planner",
instructions="""Ricevi un compito complesso. Scomponilo in passaggi semplici e ordinati.
Ogni passaggio deve essere un elemento concreto e azionabile.""",
model="gpt-5.6-sol", # Ragionamento avanzato per la pianificazione
output_type=PlanAction,
)
@function_tool
def search_crm(query: str) -> str:
"""Cerca informazioni sui clienti nel CRM."""
return json.dumps({"customers": [
{"name": "Acme Corp", "revenue": 500000, "contract": "Enterprise"},
{"name": "TechStart", "revenue": 50000, "contract": "Starter"},
]})
@function_tool
def generate_report(title: str, content: str) -> str:
"""Genera un report formattato."""
return f"Report '{title}' generato con successo ({len(content)} caratteri)"
@function_tool
def send_email(recipient: str, subject: str, body: str) -> str:
"""Invia un'email."""
return f"Email inviata a {recipient}: {subject}"
executor_agent = Agent(
name="Executor",
instructions="""Esegui i compiti passo dopo passo.
Usa gli strumenti disponibili per completare ogni passaggio.
Se un passaggio fallisce, prova un approccio alternativo.""",
tools=[search_crm, generate_report, send_email],
model="gpt-5.6-terra",
)
async def process_complex_task(task: str):
# Passaggio 1: Pianifica
plan = await Runner.run(planner_agent, task)
print(f"Piano: {plan.final_output.steps}")
# Passaggio 2: Esegui con il piano come contesto
execution_instructions = f"""Esegui i seguenti passaggi in ordine:
{chr(10).join(f'{i+1}. {e}' for i, e in enumerate(plan.final_output.steps))}
Obiettivo: {plan.final_output.objective}"""
result = await Runner.run(executor_agent, execution_instructions)
return result.final_output
Agente auto-correttivo
La pianificazione non basta: nel mondo reale, gli strumenti falliscono. La seconda forma di ciclo permette all’agente di rilevare i propri errori e correggerli. Tutto dipende da un dettaglio spesso trascurato: lo strumento non solleva un’eccezione, ma restituisce un messaggio di errore leggibile. L’agente lo legge, si rende conto di aver dimenticato la clausola FROM, riscrive la query e riprova, entro il limite di tre tentativi stabilito dalle sue istruzioni.
from agents import Agent, Runner, function_tool
@function_tool
def execute_sql_query(sql: str) -> str:
"""Esegue una query SQL sul database."""
# Simulazione: alcune query falliscono
if "DROP" in sql.upper():
return "ERRORE: Le query distruttive sono vietate."
if "SELECT" in sql.upper() and "FROM" not in sql.upper():
return "ERRORE: Sintassi SQL non valida - manca FROM."
return json.dumps({
"columns": ["name", "monthly_revenue", "region"],
"rows": [
["Acme Corp", 45000, "Île-de-France"],
["TechStart", 12000, "Rhône-Alpes"],
],
"result_count": 2
})
analyst_agent = Agent(
name="Data Analyst",
instructions="""Analizzi i dati eseguendo query SQL.
Se una query fallisce:
1. Analizza il messaggio di errore
2. Correggi la query
3. Riprova
Massimo 3 tentativi per query.
Non usare mai DROP, DELETE o TRUNCATE.""",
tools=[execute_sql_query],
model="gpt-5.6-terra",
max_turns=10, # Turni sufficienti per le correzioni
)
result = Runner.run_sync(
analyst_agent,
"Qual è il fatturato totale per regione?"
)
Nota che il divieto di query distruttive appare in due punti: nelle istruzioni e nel codice dello strumento. L’istruzione guida il modello, ma solo il controllo lato server nello strumento garantisce che un DROP TABLE non passi mai inosservato.
Pattern: catena di agenti specializzati
Per flussi di lavoro complessi, concatena diversi agenti specializzati invece di caricare un singolo agente di ogni responsabilità. Ogni anello ha un ruolo chiaro: il raccoglitore riunisce la materia prima, l’analista—dotato di un modello di ragionamento—identifica le tendenze e lo scrittore formatta l’output. Il vantaggio è sia didattico che operativo: quando il report finale delude, sai immediatamente quale dei tre agenti correggere.
from agents import Agent, Runner
collection_agent = Agent(
name="Data Collector",
instructions="Raccogli tutti i dati necessari per l'analisi.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
analysis_agent = Agent(
name="Analyst",
instructions="Analizza i dati raccolti e identifica le tendenze.",
model="gpt-5.6-sol", # Ragionamento avanzato per l'analisi
)
writing_agent = Agent(
name="Writer",
instructions="""Scrivi un report chiaro e strutturato in inglese
basato sull'analisi fornita. Formato: introduzione, punti chiave, raccomandazioni.""",
model="gpt-5.6-terra",
)
async def analysis_pipeline(question: str):
# Passaggio 1: Raccogli dati
data = await Runner.run(collection_agent, question)
# Passaggio 2: Analizza
analysis = await Runner.run(
analysis_agent,
f"Analizza questi dati: {data.final_output}"
)
# Passaggio 3: Scrivi il report
report = await Runner.run(
writing_agent,
f"Scrivi un report basato su questa analisi: {analysis.final_output}"
)
return report.final_output
Controllo della profondità di ragionamento
Tutti questi cicli condividono una caratteristica: potrebbero non fermarsi mai. Il parametro max_turns è la tua principale salvaguardia e lo regoli in base all’ambizione del compito. Tre turni bastano per un agente che dovrebbe rispondere al primo tentativo; venticinque sono necessari per un’esplorazione che interroga più fonti prima di concludere.
# Agente conservativo: pochi turni
simple_agent = Agent(
name="Simple Agent",
instructions="Rispondi in un singolo turno se possibile.",
model="gpt-5.6-terra",
)
result = await Runner.run(simple_agent, "Domanda semplice", max_turns=3)
# Agente complesso: molti turni
research_agent = Agent(
name="Deep Researcher",
instructions="Esplora tutti gli angoli prima di concludere.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
result = await Runner.run(research_agent, "Analisi completa Q1", max_turns=25)
Imposta questo valore osservando le tue tracce piuttosto che indovinare: se le tue esecuzioni reali terminano in sei turni, un limite di venticinque non protegge da nulla.
Punti chiave
- Il pattern plan-execute separa la pianificazione (modello di ragionamento) dall’esecuzione
- Un agente auto-correttivo analizza i propri errori e adatta la propria strategia
- Le catene di agenti specializzati abilitano flussi di lavoro complessi e manutenibili
max_turnscontrolla la profondità del ragionamento e protegge dai loop infiniti- Riserva le capacità di ragionamento avanzato per la pianificazione e l’analisi