MCP, tool calling, kill switch, human-in-the-loop ed eval: agenti che non chiacchierano ma eseguono, con confini chiari e niente disastri.
Un chatbot che risponde male fa perdere tempo. Un agente che esegue male fa perdere soldi: aggiorna il record sbagliato sul CRM, paga una fattura due volte, clicca “Elimina” su un portale, gira in loop per tre ore consumando token. La differenza tra i due non sta nel modello. Sta in quello che gli lasci toccare, in come lo fermi e in come dimostri cosa ha fatto.
Questa guida raccoglie gli articoli su come si costruiscono agenti che agiscono su sistemi reali senza diventare un rischio: protocolli e tool, confini e permessi, code di approvazione, interruttori d’emergenza e un modo serio di misurare se funzionano.
Il filo che lega questi articoli è una separazione netta. Il modello legge, interpreta, propone un’azione con i suoi parametri. Il sistema intorno al modello decide se quell’azione si può fare: valida i parametri con regole deterministiche, controlla i permessi, chiede l’approvazione di una persona quando l’effetto è irreversibile, registra tutto, e può fermare l’agente in qualsiasi momento. Un agente sicuro non è un modello più intelligente. È un modello dentro una scatola progettata bene.
Il secondo filo è l’anti-hype. Non tutto ha bisogno di un agente. Un processo con regole chiare si automatizza meglio con un flusso deterministico; il modello serve dove c’è testo disordinato da interpretare. Più agenti non vuol dire più intelligenza; spesso vuol dire più contraddizioni. Diversi articoli di questa guida servono proprio a togliere il modello da dove non serve.
Protocolli, tool e orchestrazione
Confini, input ostili e dati inventati
Fermarlo, approvarlo, misurarlo
In tutti questi articoli la prima decisione è la stessa, e viene prima del modello: quali tool dai all’agente, e di che tipo. Conviene dividerli in tre gruppi:
Quando la mappa è chiara, metà dei rischi spariscono prima di scrivere il prompt. Quando non c’è, nessun prompt la sostituisce.
Un agente che esegue comandi o tocca sistemi è, dal punto di vista della sicurezza, codice che esegue istruzioni lette da testi che non controlli. Per questo i container senza root, le reti interne e i segreti fuori dal contesto del modello non sono dettagli: sono la metà della sicurezza. Il riferimento è la guida allo stack sovrano. Per collegare gli agenti a PEC, CRM e gestionali senza consegnare le password a un servizio esterno, c’è la guida su integrazioni e dati legacy.
Parti dall’incidente che temi di più, o da quello che ti è già capitato. Ogni articolo ha un’architettura di riferimento con quello che l’agente non tocca, un percorso a step, i fallimenti tipici con le righe di log che li rivelano, i costi in ordine di grandezza e una sezione su quando non mettere un agente affatto.
Se stai per dare a un agente la possibilità di agire sui tuoi sistemi e vuoi decidere prima i confini, trovi il mio percorso nella biografia e puoi scrivermi da contatti.
Qui sotto trovi tutti gli articoli di questa guida.
Dove finisce l'automazione deterministica e dove serve un modello linguistico in Salesforce: Flow per le regole se-al...
Sistemi multi-agente in produzione: perché si contraddicono, due writer sullo stesso record, blackboard versionata, o...
Valutazione degli agenti LLM in produzione: perché le metriche dei chatbot non bastano, punteggio per step, side-effe...
Browser agent in produzione con Playwright: snapshot del DOM invece degli screenshot, allowlist di host e percorsi, d...
Dual control per le azioni irreversibili di un agente AI in Italia: PEC con valore legale, bonifici SEPA non revocabi...
Model Context Protocol spiegato senza hype: cosa risolve e cosa no, l'anatomia (tools, resources, prompts), stdio vs ...
Far scrivere Issue GitHub/GitLab a un agente AI via API, senza gh CLI e senza copincolla: issue come contratto, token...
Il runaway agent che gira in loop sulle tool call è un incident da produzione: fattura API a tre zeri, CPU al 100%. C...
Data contract tra LLM e tool: perché lo structured output vincola la forma ma non la correttezza, come validare IBAN,...
Come progettare un kill switch per agenti che scrivono su Salesforce: dry-run del payload, coda di approvazione con l...
Prompt injection nei documenti aziendali: come un PDF può dirottare un agente AI verso un cambio IBAN o un pagamento ...
Non è una guerra di tool: è un framework di decisione. n8n, LangGraph e Python puro sullo stesso caso reale (prenotaz...
Un chatbot che 'legge gli opportunity' non conclude niente. Per far eseguire azioni sul CRM serve uno strato di tool ...
Antonio Trento — System Architect & AI Integrator
Progetto e costruisco dati, backend, interfaccia e agenti AI end-to-end. Niente slide: sistemi che girano e restano tuoi.
Se un processo ti costa ore, clienti o margine, probabilmente si può costruire. Parliamone.
Prenota una call