Agenti AI da zero: come funzionano e guida pratica

👁 134 letture

Un agente AI è un programma in cui un modello linguistico seleziona ciclicamente uno strumento, ne analizza il risultato e decide come procedere fino a completare il compito assegnato. Per creare il tuo primo agente e capire a fondo cosa succede sotto il cofano, è utile seguire tre tappe: API dei modelli, automazioni, agenti. In questa guida trovi la mappa dell’intero percorso, un piano di studio strutturato su 30 giorni, il codice testato direttamente sul mio computer il 4 ottobre 2026 e una raccolta di corsi e risorse accessibili verificate alla stessa data. Per le decisioni rapide e circoscritte all’interno di un flusso tornano utili anche i modelli decisionali AI. Un esempio di agente pronto all’uso aziendale è stato presentato da Google l’8 ottobre: trovi tutti i dettagli nell’approfondimento su Gemini agent.

Mappa del percorso: dalle API al tuo primo agente

L’errore più comune all’inizio è buttarsi subito su un framework per agenti complessi. Spesso funziona finché non si verifica un errore, ma quando qualcosa si blocca non si sa dove intervenire. Per questo è preferibile procedere attraverso tre fasi successive, dove ciascuna fa da base alla seguente:

La Fase 1 è trattata nella guida dedicata alle API AI. Qui ci concentriamo sulle fasi 2 e 3. Se preferisci un’interfaccia visuale alla scrittura di codice, puoi affrontare la Fase 3 anche tramite Gumloop o con il nodo AI Agent in n8n, ma la logica del processo risulterà molto più trasparente osservando il ciclo fondamentale racchiuso in sole 76 righe di codice Python.

Come funziona un agente: il ciclo in quattro passaggi

Qualsiasi agente, dal prototipo minimale fino a soluzioni avanzate come Claude Code, segue la stessa logica di fondo. Il modello non esegue azioni direttamente nel mondo reale: si limita a richiedere l’uso di uno strumento, dopodiché è il tuo programma a eseguirlo e a restituirgli l’output.

Nel codice, il meccanismo si presenta così (estratto dal mio script di base; la versione integrale è disponibile nella guida sulla creazione di agenti):

    for krok in range(1, MAX_KROKOW + 1):
        r = client.chat.completions.create(model=MODEL, messages=messages, tools=TOOLS)
        koszt += getattr(r.usage, "cost", 0) or 0
        msg = r.choices[0].message
        messages.append(msg.model_dump(exclude_none=True))
        if not msg.tool_calls:
            print(f"--- termine dopo {krok} passaggi, costo {koszt:.5f} USD")
            return msg.content
        if msg.content: print(f"[passaggio {krok}] PENSIERO: {msg.content.strip()[:300]}")
        for call in msg.tool_calls:
            args = json.loads(call.function.arguments or "{}")
            try:
                obs = NARZEDZIA[call.function.name](**args)
            except Exception as e:
                obs = f"ERRORE: {e}"
            print(f"[passaggio {krok}] AZIONE: {call.function.name}({json.dumps(args, ensure_ascii=False)})")
            print(f"[passaggio {krok}] OSSERVAZIONE: {obs[:160]!r}")
            log.write(json.dumps({"t": time.strftime("%H:%M:%S"), "passaggio": krok, "strumento": call.function.name,
                                  "args": args, "osservazione": obs[:500]}, ensure_ascii=False) + "\n")
            messages.append({"role": "tool", "tool_call_id": call.id, "content": obs})
    return f"Interrotto: raggiunto il limite di {MAX_KROKOW} passaggi (costo {koszt:.5f} USD)."

Tre regole fondamentali da tenere a mente:

• Gli strumenti sono normali funzioni corredate da una specifica JSON Schema. La modalità con cui il modello ne richiede l’esecuzione è il function calling.
• A ogni passaggio viene ritrasmessa l’intera cronologia, quindi il consumo di token scala rapidamente. Per questo motivo è opportuno limitare o sintetizzare l’output restituito dagli strumenti.
• Un agente privo di un tetto massimo di iterazioni e di tracciamento log è rischioso. Nel mio script il limite è impostato a 8 cicli e ogni passaggio viene annotato su un file JSONL.

Piano di apprendimento in 30 giorni

Questo programma richiede circa un’ora di studio al giorno e una conoscenza basilare di Python (variabili, funzioni e costrutto for). Se parti completamente da zero con la sintassi, dedica una settimana preventiva ai concetti base del linguaggio.

Cosa ho costruito e quanto è costato

Per verificare la fattibilità pratica, ho eseguito ogni fase sul mio ambiente locale. Il modello impiegato per tutti i test (a eccezione di Claude Agent SDK) è stato openai/gpt-5.6-luna tramite OpenRouter (a circa 0,18 EUR / 0,20 USD per milione di token in input, calcolato con tasso BCE del 12/10/2026: 1 EUR = 1,1181 USD). Gli embedding sono stati elaborati localmente tramite Ollama sfruttando una GPU RTX 4090.

Nota sui costi: le conversioni da USD a EUR sono calcolate in base al tasso di riferimento della BCE del 12/10/2026 (1 EUR = 1,1181 USD), consultabile su ecb.europa.eu.

Framework e strumenti: quale soluzione scegliere

L’analisi tecnica delle cinque librerie (righe di codice, latenze, consumi ed ecosistema) è consultabile nel testo dedicato ai framework per agenti AI. La soluzione cloud gestita direttamente da OpenAI è spiegata nell’articolo sulle Agents API di OpenAI, mentre per gli strumenti specifici dedicati allo sviluppo software puoi consultare l’approfondimento sugli agenti AI per la programmazione.

La gestione dei contesti e delle lingue locali

Nei nostri test pratici le istruzioni, le descrizioni dei tool, la documentazione e le risposte sono state elaborate in lingua polacca, a dimostrazione di come i modelli di punta gestiscano efficacemente contesti multilingue. Vi sono tuttavia tre aspetti operativi validi in qualsiasi mercato non esclusivamente anglofono:

• Ricerca semantica sui documenti: il modello di embedding deve supportare adeguatamente la lingua di destinazione. Su testi normativi complessi il modello bge-m3 ha individuato l’estratto pertinente tra i primi 5 risultati nell’80% dei casi (8 su 10), mentre un modello meno ottimizzato a livello multilingue come nomic-embed-text si è fermato al 40% (4 su 10) (vedi il nostro confronto tra modelli di embedding).
• Dati di contesto specifici: festività del calendario nazionale, tassi di banche centrali territoriali o regolamenti locali spesso non risiedono nei pesi del modello; è opportuno fornirli tramite API esterne registrate come strumenti.
• Identificatori delle funzioni: è consigliabile usare sempre caratteri ASCII standard (senza accenti, lettere speciali o spazi) nei nomi delle funzioni, poiché la quasi totalità delle API accetta unicamente lettere latine, cifre e trattini bassi.

Approfondimenti: corsi e canali didattici gratuiti (verificati il 04/10/2026)

In risposta a chi cerca spiegazioni strutturate su come operano le API e su come realizzare agenti padroneggiando la logica sottostante, ecco un elenco di fonti consigliate. Ogni link è stato testato e verificato il 4 ottobre 2026.

Corsi ufficiali e documentazione tecnica

Canali e contenuti in lingua inglese

• freeCodeCamp: corsi completi e approfonditi di varie ore, tra cui “AI Agents For Beginners” (3 ore, pubblicato a luglio 2026) e “Learn Python and Build Autonomous Agents” (6 ore).
• Dave Ebbelaar: architettura di soluzioni AI in ambiente Python analizzate dal punto di vista ingegneristico (RAG, FastAPI, orchestrazione).
• LangChain: video concisi, chiarimenti su costrutti architetturali e demo tecniche continue su LangGraph.
• Sam Witteveen: analisi tecniche mirate sui nuovi rilasci di modelli ed evoluzioni dei framework per agenti con codice commentato.
• Anthropic e OpenAI: streaming ufficiali e relazioni congressuali, focalizzati sugli annunci tecnici e sulle novità dell’ecosistema.

L’ordine di studio consigliato per chi desidera padroneggiare i concetti: comincia dalla guida di Anthropic sull’architettura degli agenti, prosegui con il codice di questo percorso pratico, passa all’Agents Course di Hugging Face o al corso di Andrew Ng su DeepLearning.AI, e infine dedicati alla documentazione del framework scelto per i tuoi progetti.

Pacchetto iniziale di codice

Tutto il codice descritto nel percorso è organizzato in un unico archivio, corredato da un file .env.example per le configurazioni:

• 01_function_calling.py: chiamata a funzioni esterne (servizio meteo, calcoli matematici, consultazione dati);
• 02_agent_bez_frameworka.py: implementazione essenziale in 76 righe con gestione dei tetti di chiamata e registro eventi;
• 03_agent_openai_sdk.py: medesimo scenario riprodotto mediante OpenAI Agents SDK;
• 04_rag.py: sistema di interrogazione su documenti PDF con embedding gestiti via Ollama;
• 05_serwer_mcp.py: server MCP con strumenti dedicati a servizi di utilità;
• 06_webhook.py: ricezione dati da form ed elaborazione guidata da intelligenza artificiale;
• frameworki/: implementazione comparativa dello stesso agente su 5 framework differenti;
• dane/: set di dati dimostrativi e documenti normativi impiegati per i test.

Scarica il pacchetto starter (archivio-starter-agenti.zip) (2,1 MB, 25 file inclusi). Rilasciato con licenza MIT. La chiave API di OpenRouter va inserita nel tuo file locale .env: abbi cura di non includerla mai nel codice sorgente né in schermate pubbliche.

Domande frequenti

Come si costruisce un agente AI passo dopo passo?

1. Impara a inviare e gestire una chiamata base alle API del modello.
2. Comprendi il funzionamento del function calling e l’analisi degli argomenti.
3. Struttura l’esecuzione all’interno di un ciclo while o for protetto da un limite massimo di iterazioni.
4. Assegna inizialmente strumenti in sola lettura e mantieni un registro dettagliato degli eventi.
5. Convalida il flusso su test controllati di cui conosci a priori l’esito corretto.

L’intero procedimento dettagliato con listati completi è disponibile nella guida su come creare un agente AI in Python.

È indispensabile saper programmare per creare un agente?

No, strumenti visivi come n8n, Make e Gumloop permettono di realizzare workflow senza codice. Tuttavia, per comprendere realmente perché un agente prenda determinate decisioni o dove si sia verificato un blocco logico, è caldamente consigliato esaminare almeno una volta le poche decine di righe di un ciclo in Python. Non occorre una pregressa esperienza da sviluppatore per seguirne il flusso.

Quanto costa imparare a sviluppare agenti AI?

La formazione sulle guide e sulla documentazione segnalata è gratuita. Sul fronte dell’elaborazione API, tutti i test di questo tutorial hanno richiesto circa 0,13 EUR (0,15 USD) complessivi. Per fare pratica è sufficiente caricare un saldo iniziale di 2-5 USD (circa 1,80-4,50 EUR) applicando un tetto di spesa alla chiave API.

Qual è la differenza tra un agente AI e una classica automazione?

In un’automazione convenzionale ogni passaggio è stabilito a monte in maniera rigida dallo sviluppatore. In un agente, l’ordine dei passi o la necessità di ricorrere a un certo strumento vengono decisi dinamicamente dal modello linguistico a seconda dell’output intermedio ricevuto. Gran parte delle implementazioni aziendali consiste in un flusso deterministico che include uno o due snodi affidati a logiche agentiche.

Conviene iniziare da n8n o da Python?

Se l’obiettivo primario è disporre rapidamente di un processo automatizzato e operativo, piattaforme come n8n o Make garantiscono risultati immediati. Se vuoi comprendere a fondo come dialogano i payload JSON, i token e il function calling, Python è preferibile. La formula ideale è provarli entrambi: costruire prima la logica minimale in codice e poi tradurla all’interno di n8n.

Quale modello conviene usare per il primo prototipo?

Un modello economico con supporto nativo agli strumenti (se usi OpenRouter, seleziona il filtro “tools”). Nei miei collaudi ho utilizzato openai/gpt-5.6-luna al costo di circa 0,18 EUR / 0,20 USD per milione di token di input. Ha senso migrare su modelli di classe superiore solo se riscontri che il modello base fatica a rispettare la sequenza delle istruzioni.

Cos’è il Model Context Protocol (MCP) e bisogna studiarlo subito?

MCP è uno standard emergente concepito per standardizzare il modo in cui i tool vengono esposti alle applicazioni AI. Non è vincolante per scrivere il primo agente di test, ma diventa molto vantaggioso se desideri impiegare i tuoi strumenti personalizzati all’interno di client compatibili come Claude Code o Cursor. Per approfondire, leggi la guida per realizzare un server MCP in 15 minuti e la panoramica su cose e MCP.

Un agente AI può girare in locale sul computer senza connessione internet?

Certamente, collegandolo a un runtime locale gestito tramite Ollama, che offre endpoint compatibili con le specifiche API di OpenAI. Va tenuto presente che i modelli compatti per l’esecuzione in locale tendono a generare argomenti JSON meno stabili con strumenti articolati: conviene perciò iniziare da task semplici.

Fonti e dettagli sulle verifiche

• Tutti i test di codice sono stati eseguiti su macchina di sviluppo locale (Windows 11, Python 3.13, GPU RTX 4090) in data 4 ottobre 2026 da Piotr Olszewski.
• Versioni dei pacchetti software verificate sui registri PyPI e npm il 04/10/2026. Condizioni tariffarie di Make, Zapier e n8n rilevate sui rispettivi portali ufficiali alla medesima data.
• Canali e materiali formativi controllati e attivi al 04/10/2026. Conteggio operatesi su canali arrotondato dai contatori pubblici di YouTube.
• Testi di approfondimento correlati: Cos’è un agente AI, Agenti AI: compiti operativi e validazione, Automazioni con intelligenza artificiale, Architettura RAG, Fine tuning dei modelli.

// continua a leggereHiggsfield Face Swap e Recast: guida alle funzioni 2026MagazineQuale modello AI scegliere per il lavoro nel 2026? Guida praticaStrumenti IAOpenAI Dots: cosa sono e come funzionano gli agenti AIMagazine

Kinetyra