LLM, agenti, RAG e fine-tuning: parole diverse, funzioni diverse. Una guida per capire da dove partire e che cosa serve davvero alla tua azienda.
Un agente è un sistema di componenti. Clicca i blocchi e segui l’esempio di una richiesta di appuntamento.
Definiamo il lavoro che l’agente deve svolgere, il tono, le procedure e le condizioni per chiedere aiuto. Il mandato del cliente aggiunge obiettivi e vincoli specifici.
Un assistente commerciale deve raccogliere la richiesta e proporre un appuntamento, rispettando le regole dell’azienda.
Il modello interpreta la richiesta e produce testo o richieste strutturate agli strumenti. Scegliamo modello e dimensione in funzione del compito, dei tempi e delle risorse disponibili.
Comprende «preferirei giovedì pomeriggio» e ricava le informazioni da verificare nel calendario.
Conversazione, stato della pratica e fonti aziendali aiutano l’agente a lavorare con continuità. EstroCore può fornire documenti pertinenti, mentre il gestionale mantiene lo stato operativo.
Recupera le regole degli appuntamenti e vede se esiste già una prenotazione per quella richiesta.
Le funzioni disponibili determinano le azioni possibili. Un connettore può leggere una disponibilità; un altro può registrare una prenotazione se autorizzato.
Il servizio calendario restituisce gli slot disponibili. La prenotazione avviene attraverso una funzione dedicata.
Stabiliamo quali azioni richiedono conferma e chi può approvarle. I permessi vivono nel sistema: una richiesta in chat non deve trasformarsi in un accesso illimitato.
L’agente propone uno slot; la conferma arriva quando la persona lo sceglie e la registrazione riesce.
Il sistema controlla il risultato restituito dallo strumento e aggiorna la pratica. Un errore o una risposta incerta richiedono una gestione esplicita prima di ripetere l’azione.
Conferma l’appuntamento solo dopo avere ottenuto l’identificativo dell’evento. Un problema resta visibile al team.
Modello, conoscenza e strumenti sono componenti distinti: si progettano insieme attorno al risultato.
Un LLM è un modello che elabora e genera linguaggio. Un agente usa un modello e dispone di istruzioni, contesto e strumenti per perseguire un obiettivo. Una base RAG gli permette di consultare informazioni pertinenti. Il fine-tuning modifica parametri addestrabili per specializzare il comportamento del modello.
| Elemento | Che cosa fa | Un esempio |
|---|---|---|
| LLM | Elabora una richiesta e genera una risposta. | Spiega i dati di un report. |
| Agente | Usa strumenti e procedure per un compito. | Consulta un calendario e propone disponibilità. |
| RAG / EstroCore | Recupera informazioni da fonti consultabili. | Trova il passaggio di una procedura aggiornata. |
| Fine-tuning | Specializza il modello attraverso esempi. | Impara una classificazione o un formato richiesto. |
Questi componenti possono lavorare insieme. Non sono quattro alternative fra cui sceglierne obbligatoriamente una.
Documenti in cartelle diverse, decisioni nelle chat e procedure conosciute solo da alcune persone: l’assistente non ha automaticamente accesso a questo patrimonio.
EstroCore è la base di conoscenza che collega i documenti dell’azienda ai suoi agenti. Parti da una domanda: il sistema cerca nelle fonti autorizzate e recupera i contenuti pertinenti, anche se usi parole diverse dal documento. L’agente usa quel contesto per rispondere e indicare da dove arrivano le informazioni. Se un dato manca, deve segnalarlo.
Documenti affidabili, responsabili dell’aggiornamento, accessi per progetto e domande reali per valutare il recupero. Un backup conserva i dati; un indice li rende ricercabili; un riepilogo riduce lo storico da rileggere. Sono attività diverse.
Correttezza delle fonti, aggiornamento, capacità di riconoscere informazioni mancanti, tempi e token utilizzati. Il risparmio dipende dal flusso: non è automatico.
Markdown è un formato con cui scriviamo e organizziamo contenuti. Il RAG è un processo: cerca nelle fonti e porta le parti utili nella richiesta al modello. I file Markdown possono essere una delle fonti del RAG, insieme a documenti e altre informazioni.
Un modello di embedding trasforma un testo in una serie di numeri che ne rappresenta alcune caratteristiche di significato. La ricerca confronta queste rappresentazioni per trovare passaggi affini alla domanda. Preparazione dei documenti, qualità delle fonti e criteri di recupero restano decisivi.
Invece di inviare ogni volta un archivio intero, il sistema recupera una selezione pertinente. Possiamo inoltre usare riepiloghi dello stato del lavoro, mantenendo i riferimenti agli originali. Il confronto va fatto sullo stesso compito, considerando qualità della risposta, token, tempi e costo del recupero.
Concordiamo chi modifica le fonti, come riconoscere le versioni e quali aggiornamenti importare. Le automazioni possono controllare nuove informazioni e preparare riepiloghi periodici. Backup e ripristino hanno un piano separato: copiare i dati non equivale ad aggiornare l’indice.
Copiare dati, cercare disponibilità, preparare un riepilogo o passare una pratica a un reparto: un agente può supportare queste attività quando dispone degli strumenti appropriati.
Un appuntamento è confermato quando è stato davvero registrato. Un contenuto è pubblicato quando il canale restituisce un esito verificabile. Progettiamo controlli, gestione degli errori e passaggio a una persona quando necessario.
Definiamo compito, strumenti accessibili, regole di autonomia e condizioni di approvazione. Misuriamo attività concluse correttamente, errori, tempi e interventi manuali.
L’addestramento locale può specializzare un LLM su comportamenti o compiti specifici. Nel fine-tuning supervisionato, gli esempi mostrano la risposta desiderata; il processo modifica i parametri addestrabili.
Con LoRA il modello di base resta congelato e si addestrano componenti aggiuntivi, chiamati adapter. Il comportamento appreso viene utilizzato quando si carica l’adapter insieme alla base compatibile.
Un compito chiaro, esempi corretti e persone capaci di valutare gli output. Separiamo dati di training e casi di prova, confrontiamo il modello di partenza e controlliamo eventuali regressioni.
Listini, disponibilità e informazioni che cambiano spesso sono generalmente più facili da aggiornare attraverso fonti e strumenti. Il fine-tuning non sostituisce un archivio documentale.
Vedi l’esperimento locale con Soup
Configurare un agente significa definire identità, procedure, memoria e strumenti. Addestrare un LLM significa modificare parametri addestrabili attraverso un dataset e un processo di training. Possiamo lavorare su entrambi i livelli e verificarne separatamente gli effetti.
Il rilascio comprende modello compatibile, configurazione e criteri di verifica. Le prove sul compito reale determinano se il vantaggio giustifica il costo di addestramento e gestione.
Un agente analizza, un altro prepara contenuti, un altro interviene sul sito. Il valore è nel passaggio di consegne: brief, materiali, versioni e stato del lavoro devono essere espliciti.
Ada può supportare la lettura delle campagne; Olivia il lavoro editoriale; Iris la produzione creativa; Oscar la preparazione del sito. Il funnel completo richiede connettori, misurazione e orchestrazione: ogni collegamento viene costruito e collaudato.
La supervisione si decide per attività: un report può richiedere controlli diversi da una modifica di budget o da una pubblicazione.
Collegare più chat non basta a creare un processo. Ogni passaggio deve trasmettere progetto, obiettivo, fonti, materiali, versione e stato di approvazione. Un coordinamento esplicito evita che un agente lavori su una bozza superata o interpreti come definitiva una proposta.
Ada prepara una lettura dei dati e una proposta. Olivia trasforma l’obiettivo in contenuti e brief; Iris sviluppa gli asset. Oscar prepara la pagina e l’anteprima. La revisione autorizza la versione da rilasciare, poi il team verifica il risultato e raccoglie le misure per il ciclo successivo.
Questo è il flusso che progettiamo: connettori e passaggi vengono attivati e collaudati per il contesto del cliente.
Prima di sostituire tutto, serve capire che cosa il sistema fa davvero e quali regole aziendali contiene. Il reverse engineering ricostruisce struttura, dipendenze e flussi di dati.
Lavoriamo sui sistemi per cui sono disponibili gli accessi e le autorizzazioni necessarie. Documentiamo il comportamento, colleghiamo API dove possibile e sviluppiamo componenti su misura. La scelta tra mantenere, integrare o riscrivere dipende da costi, vincoli e continuità operativa.
Una base PHP/Laravel può essere sviluppata e mantenuta con il supporto degli agenti. Versioni, test, backup e competenze umane rendono il cambiamento governabile.
Un sistema costruito negli anni contiene regole spesso assenti dalla documentazione: chi può procedere, quali dati sono obbligatori, quando si blocca una pratica. Il reverse engineering rende queste regole leggibili prima di intervenire.
Struttura del codice, schema dati, schermate, integrazioni, flussi di lavoro e casi particolari. Confrontiamo il comportamento del software con il processo raccontato dalle persone che lo usano.
Una mappa del sistema e delle dipendenze, le priorità d’intervento e un percorso di evoluzione. In base al progetto realizziamo connettori, nuovi moduli, migrazioni e documentazione per il team.
Possono aiutare nell’analisi, nella preparazione delle modifiche e nelle verifiche. Il lavoro passa attraverso versioni, revisione e ambienti di prova; il rilascio mantiene una responsabilità chiara e una possibilità di recupero.
Partiamo da un’attività frequente e circoscritta. Raccogliamo alcuni esempi, definiamo un riferimento iniziale e scegliamo la combinazione di strumenti più adatta.
Il percorso può includere formazione, prototipo, installazione cloud o locale e affiancamento al team. L’hardware si sceglie in base al lavoro reale, non prima di averlo definito.
Durante il progetto definiamo anche quali componenti richiedono servizi esterni: una soluzione locale può comunque includere integrazioni cloud. La scelta dipende dai dati, dai carichi e dall’organizzazione.
Il modello continua a elaborare token. Quello che può essere eliminato, per le attività svolte interamente in locale, è il pagamento per token a un servizio esterno. Restano i costi dell’infrastruttura e della gestione. Le eventuali API cloud usate per immagini, video o altri compiti hanno costi separati.
RAG, riepiloghi e moduli Laravel aiutano a non affidare al modello ogni operazione: il gestionale conserva lo stato, applica le regole definite ed esegue le attività strutturate. Il vantaggio si misura sulla qualità e sul costo totale del processo.