Molti sviluppatori gestiscono team di agenti e l'orchestrazione degli agenti "a sensazione", ma è davvero efficace?
In questo articolo ti presenterò cinque pattern supportati dalla ricerca per gestire team di agenti in Antigravity, Claude Code o qualsiasi altro agente di coding. Che tu stia creando nuove applicazioni, mantenendo codebase legacy o conducendo ricerche, scoprirai quando ciascun pattern supera un singolo agente e otterrai prompt pronti all'uso per provarli tu stesso.
Di: YK Sugi, Senior Developer Relations Engineer, Google Cloud
1. Separa chi costruisce da chi verifica. Invece di far gestire tutto a un singolo agente, possiamo separare la costruzione e la verifica in due thread distinti. Un agente costruisce. Un secondo agente, in un nuovo thread, controlla se il risultato fa ciò che hai richiesto. Un modello che revisiona il proprio lavoro nello stesso thread rischia di essere influenzato dal suo output precedente.
Infatti, gli studi dimostrano che i modelli sono pessimi giudici del proprio lavoro. Faticano a correggere il proprio ragionamento senza feedback esterni e preferiscono il proprio output rispetto a quello altrui.
Usa questo pattern per le modifiche importanti. L'auto-revisione può comunque andare bene per piccoli cambiamenti o quando i test forniscono già un feedback.
Prompt: Avvia un nuovo subagent in sola lettura come verificatore. Fagli controllare se questa diff fa quello che ho chiesto.

2. Dividi il lavoro in corsie. Quando un'attività si divide in modo netto, assegna ogni parte a un responsabile dedicato, ad esempio un subagent per il frontend, uno per il backend e uno per la documentazione. Falli lavorare in parallelo senza che modifichino gli stessi file.
In uno studio del 2026 su 652 attività di coding, due agenti che lavoravano su codice sovrapposto hanno avuto successo circa il 30% in meno rispetto a un singolo agente che svolgeva entrambe le attività.
In uno studio di Google e MIT, i team di agenti hanno ottenuto punteggi fino all'80,8% più alti rispetto a un singolo agente su un benchmark finanziario con parti indipendenti, e dal 39% al 70% in meno su un benchmark di pianificazione in cui ogni passaggio dipendeva dal precedente.

Per i lavori difficili da dividere in parti nette come frontend e backend, spesso un singolo thread offre prestazioni migliori. Lo stesso vale per le piccole correzioni di bug, dove i subagent in parallelo non hanno aiutato in un altro studio.
Prompt: Avvia tre subagent in parallelo: uno per il frontend in web/, uno per il backend in api/ e uno per la documentazione in docs/. Ognuno modifica solo i file nella propria cartella. Quando tutti e tre hanno finito, verifica che le parti funzionino insieme.

3. Best of N (il migliore tra N). Esegui la stessa attività più volte in parallelo e lascia che una suite di test o una valutazione scelga il vincitore. AlphaCode, un sistema di coding di DeepMind, funzionava così. Generava molti programmi candidati e li filtrava eseguendoli. Questo metodo ha ottenuto risultati competitivi nei concorsi di programmazione.
In uno studio del 2024 su questo approccio Best of N, i tassi di successo hanno continuato a salire nel corso di migliaia di tentativi su attività con controlli automatici. Su issue reali di GitHub, un modello è passato dal 15,9% di problemi risolti con un solo tentativo al 56% con 250 tentativi. Senza un controllo automatico, la scelta del vincitore tramite voto a maggioranza o un modello di punteggio si stabilizzava intorno ai 100 tentativi.

Prompt: Esegui cinque subagent in parallelo su Gemini 4 Hydrogen, ognuno cercando di ottimizzare questo nel proprio worktree. Valuta ogni tentativo con le eval, scegli il migliore e dimmi il risultato.
4. Consiglio dei modelli. Chiedi a diversi modelli proposte indipendenti, fai votare dei giudici tenendo nascosti i nomi dei modelli, poi unisci le idee più forti. Usalo quando non c'è un test chiaro o un controllo automatico, come per l'architettura o il design visivo.
In uno studio, combinare le risposte di diversi modelli ha ottenuto punteggi superiori rispetto a un singolo modello frontier. In un altro, un panello di modelli diversi ha eguagliato il giudizio umano meglio di un singolo giudice di grandi dimensioni.

Ad esempio, ho progettato questo logo di una nave con un consiglio di modelli. Sono bastati due round per passare da un primo tentativo banale all'icona finale.

Prompt: Chiedi a Gemini 4 Carbon, Gemini 4 Neon e Claude Opus 5.5 un design indipendente ciascuno. Fai valutare i design da tre nuovi agenti su Gemini 4 Carbon, Gemini 4 Neon e Claude Opus 5.5, tenendo nascosti i nomi dei modelli. Unisci le idee migliori nel progetto vincitore.
5. Team di revisori. Esegui diversi revisori in sola lettura in parallelo, ognuno con un compito specifico, come UX o sicurezza.
In un classico studio del 1995 con revisori umani, i team in cui ogni membro cercava un tipo diverso di errore hanno trovato circa il 35% di errori in più rispetto ai team in cui tutti usavano la stessa checklist generale degli errori comuni.
A quanto pare, un pattern simile vale anche per i revisori AI. In uno studio sui giudici LLM, un team con ruoli diversi ha eguagliato il giudizio umano meglio di un singolo giudice, mentre ha ottenuto risultati peggiori quando tutti condividevano lo stesso ruolo.

Prompt: Avvia quattro revisori in sola lettura in parallelo per UX, semplicità del codice, edge case e sicurezza. Correggi ciò che segnalano, poi ripeti con nuovi revisori finché tutti e quattro non approvano.
Questi pattern sono più dei mattoncini da costruzione che delle regole rigide. Puoi combinarli in qualsiasi modo funzioni per te, ma ecco un semplice diagramma di flusso per guidarti su quale usare e quando:






