Agente contro chat: il loop obiettivo → piano → azione

Tutto ciò che hai studiato finora è stato un dialogo: tu chiedi → risponde → tu decidi cosa fare dopo. Un agente prende il «cosa fare dopo» per sé. Nella lezione precedente abbiamo concordato una definizione operativa di agente; ora smontiamo il meccanismo su cui si basa l'intero corso — il loop.

Il loop dell'agente

1. Obiettivo: «trova 10 luoghi pubblicitari adatti e raccogli i loro prezzi in una tabella».
2. Piano: l'agente scompone l'obiettivo in passaggi: cerca luoghi → apri ciascuno → trova il listino prezzi → annotalo.
3. Azione: chiama uno strumento — un'operazione esterna disponibile al modello: cerca, leggi una pagina, scrivi su un foglio. Gli strumenti sono le «mani» che la chat del 2022 non aveva.
4. Osservazione: ottiene il risultato dell'azione e valuta: ha funzionato? ci sono abbastanza dati? Il risultato di ogni azione è letteralmente chiamato un'osservazione.
5. Ripeti — dal passaggio 2, finché l'obiettivo non è raggiunto (o il limite di turni scatta — una salvaguardia contro i loop infiniti, trattata nel modulo affidabilità).

La differenza chiave rispetto alla chat: il modello prende le decisioni all'interno del loop, non tu. Tu imposti l'obiettivo, i limiti e gli strumenti — l'agente costruisce il percorso da solo.

Un mini-tracciato: tre passaggi attraverso gli occhi dell'agente

Ecco come appare il loop dall'interno — sul nostro compito di ricerca luoghi:

• Passaggio 1. Pensiero: ho bisogno di un elenco di luoghi. Azione: cerca «pubblicità in blog di cucina». Osservazione: 12 link, 7 sembrano blog.
• Passaggio 2. Pensiero: apri il primo. Azione: apri link #1. Osservazione: la pagina non è riuscita a caricarsi — errore.
• Passaggio 3. Pensiero: link morto — segnalalo, prendi il prossimo. Azione: apri link #2. Osservazione: c'è una pagina «Advertise» con un prezzo. Lo scrivo nella tabella.

Guarda il passaggio 2: lo strumento ha restituito un errore — e l'agente ha rivisto il piano invece di insistere ostinatamente. L'osservazione è ciò che rende vivo il loop. Ricordi AutoGPT dalla lezione precedente? Ha fallito esattamente qui: si è convinto che il passaggio fosse riuscito e ha trascinato il «successo» inventato nei passaggi successivi.

Un agente non è un nuovo modello

Togliamo la magia: all'interno di un agente gira lo stesso modello linguistico di una chat. La differenza è l'imbracatura che lo circonda: il loop, gli strumenti e la memoria (ciò che l'agente conserva tra un passaggio e l'altro — una lezione separata più avanti). Quindi l'agente eredita tutte le debolezze del modello: può sbagliare, può «vedere» cose che non ci sono. E il loop amplifica sia le abilità che gli errori: un'osservazione sbagliata al passaggio 2 diventa l'input del passaggio 3.

La risposta: una chat deve fornire tutto in un colpo solo, mentre un agente può provare, guardare il risultato e correggersi. Non più intelligenza — più tentativi, e ognuno successivo si basa sulla realtà (osservazioni), non su un'ipotesi.

Hai già visto gli agenti

• Ricerca approfondita — un agente di ricerca: pianifica query, legge fonti, assembla un rapporto. Il suo loop: query → leggi → «cosa manca?» → nuova query.
• Agenti di codifica (Claude Code, Replit e altri) — scrivono codice, lo eseguono, vedono l'errore, lo correggono. L'esecuzione del codice è la loro «osservazione».
• Il nodo agente in n8n — il costruttore di automazioni che la nostra piattaforma copre in un corso separato: il nodo stesso decide se controllare il foglio o eseguire una ricerca.

Lo stesso schema ogni volta — ora conosci il suo nome e puoi vedere il suo loop.

Quando hai bisogno di un agente, e quando una chat o un workflow sono sufficienti

• Una risposta in un solo passaggio → una chat.
• Una catena fissa di passaggi → un workflow (frecce in n8n): un umano ha scritto il percorso in anticipo — più economico e prevedibile.
• Passaggi sconosciuti in anticipo, a seconda dei risultati → un agente.

L'errore classico del principiante è usare un agente dove un workflow sarebbe sufficiente. Un agente non è «più figo» — è «più flessibile a un prezzo»: ogni passaggio è una chiamata separata al modello, quindi è più costoso, più lento, meno prevedibile. Un'intera lezione è dedicata a questa scelta — subito dopo la mappa delle applicazioni.

Sandbox: senti la differenza con le tue mani

Invia due prompt uno dopo l'altro e confronta. Prima una chat normale:

Answer in one paragraph: how do I plan a new product launch?

Ora fai agire il modello come un agente:

Act as an autonomous agent. GOAL: plan a new product launch.
Work in a loop: Thought → Action (tool call) → Observation.
Tools are imaginary only: search(query), calendar_add(event),
send_email(to, text). Show 5 turns of the loop, invent plausible
observations. After turn 5 — STOP and a brief summary: done vs remaining.

Il contrasto tra la prima e la seconda risposta è la definizione di un agente: non «una risposta» ma «lavoro in un loop».

Fallo ora

Esegui entrambi i prompt della sandbox. Nella seconda risposta trova un passaggio in cui un'osservazione ha cambiato il piano. Se non ce n'è uno — aggiungi la riga «al passaggio 3 lo strumento restituisce un errore» al prompt e guarda il modello reindirizzare.