La maggior parte degli ingegneri AI sa come costruire un agente.
Molto pochi sanno come costruire un sistema che migliora dopo il primo tentativo.
Questo divario vale sei cifre.
Ecco la differenza:
Un agente è un lavoratore.
Un loop è ciò che fa migliorare il lavoratore.
I sistemi AI più capaci in produzione oggi non sono singole chiamate a modelli.
Sono loop.
Genera → Valuta → Impara → Migliora.
Ripeti.
Finché l'output non è effettivamente buono.
Ecco 20 pattern di progettazione di loop che ricorrono costantemente nei sistemi AI in produzione.
Salva questo. Costruirai con questi.
Agenti vs Loop
Il vecchio modo: Prompt → Risposta → Fatto.
Il nuovo modo: Genera → Critica → Riscrivi → Valuta → Riprova → Ricorda → Migliora.
Uno è un operaio che fa il lavoro una volta.
L'altro è un operaio che studia ogni errore, riscrive il manuale e migliora del 3% a ogni turno.
I team che stanno mettendo in produzione AI in questo momento non stanno scrivendo prompt migliori.
Stanno costruendo loop migliori.
CATEGORIA 1 — LOOP DI MIGLIORAMENTO DELLA QUALITÀ (Rendi l'output migliore prima che lasci il sistema)
1. Genera → Critica → Riscrivi
Il loop più importante nell'ingegneria AI.
Genera output. Il critico lo esamina. Il generatore riscrive in base al feedback. Ripeti fino al raggiungimento della soglia di qualità.
Non un modello. Due ruoli. Una pipeline.
1[Generatore] → bozza2[Critico] → "il paragrafo 3 è vago. mancano prove. il tono è sbagliato."3[Generatore] → riscrittura basata sulla critica4[Critico] → "meglio. ma la conclusione è ancora debole."5[Generatore] → riscrittura finale
Utilizzato per: scrittura, revisione del codice, report, documenti strategici, email di vendita.
L'intuizione: il modello che genera non è il miglior giudice del proprio output.
Un critico separato trova ciò che il generatore perde ogni volta.
2. Loop di Valutazione e Riprova
Genera. Valuta. Riprova se sotto la soglia.
Semplice. Potente. Sottoutilizzato.
punteggio = valuta(output)
1punteggio = valuta(output)23while punteggio < soglia:4 output = genera(prompt)5 punteggio = valuta(output)6 tentativi += 17 if tentativi > max_tentativi:8 return migliore_finora
Ideale quando la qualità è misurabile: accuratezza dell'estrazione, conformità al formato, correttezza fattuale, punteggio lead.
Il generatore non sa di essere valutato.
Il valutatore sì.
Quella separazione è il pattern.
3. Loop Multi-Critico
Un critico ha punti ciechi.
Usane quattro.
→ Critico di correttezza: è fattualmente accurato?
→ Critico di stile: è chiaro e ben scritto?
→ Critico di sicurezza: è appropriato e sicuro?
→ Critico di dominio: soddisfa gli standard specialistici?
Ognuno valuta in modo indipendente.
L'output finale deve soddisfare tutti e quattro prima di uscire.
Utilizzato in: AI medica, revisione di documenti legali, analisi finanziaria, contenuti regolamentati.
4. Loop di Critica Avversaria
L'unico compito del critico è distruggere la risposta.
Non migliorarla. Distruggerla.
Domande che il critico avversario si pone:
→ Quali presupposti falliscono qui? → Quali prove mancano? → Cosa direbbe uno scettico? → Dove è sicuro ma sbagliato?
Il generatore poi difende o riscrive.
La risposta migliore sopravvive all'attacco.
Utilizzato per: sintesi di ricerca, revisione di tesi di investimento, pianificazione strategica, analisi dei rischi.
5. Loop di Giuria d'Insieme
Un giudice dà punteggi rumorosi.
Cinque giudici mediano il rumore.
Esegui lo stesso output attraverso più valutatori.
Aggrega i punteggi.
Solo gli output con alto consenso avanzano.
Utilizzato quando: la valutazione con un singolo modello è inaffidabile, la posta in gioco è alta, i casi limite contano.
CATEGORIA 2 — LOOP DI MEMORIA (Impara da ciò che è successo così la prossima volta sarai più intelligente)
6. Loop di Riflessione
Il pattern di auto-miglioramento più importante che esista.
L'agente fallisce. L'agente analizza perché ha fallito. L'agente memorizza la lezione. L'agente riprova con quella lezione nel contesto.
Ogni iterazione: più intelligente della precedente.
1tentativo 1: fallisce2riflessione: "Ho assunto X ma X era sbagliato. La prossima volta verifica X prima."3tentativo 2: incorpora la lezione → successo parziale4riflessione: "Meglio. Ma ho saltato Y. Aggiungi controllo Y."5tentativo 3: successo
La differenza tra un sistema che fallisce una volta e un sistema che fallisce solo una volta.
7. Loop di Aggiornamento della Memoria
Dopo ogni attività, memorizza tre cose:
→ Quale decisione è stata presa → Quale è stato il risultato → Cosa si farebbe diversamente
Le esecuzioni future ereditano questa conoscenza.
Il sistema al sesto mese non è lo stesso del sistema al primo mese.
Ha letto 6 mesi della propria storia.
8. Loop della Libreria degli Errori
Memorizza ogni fallimento.
Risposta sbagliata. Output errato. Esecuzione fallita. Caso limite.
Prima di agire su una nuova attività:
Cerca prima nella libreria degli errori.
Se esiste un fallimento simile → applica la correzione nota prima ancora di iniziare.
Il sistema smette di commettere lo stesso errore due volte.
Il pattern più sottoutilizzato nell'AI in produzione.
9. Loop dei Pattern di Successo
La maggior parte degli ingegneri memorizza solo i fallimenti.
Memorizza anche i successi.
Quando un'attività va bene:
→ Salva l'approccio → Salva il contesto → Salva ciò che lo ha fatto funzionare
Recupera i pattern di successo quando affronti attività simili.
Impara dalle vittorie. Non solo dagli errori.
10. Loop di Compressione della Memoria
La memoria cresce all'infinito.
La memoria illimitata è memoria inutilizzabile.
Dopo che N elementi si sono accumulati:
Comprimili.
Molte memorie specifiche → poche astrazioni di livello superiore.
1Prima della compressione:2"Fallito sul compito A a causa di X"3"Fallito sul compito B a causa di X"4"Fallito sul compito C a causa di X"56Dopo la compressione:7"Pattern: X causa fallimenti. Controlla sempre X per primo."
Il contesto rimane gestibile. I pattern rimangono accessibili. Il sistema rimane veloce.
CATEGORIA 3 — LOOP DI PIANIFICAZIONE (Adatta il piano quando la realtà cambia)
11. Pianifica → Esegui → Ripianifica
L'errore più comune nella progettazione di agenti AI:
Trattare il piano come fisso.
I piani si infrangono al contatto con la realtà.
Il pattern:
Crea piano → esegui passo → osserva risultato → aggiorna piano → continua
Non una cascata.
Una spirale.
Ogni giro stringe l'approccio.
Utilizzato quando: l'ambiente cambia, le attività hanno dipendenze, obiettivi a lungo termine.
12. Loop di Workflow Dinamico
La maggior parte delle pipeline sono fisse.
Passo 1 → Passo 2 → Passo 3. Sempre.
I workflow dinamici cambiano in base ai risultati.
Se output A → esegui ramo X Se output B → esegui ramo Y Se output C → salta al passo 5
La pipeline decide la propria forma a runtime.
Utilizzato in: ricerca multi-documento, instradamento dell'assistenza clienti, pipeline di contenuti adattive.
13. Loop di Scomposizione degli Obiettivi
Entra un grande obiettivo.
Il sistema lo suddivide in sotto-obiettivi.
Ogni sotto-obiettivo si suddivide in attività.
Ogni attività si suddivide in passi.
Scomponi finché ogni unità non è abbastanza piccola da essere eseguita in una singola chiamata.
1Obiettivo: "Scrivi un'analisi competitiva completa"2↓3Sotto-obiettivo 1: "Identifica i top 5 concorrenti"4Sotto-obiettivo 2: "Analizza il prodotto di ogni concorrente"5Sotto-obiettivo 3: "Confronta i modelli di prezzo"6Sotto-obiettivo 4: "Identifica le lacune"7↓8Ogni sotto-obiettivo → attività → singole chiamate al modello
Il loop continua a scomporre finché il sistema non può agire.
14. Loop di Valutazione del Progresso
Ogni N passi: fermati e chiedi.
"Stiamo effettivamente avvicinandoci all'obiettivo?"
Se sì: continua con la strategia attuale. Se no: cambia strategia, strumenti o piano.
Il sistema monitora il proprio progresso.
Non esegue ciecamente.
Utilizzato in: agenti di ricerca a lungo termine, attività autonome di più giorni, agenti di debug.
15. Loop di Soddisfazione dei Vincoli
Continua a eseguire finché tutti i vincoli non sono soddisfatti.
1while not tutti_i_vincoli_soddisfatti(output):2 output = migliora(output, vincoli_insoddisfatti)34vincoli = [5 budget_sotto_limite,6 qualità_sopra_soglia,7 latenza_sotto_200ms,8 tono_combacia_marchio,9 nessuna_allucinazione10]
Molto comune nei sistemi in produzione.
L'output non è finito finché ogni regola aziendale non viene superata.
CATEGORIA 4 — LOOP DI ESPLORAZIONE (Trova la risposta migliore provando più percorsi)
16. Loop Ramifica ed Esplora
Non impegnarti in un solo percorso.
Esplorane diversi simultaneamente.
1percorsi = [2 genera(approccio="conservativo"),3 genera(approccio="aggressivo"),4 genera(approccio="creativo")5]67punteggi = [valuta(p) for p in percorsi]8migliore = percorsi[punteggi.index(max(punteggi))]
Confronta i risultati. Scegli il ramo migliore. Scarta il resto.
Utilizzato per: varianti di contenuto, decisioni architetturali, debug di ipotesi multiple, generazione A/B.
17. Loop di Ricerca ad Albero
Ramifica ed Esplora va a un livello di profondità.
La Ricerca ad Albero va in profondità quanto necessario.
Espandi i nodi più promettenti. Potatura i più deboli. Continua a esplorare finché la soluzione non viene trovata.
1radice → [A, B, C]2A → [A1, A2] # A sembra promettente, espandilo3B → potatura # B è debole, fermati qui4A1 → [A1a, A1b]5A1a → soluzione ✓
Utilizzato per: catene di ragionamento complesse, pianificazione multi-step, debug del codice, sintesi di ricerca.
Costoso dal punto di vista computazionale ma trova soluzioni che le chiamate a passaggio singolo non possono.
18. Loop di Dibattito
Due agenti. Un argomento. Posizioni opposte.
L'agente A sostiene la risposta. L'agente B la contrasta.
Ogni round sfida le ipotesi, richiede prove, espone logiche deboli.
La risposta finale emerge attraverso il disaccordo.
Non attraverso l'accordo.
La pressione avversaria trova ciò che le risposte sicure di un singolo agente perdono.
Utilizzato per: decisioni di investimento, pianificazione strategica, valutazione del rischio, critica della ricerca.
CATEGORIA 5 — LOOP DI OTTIMIZZAZIONE DEL SISTEMA (Il loop migliora il loop)
19. Loop di Ottimizzazione del Prompt
La maggior parte degli ingegneri scrive un prompt una volta e non lo tocca mai più.
I loop di ottimizzazione del prompt cambiano questo.
Il sistema:
→ Esegue il prompt su un set di test
→ Valuta ogni output
→ Identifica dove il prompt fallisce
→ Riscrive il prompt per correggere quei fallimenti → Riesegue e rivaluta
Il prompt migliora automaticamente.
Senza che un umano lo tocchi.
1prompt_corrente = "Riassumi questo documento."23for iterazione in range(max_iterazioni):4 output = [esegui(prompt_corrente, doc) for doc in set_test]5 punteggi = [valuta(o) for o in output]6 punteggio_medio = media(punteggi)78 if punteggio_medio >= obiettivo:9 break1011 fallimenti = [o for o, s in zip(output, punteggi) if s < soglia]12 prompt_corrente = migliora_prompt(prompt_corrente, fallimenti)13 # Il prompt si riscrive da solo in base a dove fallisce
Utilizzato in: pipeline di produzione, sistemi di contenuti automatizzati, attività di classificazione.
I migliori prompt nell'AI in produzione non sono stati scritti da un umano.
Si sono evoluti.
20. Loop di Ottimizzazione del Workflow
Qui diventa interessante.
Il loop migliora il loop.
Il sistema misura le proprie prestazioni:
→ latenza: quanto tempo impiega ogni passo?
→ costo: quanti token usa ogni chiamata?
→ qualità: qual è il punteggio dell'output in ogni fase?
Poi modifica il proprio workflow.
Troppo lento? Parallelizza due passi. Troppo costoso? Sostituisci una chiamata GPT-4 con un modello più piccolo dove la qualità regge. La qualità cala? Aggiungi un critico prima dell'output finale.
1metriche = misura_workflow(output, latenza, costo)23if metriche.latenza > latenza_obiettivo:4 workflow = parallelizza(passi_lenti)56if metriche.costo > budget:7 workflow = sostituisci_con_modello_più_economico(passi_costosi)89if metriche.qualità < soglia:10 workflow = aggiungi_critico_prima(passo_output_finale)
Qui iniziano i sistemi veramente auto-miglioranti.
Non solo output che migliorano.
Sistemi che si riprogettano da soli.
Il pattern dietro tutti i 20 pattern
Ogni singolo loop sopra condivide una struttura:
Agisci → Osserva → Valuta → Regola
Questa è l'intera ricetta.
L'output non è mai definitivo al primo tentativo.
L'output è un punto di partenza.
Il loop è ciò che trasforma un punto di partenza in qualcosa di degno della produzione.
La mappa completa
Categoria 1 — Loop di Qualità (Rendi l'output migliore prima che esca)
→ 1. Genera → Critica → Riscrivi
→ 2. Valuta e Riprova
→ 3. Multi-Critico
→ 4. Critica Avversaria
→ 5. Giuria d'Insieme
Categoria 2 — Loop di Memoria (Impara da ciò che è successo)
→ 6. Riflessione
→ 7. Aggiornamento Memoria
→ 8. Libreria Errori
→ 9. Pattern di Successo
→ 10. Compressione Memoria
Categoria 3 — Loop di Pianificazione (Adatta quando la realtà cambia)
→ 11. Pianifica → Esegui → Ripianifica
→ 12. Workflow Dinamico
→ 13. Scomposizione Obiettivi
→ 14. Valutazione Progresso
→ 15. Soddisfazione Vincoli
Categoria 4 — Loop di Esplorazione (Trova la risposta migliore provando molti percorsi)
→ 16. Ramifica ed Esplora
→ 17. Ricerca ad Albero
→ 18. Dibattito
Categoria 5 — Loop di Ottimizzazione del Sistema (Il loop migliora il loop)
→ 19. Ottimizzazione Prompt
→ 20. Ottimizzazione Workflow
La maggior parte degli ingegneri pensa che gli agenti siano il futuro.
Gli agenti sono solo lavoratori.
I loop sono ciò che fa migliorare i lavoratori.
Il più grande cambiamento in atto nell'AI in questo momento non sono modelli migliori.
È passare da:
Prompt → Risposta
a
Genera → Valuta → Impara → Migliora
I team che padroneggiano la progettazione dei loop non costruiranno prompt migliori.
Costruiranno sistemi che migliorano ogni singolo giorno dopo il deployment.
Senza che nessuno li tocchi.
Se questo è stato utile:
→ Ripubblica per condividerlo con ogni ingegnere AI che conosci
→ Segui @sairahul1 per altri pattern come questo
→ Aggiungi ai segnalibri — scegli un loop e implementalo questa settimana
Scrivo di AI, costruzione di prodotti e sistemi che funzionano senza di te.
