Name: Microsoft Word - AI Agent
Uploaded: 2024-12-25
Duration: 22 min 6 s
Description: 2024 Agent AI COSA SONO, QUALI BENEFICI E COME SVILUPPARLI GIUSEPPE ZILENI.

2024 Agent AI COSA SONO, QUALI BENEFICI E COME SVILUPPARLI GIUSEPPE ZILENI. 

Scene 1

2024 
Agent AI 
COSA SONO, QUALI BENEFICI E COME SVILUPPARLI 
GIUSEPPE ZILENI

[Audio] Oggi parleremo degli Agent AI, ovvero degli strumenti di intelligenza artificiale che possono automatizzare compiti e processi. Essi imparano dai dati che ricevono e agiscono in base ad essi, adattandosi ed evolvendosi con le situazioni. Alcuni esempi di utilizzo includono il monitoraggio e l'analisi del comportamento dei clienti, l'ottimizzazione dei processi aziendali e l'assistenza ai clienti. A differenza dei semplici prompt, gli agent AI comprendono il contesto e forniscono risposte personalizzate. Per sviluppare un agente AI su misura, si possono utilizzare piattaforme come CrewAI o strumenti più avanzati come LangGraph. Quest'ultimo offre maggiori possibilità di personalizzazione e integrazione con altre tecnologie. Infine, vi sottolineo la differenza tra LangChain e LangGraph, poiché il primo si basa su catene di linguaggio mentre il secondo è uno strumento più complesso e adatto a casi specializzati.. 

Scene 2

1 
 
Sommario 
Cosa fanno gli agent AI .................................................................................................. 2 
Esempi di applicazione .............................................................................................. 2 
Di�erenze tra Prompt e Agent AI ................................................................................. 3 
Come sviluppare un Agent AI ......................................................................................... 4 
CrewAI ...................................................................................................................... 5 
LangGraph ................................................................................................................ 9 
Diferenze tra LangChain e LangGraph ....................................................................... 10 
Links utili .................................................................................................................... 11

[Audio] Gli agenti AI, o agenti intelligenti, rappresentano una delle più recenti frontiere dell'intelligenza artificiale e stanno rivoluzionando i processi aziendali. Questi sistemi combinano algoritmi di apprendimento automatico, elaborazione del linguaggio naturale e capacità decisionali per gestire in modo autonomo o in collaborazione con gli esseri umani compiti complessi. Ma quali sono le funzionalità degli agenti AI? Innanzitutto, possono automatizzare attività ripetitive come compiti amministrativi, analisi di dati e gestione delle email, liberando risorse e tempo per svolgere mansioni più creative. Inoltre, grazie alla loro capacità di elaborare grandi quantità di dati, possono individuare modelli, tendenze e anomalie, fornendo così supporto decisionale basato su informazioni accurate. La loro comunicazione intelligente consente loro di interagire con gli utenti o i clienti attraverso chatbot avanzati, call center virtuali e assistenti vocali. Ma non solo, gli agenti AI possono anche integrare diversi strumenti e dati, migliorando la collaborazione e la coerenza delle informazioni all'interno dell'azienda. Inoltre, non possiamo dimenticare il loro ruolo nel supportare le decisioni dei manager attraverso analisi predittive e raccomandazioni. Ma in quali ambiti vengono utilizzati gli agenti AI? Possiamo trovarli nell'assistenza clienti, dove automatizzano le risposte, gestiscono le richieste su diversi canali e personalizzano le interazioni per aumentare la soddisfazione dei clienti. Nelle vendite e nel marketing, invece, possono contribuire alla generazione di lead, analizzare il comportamento dei clienti e personalizzare le campagne pubblicitarie, oltre ad offrire supporto tramite chatbot e agenti virtuali. Infine, nella gestione delle risorse umane, gli agenti AI possono automatizzare il processo di reclutamento, gestire le richieste dei dipendenti, organizzare la formazione, monitorare le prestazioni e fornire analisi per migliorare la gestione delle risorse. In sintesi, gli agenti AI rappresentano una risorsa fondamentale per le aziende di ogni settore, offrendo una serie di vantaggi come l'efficienza, la personalizzazione e il supporto nelle decisioni. Il loro sviluppo è cruciale per rimanere competitivi e al passo con l'evoluzione tecnologica.. 

Scene 3

2 
 
Gli agent AI (agenti intelligenti) sono sistemi basati sull'intelligenza artiﬁciale progettati per 
eseguire compiti speciﬁci in modo autonomo o semi-autonomo, spesso simulando il 
comportamento umano o cooperando con esseri umani. Essi combinano modelli di 
apprendimento automatico, elaborazione del linguaggio naturale (NLP) e algoritmi decisionali 
per gestire processi complessi o ripetitivi. 
Cosa fanno gli agent AI 
1. Automazione di attività ripetitive: Svolgono compiti amministrativi, analisi di dati, 
generazione di report, gestione di e-mail e altre attività ripetitive, liberando tempo per i 
dipendenti. 
2. Analisi avanzate: Elaborano grandi quantità di dati per identiﬁcare modelli, tendenze e 
anomalie, fornendo supporto decisionale basato su insight. 
3. Comunicazione intelligente: Interagiscono con utenti o clienti tramite chatbot 
avanzati, call center virtuali e assistenti vocali. 
4. Integrazione di strumenti e dati: Possono collegare diverse applicazioni aziendali, 
aggregando informazioni da più fonti per migliorare la collaborazione e la coerenza dei 
dati. 
5. Supporto decisionale: Aiutano i manager a prendere decisioni più informate attraverso 
analisi predittive e raccomandazioni. 
Esempi di applicazione 
 
Assistenza clienti: automatizza risposte, gestisce richieste su vari canali, personalizza 
interazioni e migliora la soddisfazione, o�rendo supporto rapido ed e�iciente. 
 
Vendite e marketing: aiuta a generare lead, analizzare il comportamento dei clienti, 
personalizzare campagne, migliorare le interazioni con chatbot e agenti virtuali, 
automatizzare attività ripetitive e o�rire consigli per ottimizzare strategie e vendite 
 
Gestione delle risorse umane: automatizza il reclutamento, gestisce richieste dei 
dipendenti, organizza formazione, monitora performance e fornisce analisi per 
migliorare la gestione del personale. 
 
Finanza: automatizza analisi dei dati, prevede tendenze, gestisce budget, ottimizza 
investimenti e o�re consigli personalizzati per migliorare decisioni ﬁnanziarie e 
monitoraggio delle frodi. 
 
Produzione e logistica: Ottimizzazione delle catene di approvvigionamento e 
manutenzione predittiva delle macchine, ottimizza la pianiﬁcazione, monitora i 
processi, prevede la domanda, gestisce inventari e migliora l'e�icienza delle operazioni. 
 
Produzione Manufatturiera: ottimizza la produzione, monitora la qualità, gestisce la 
manutenzione predittiva e migliora l'e�icienza operativa, riducendo costi e sprechi

[Audio] Oggi parleremo di cosa sono, quali benefici possono portare e come svilupparli. L'Agente AI è un'innovazione tecnologica che sta rivoluzionando il modo in cui le aziende gestiscono i loro processi e migliorano l'efficienza operativa. Tra gli esempi concreti, l'uso dell'Agente AI nelle aziende sanitarie è sempre più diffuso. Questo sistema supporta la gestione dei pazienti, automatizza processi amministrativi, analizza dati clinici, personalizza le cure e migliora l'efficienza operativa. Cosa differenzia l'utilizzo di un Prompt con un LLM (Large Language Model) rispetto a un Prompt con LLM e RAG (Retrieval-Augmented Generation)? Un Prompt con LLM è una richiesta data a un modello di linguaggio avanzato per generare una risposta, mentre un Prompt con LLM e RAG combina un LLM con un sistema di recupero informazioni che accede a un database o fonti esterne. La qualità delle risposte dipende dalla precisione dei dati recuperati, quindi è importante una progettazione accurata. L'Agente AI, combinando LLM, RAG, strumenti, API e logiche personalizzate, è in grado di svolgere compiti specifici in autonomia, prendere decisioni e integrare automazione e analisi avanzata. Ciò lo rende versatile per applicazioni aziendali complesse, come chatbot per la gestione dei clienti e degli ordini. Tuttavia, per garantirne l'efficace utilizzo, è necessaria una progettazione e una manutenzione avanzate. Grazie per l'attenzione e arrivederci alla prossima lezione.. 

Scene 4

3 
 
 
Azienda sanitaria: supporta la gestione dei pazienti, automatizza processi 
amministrativi, analizza dati clinici, personalizza le cure e migliora l'e�icienza operativa. 
Di�erenze tra Prompt e Agent AI 
 
Prompt con LLM (Large Language Model) 
È una richiesta o input dato a un modello di linguaggio avanzato (come GPT) per generare una 
risposta. Un modello LLM risponde basandosi solo sulle conoscenze pre-addestrate, con un 
limite temporale e non può accedere a dati aggiornati o speciﬁci.  
Prompt con LLM e RAG (Retrieval-Augmented Generation) 
Combina un LLM con un sistema di recupero informazioni (RAG), che consente al modello di 
accedere a un database o a fonti esterne. È utile per contesti come report aziendali, ma la 
qualità dipende dalla precisione dei dati recuperati. 
Agente AI 
Un sistema complesso che combina LLM, RAG, strumenti, API, e logiche personalizzate per 
svolgere compiti speciﬁci in autonomia. 
Un agente AI esegue azioni, prende decisioni e interagisce con sistemi esterni, integrando 
automazione e analisi avanzata. È versatile per applicazioni aziendali complesse, come 
chatbot che gestiscono clienti e ordini, ma richiede progettazione e manutenzione avanzate.

[Audio] La presentazione del nostro framework Agent AI intitolata "2024 Agent AI: Cosa sono, quali benefici e come svilupparli" è guidata dal professore Giuseppe Zileni dell'Università di Bologna. Durante questo viaggio alla scoperta di CrewAI e LangGraph, due strumenti rivoluzionari per lo sviluppo di agenti AI, vedremo come semplificare e ottimizzare il processo di creazione e gestione di agenti AI, che sta diventando sempre più importante con l'uso crescente di intelligenza artificiale nei diversi settori. CrewAI è un framework orientato alla produzione e si concentra sulla collaborazione tra agenti con ruoli specifici. Con un'interfaccia utente intuitiva, è possibile definire facilmente i ruoli e gli obiettivi degli agenti. Inoltre, è integrato con strumenti già esistenti come LangChain, LlamaIndex, Hugging Face e OpenAI, rendendolo un'opzione ideale per applicazioni che richiedono una distribuzione chiara dei compiti e un'esecuzione affidabile in ambienti di produzione. LangGraph utilizza un'architettura basata su grafi per definire e orchestrare i flussi di lavoro degli agenti. Ogni nodo nel grafo rappresenta un compito o una funzione specifica, consentendo un controllo dettagliato sul flusso e lo stato dell'applicazione. Ciò lo rende particolarmente utile per gestire flussi di lavoro complessi con interdipendenze intricate, offrendo flessibilità nella gestione delle interazioni tra agenti. Tuttavia, potrebbe essere più difficile da apprendere per gli sviluppatori non familiari con modelli basati su grafi. Anche LangGraph è integrato con Hugging Face, OpenAI e LangChain, offrendo una vasta gamma di opzioni per gli sviluppatori. In conclusione, CrewAI e LangGraph sono strumenti essenziali per lo sviluppo di potenti e flessibili agenti AI. Entrambi offrono un'integrazione con strumenti esistenti e un potente sistema di definizione e gestione dei ruoli e dei flussi di lavoro. Speriamo che questa presentazione abbia fornito una comprensione più chiara di come sviluppare un Agent AI utilizzando questi framework. Vi invitiamo a porre domande durante la sessione.. 

Scene 5

4 
 
Come sviluppare un Agent AI 
CrewAI1 e LangGraph2 sono due framework progettati per facilitare la creazione e 
l'orchestrazione di agenti AI potenti e ﬂessibili, ma di�eriscono signiﬁcativamente nei loro 
approcci e funzionalità. 
CrewAI è orientato alla produzione e si focalizza sulla collaborazione tra agenti con ruoli 
speciﬁci. O�re un'interfaccia user-friendly che consente una facile deﬁnizione dei ruoli e degli 
obiettivi degli agenti, e un'integrazione con strumenti esistenti come LangChain, LlamaIndex e 
Hugging Face e OpenAI. Questo approccio rende CrewAI particolarmente adatto per 
applicazioni che richiedono una chiara distribuzione dei compiti e un'esecuzione a�idabile in 
ambienti di produzione.  
LangGraph, d'altra parte, adotta un'architettura basata su graﬁ per deﬁnire e orchestrare i 
ﬂussi di lavoro degli agenti. Ogni nodo nel grafo rappresenta un compito o una funzione 
speciﬁca, permettendo un controllo dettagliato sul ﬂusso e sullo stato dell'applicazione. 
Questa struttura è particolarmente utile per gestire ﬂussi di lavoro complessi con 
interdipendenze intricate, o�rendo ﬂessibilità nella gestione delle interazioni tra agenti. Può 
richiedere una curva di apprendimento più di�icile per sviluppatori non familiari con modelli 
basati su graﬁ. Anche LangGraph permette un’integrazione con Hugging Face, OpenAI e 
LangChain. 
 
 
 
1 https://www.crewai.com/ 
2 https://www.langchain.com/langgraph

[Audio] La nostra presentazione è incentrata sul tema "2024 Agent AI: cosa sono, quali benefici e come svilupparli". Vi parlerò ora del sesto punto dei dodici previsti, ovvero "CrewAI: il framework per orchestrare agenti AI autonomi". CrewAI è un innovativo framework che permette di coordinare ed efficientemente gestire gli agenti AI autonomi. Ogni agente ha un ruolo specifico, strumenti dedicati e chiari obiettivi, e collaborano insieme per affrontare compiti complessi. Questo metodo di lavoro migliora l'efficienza e rende possibili la risoluzione di problemi che da soli sarebbero difficilmente gestibili. Gli agenti di CrewAI sono progettati per operare in modo autonomo, prendendo decisioni intelligenti basate sul loro ruolo specifico e gli strumenti a loro disposizione. Ciò significa che possono affrontare compiti complessi senza la necessità di una costante supervisione, ma basandosi su una logica e una strategia ben definita. Inoltre, grazie alla loro capacità di interagire in modo naturale, gli agenti di CrewAI sono in grado di comunicare e collaborare come veri membri di un gruppo umano. Questa caratteristica permette loro di lavorare in modo coordinato e fluido, migliorando ulteriormente l'efficienza complessiva del sistema. Un altro vantaggio fondamentale di CrewAI è il suo design estensibile. Infatti, il framework è progettato per essere facilmente adattato, consentendo l'aggiunta di nuovi strumenti, ruoli e capacità in base alle esigenze in continua evoluzione di ogni progetto. Ciò lo rende un'opzione ideale per qualsiasi tipo di applicazione, dalla più semplice alla più complessa. In conclusione, CrewAI è stato sviluppato per essere utilizzato in ambienti produttivi. La sua architettura garantisce affidabilità e scalabilità, rendendolo perfetto per applicazioni reali che richiedono stabilità e prestazioni elevate. Questo conclude la nostra presentazione sul sesto punto "CrewAI" della nostra presentazione su "2024 Agent AI". Vi ringraziamo per aver ascoltato e vi auguriamo una buona continuazione della presentazione.. 

Scene 6

5 
 
CrewAI 
CrewAI è un framework per orchestrare agenti AI autonomi, dove ogni agente ha un ruolo 
speciﬁco, strumenti dedicati e obiettivi chiari, collaborando per a�rontare compiti complessi.  
Gli agenti di CrewAI sono progettati per operare in modo autonomo, prendendo decisioni 
intelligenti basate sul loro ruolo speciﬁco e sugli strumenti a loro disposizione. Questo 
consente loro di a�rontare compiti complessi senza bisogno di supervisione costante. 
La loro capacità di interazione naturale li rende in grado di comunicare e collaborare come veri 
membri di un gruppo umano. Questa caratteristica permette agli agenti di lavorare insieme in 
modo ﬂuido e coordinato, migliorando l'e�icienza complessiva del sistema. 
Un altro grande vantaggio di CrewAI è il suo design estensibile. È facile aggiungere nuovi 
strumenti, ruoli e capacità, rendendo il framework altamente adattabile alle esigenze in 
evoluzione di qualsiasi progetto. 
Inﬁne, CrewAI è stato costruito per essere pronto all'uso in ambienti di produzione. La sua 
architettura garantisce a�idabilità e scalabilità, rendendolo ideale per applicazioni reali che 
richiedono stabilità e prestazioni elevate.

[Audio] Oggi parleremo di una tecnologia molto avanzata che sta prendendo sempre più piede nel mondo del lavoro: gli Agenti AI. In particolare, ci focalizzeremo su una specifica piattaforma chiamata CrewAI. Questa piattaforma utilizza agenti AI ad alto livello per supervisionare i flussi di lavoro, garantire la collaborazione e fornire risultati. Gli agenti, insieme ai loro tools designati, sono i membri della Crew e sono specializzati in ruoli specifici come ricercatori o scrittori. Sono in grado di delegare compiti e prendere decisioni autonome, coordinandosi per raggiungere obiettivi complessi." "Gli agenti di CrewAI sono in grado di "pensare" autonomamente e completare i compiti assegnati senza necessità di specificare ogni singolo passaggio. Un semplice prompt iniziale che spieghi cosa ci aspettiamo da loro è sufficiente e loro si occuperanno del resto. Per completare un compito, gli agenti seguono un ciclo strutturato in quattro fasi principali. La prima fase è il "Pensiero", in cui l'agente utilizza il modello di linguaggio per determinare l'azione più appropriata da intraprendere in base al contesto fornito." "Nella seconda fase, il "Ricerca", l'agente utilizza le sue conoscenze e le risorse a disposizione, come API per interagire con servizi esterni e fonti di dati, per raccogliere informazioni e supportare il suo pensiero iniziale. Segue poi la fase della "Decisione", in cui l'agente valuta le informazioni raccolte e prende una decisione su come procedere con il compito assegnato. Infine, nella quarta fase, l'"Azione", l'agente mette in pratica la sua decisione e completa il compito assegnato." "In breve, gli agenti di CrewAI lavorano in modo autonomo, seguendo un processo ben strutturato per raggiungere gli obiettivi prefissati. Questa tecnologia porta numerosi vantaggi sia per le aziende che per i lavoratori, aumentando l'efficienza e la produttività." "Questo conclude la nostra presentazione su CrewAI e gli agenti AI. Invitiamo a riflettere sulle potenzialità di questa tecnologia e sul suo impatto nel mondo del lavoro. A presto!. 

Scene 7

6 
 
Come Funziona CrewAI 
I componenti principali di CrewAI sono: 
Crew 
Insieme di agenti AI ad alto livello che supervisiona i ﬂussi di lavoro, garantisce la 
collaborazione e fornisce risultati. 
Agent (+Tools) 
Membro del crew, specializzato con ruoli speciﬁci (ad esempio, ricercatore, scrittore), dotati di 
Tools designati, capaci di delegare compiti e prendere decisioni autonome. I Tools degli agenti 
sono personalizzati, API per interagire con servizi esterni e fonti di dati. Gli agenti condividono 
intuizioni e coordinano i compiti per raggiungere obiettivi complessi. 
Gli agenti in CrewAI sono essenzialmente agenti che sono in grado di "pensare" 
autonomamente e completare i compiti assegnati senza che dobbiamo speciﬁcare ogni 
singolo passaggio. L'unica cosa di cui hanno bisogno è un prompt iniziale che spieghi cosa ci 
aspettiamo da loro. In pratica, ci aspettiamo che eseguano il compito assegnato.  
 
Per completare un compito, gli agenti seguono un ciclo strutturato in quattro fasi principali: 
1. Pensiero (Thought): Basandosi sul contesto fornito, l'agente utilizza il modello di 
linguaggio (LLM) per "pensare" quale sarebbe l'azione più appropriata da intraprendere.

[Audio] Arrivati alla slide numero 8, esploreremo come gli agenti AI svolgono le loro attività. Dopo aver ricevuto un compito, l'agente AI elabora le informazioni e, utilizzando l'LLM, definisce il suo pensiero, ad esempio: "Devo cercare informazioni rilevanti sui partecipanti alla riunione sul web". Successivamente, l'agente sceglie l'azione da eseguire da un elenco predefinito. Ogni agente conosce le azioni disponibili, in quanto queste sono dichiarate al momento della creazione dell'agente. Ad esempio, l'azione potrebbe essere "Cerca sul web". Ogni azione richiede un input specifico. Ad esempio, per l'azione "Cerca sul web", l'input potrebbe essere una query di ricerca come "Chi è il CEO di Google?". Una volta eseguita l'azione, l'agente restituisce un risultato chiamato "osservazione". Ad esempio, per l'azione "Cerca sul web", l'osservazione sarà costituita dai risultati della ricerca. L'agente aggiunge quindi l'osservazione al contesto iniziale e ripete il ciclo finché non ritiene di aver completato il compito. Una volta ottenute tutte le informazioni necessarie, l'agente interrompe il ciclo e restituisce il risultato finale. Per garantire un'efficace esecuzione, il processo gestisce il flusso di lavoro definendo i modelli di collaborazione, controllando l'assegnazione dei compiti e gestendo le interazioni tra gli agenti. Il flusso di lavoro può essere sequenziale o parallelo, con gli agenti che gestiscono automaticamente le dipendenze dei compiti. Infine, le assegnazioni individuali e i chiari obiettivi contribuiscono al processo di sviluppo degli agenti AI, utilizzando strumenti specifici per garantire un'efficace collaborazione. Ci vediamo alla prossima slide.. 

Scene 8

7 
 
Ad esempio, dopo aver ricevuto un compito, l'agente potrebbe pensare: "Devo cercare 
informazioni rilevanti sui partecipanti alla riunione sul web." 
2. Azione (Action): Dopo aver formulato un pensiero, l'agente utilizza nuovamente l'LLM 
per deﬁnire l'azione che vuole eseguire. L'azione è scelta da un elenco predeﬁnito di 
azioni disponibili. Ogni agente conosce quali azioni può eseguire, perché queste 
vengono dichiarate al momento della creazione dell'agente. Ad esempio, l'azione 
potrebbe essere: "Cerca sul web." 
3. Input dell'Azione (Action Input): Ogni azione corrisponde a una funzione che richiede 
un input speciﬁco. Ad esempio, se l'azione è "Cerca sul web", l'input potrebbe essere 
una query di ricerca, come: "Chi è il CEO di Google?" 
4. Osservazione (Observation): L'agente esegue quindi l'azione e restituisce un risultato, 
chiamato osservazione. Per esempio, per l'azione "Cerca sul web", l'osservazione sarà 
costituita dai risultati della ricerca. 
Dopo la prima iterazione, l'agente aggiunge l'osservazione ottenuta al contesto iniziale e ripete 
il ciclo. Questo processo continua ﬁnché l'agente non ritiene di aver completato il compito. 
Ad esempio, se l'agente decide che ha raccolto tutte le informazioni necessarie, il suo pensiero 
sarà qualcosa come: "Ora ho tutte le informazioni di cui ho bisogno per completare il compito." 
A quel punto, l'agente interrompe il ciclo e restituisce il risultato ﬁnale. 
Process 
Gestisce il ﬂusso di lavoro che deﬁnisce i modelli di collaborazione, controlla l'assegnazione 
dei compiti, gestisce le interazioni e garantisce un'esecuzione e�iciente. Il ﬂusso ﬂussi di 
lavoro è sequenziale o parallelo, con gli agenti che gestiscono automaticamente le dipendenze 
dei compiti. 
Task  
Assegnazioni individuali con obiettivi chiari, che utilizzano strumenti speciﬁci, contribuiscono 
al processo più ampio e producono risultati concreti. Ogni Task rappresenta un'unità di lavoro 
assegnata a un agente AI. Ogni Task possiede alcune proprietà fondamentali che ne 
determinano il funzionamento e la modalità di esecuzione. Vediamole nel dettaglio: 
1. Descrizione del Task: Ogni Task ha una descrizione che ne spiega chiaramente 
l'obiettivo. Ad esempio: "Cerca informazioni rilevanti sul web...". È importante che 
questa descrizione sia il più dettagliata possibile, poiché sarà utilizzata come parte del 
prompt che l'agente AI userà per svolgere il compito. 
2. Agente Assegnato: Ogni Task è associato a un agente speciﬁco, che è responsabile 
dell'esecuzione del compito. Questo agente è selezionato in base alle sue competenze 
e al ruolo che ricopre nella crew.

[Audio] Oggi parleremo dell'analisi degli agenti AI, concentrandoci sul contesto e l'esecuzione asincrona. Come visto in precedenza, ogni Task richiede informazioni aggiuntive per essere completato correttamente, che provengono dai Task precedenti. È fondamentale il successo dell'agente AI. Ad esempio, un Task di analisi può necessitare di dati provenienti da un Task di ricerca precedente. Ogni Task può essere configurato per essere eseguito in modo simultaneo o in sequenza, a seconda della relazione tra di loro. È importante configurare correttamente i Task per garantire una collaborazione efficace tra gli agenti AI e ottenere i risultati desiderati. Descrizioni chiare, scelte appropriate degli agenti, contesto adeguato e impostazione corretta sia dell'esecuzione sincrona che asincrona sono elementi cruciali per il successo dell'intero processo. Ora procediamo con un esempio pratico. Dobbiamo creare una crew di agenti che possa trasformare un prompt in una stringa SQL, eseguire la query e fornire un testo per un chat bot. È importante che questa crew sia riutilizzabile per compiti simili, in modo da poterla utilizzare per ogni nuovo progetto. Per raggiungere questo obiettivo, l'utente dovrà fornire un input specifico che renda la crew adatta alla situazione. Inoltre, la crew di agenti dovrà essere in grado di interagire con altri servizi esterni tramite un'interfaccia REST API. Per maggiori esempi pratici e approfondimenti su questo tema, vi invitiamo a consultare il seguente link. Ci vediamo alla prossima lezione.. 

Scene 9

8 
 
3. Contesto: Ogni Task può richiedere informazioni aggiuntive per essere completato 
correttamente. Queste informazioni, chiamate "contesto", sono spesso l'output 
prodotto dai Task precedenti. Ad esempio, un Task di analisi può aver bisogno di dati 
raccolti in un Task di ricerca precedente. 
4. Esecuzione Asincrona: Ogni Task può essere conﬁgurato per essere eseguito 
simultaneamente ad altri oppure in sequenza. Questa scelta dipende dalla relazione tra 
i Task. 
Conﬁgurare correttamente i Task è essenziale per garantire che gli agenti AI collaborino in modo 
e�iciente e producano i risultati desiderati. La descrizione chiara, la scelta dell'agente, il 
contesto appropriato e la corretta impostazione dell'esecuzione (sincrona o asincrona) 
giocano un ruolo cruciale nel successo dell'intero processo. 
Caso d’uso3 
Dobbiamo realizzare una crew di agent che trasforma un prompt in una stringa sql, esegue la 
query e fornisce un testo discorsivo per un chat bot. 
Questa crew deve essere riutilizzabile per compiti simili, così da poterla sfruttare ogni volta che 
dobbiamo prepararci per un nuovo progetto. Per raggiungere questo obiettivo, sarà necessario 
fornire un input da parte dell'utente che renda l'obiettivo della crew speciﬁco per la situazione.  
Inoltre, la crew di agent deve essere un’interfaccia REST API per poter interagire con altri servizi 
esterni.  
 
 
3 https://github.com/crewAIInc/crewAI-examples

[Audio] "In questa lezione parleremo di LangGraph, un importante framework di orchestrazione utilizzato per costruire applicazioni basate su modelli di linguaggio di grandi dimensioni. Esso rappresenta i flussi di lavoro attraverso grafi composti da nodi e archi, semplificando la gestione di stati condivisi e flussi di controllo dinamici. Vediamo insieme le sue caratteristiche principali. I nodi rappresentano le diverse unità di lavoro o azioni all'interno dell'applicazione, come funzioni Python che interagiscono con modelli di linguaggio, chiamano API esterne o elaborano dati. Gli archi definiscono il flusso di informazioni e controllo tra i nodi, con la possibilità di essere semplici o condizionali. Inoltre, LangGraph mantiene uno stato condiviso tra i nodi e gli archi, contenente informazioni come la cronologia delle conversazioni e variabili interne. Una delle caratteristiche distintive di LangGraph è il supporto per cicli, che lo rende adatto per architetture complesse. Inoltre, il framework offre un livello di persistenza incorporato per gestire eventuali errori o interruzioni nel flusso di lavoro, tra cui l'intervento umano. In sintesi, LangGraph è uno strumento potente e flessibile per la creazione di applicazioni basate su modelli di linguaggio di grandi dimensioni in modo efficiente.. 

Scene 10

9 
 
LangGraph 
LangGraph è un framework di orchestrazione progettato per costruire applicazioni basate su 
modelli di linguaggio di grandi dimensioni (LLM), rappresentando i ﬂussi di lavoro come graﬁ 
composti da nodi ed archi. Questa struttura consente di modellare interazioni complesse tra 
agenti, strumenti esterni e utenti, facilitando la gestione di stati condivisi e ﬂussi di controllo 
dinamici. 
 Nodi (Nodes): Rappresentano unità di lavoro o azioni discrete all'interno del ﬂusso 
dell'applicazione. Ogni nodo può essere una funzione Python che esegue compiti 
speciﬁci, come interagire con un LLM, chiamare API esterne o elaborare dati.  
 Archi (Edges): Deﬁniscono il ﬂusso di informazioni e il controllo tra i nodi. Possono 
essere semplici, indicando un passaggio diretto, o condizionali, permettendo al ﬂusso 
di biforcarsi in base a condizioni speciﬁche.  
 Stato (State): LangGraph mantiene uno stato condiviso tra tutti i nodi e gli archi, 
facilitando la gestione del contesto e dei dati durante l'esecuzione del grafo. Questo 
stato può includere la cronologia delle conversazioni, variabili interne e altre 
informazioni rilevanti.  
Caratteristiche Distintive di LangGraph 
Supporto per Cicli (Cycles): A di�erenza delle soluzioni basate su graﬁ aciclici diretti (DAG), 
LangGraph consente la deﬁnizione di ﬂussi che includono cicli, essenziali per architetture 
agentiche complesse.  
Persistenza Integrata (Built-in Persistence): LangGraph o�re un livello di persistenza 
incorporato, implementato attraverso checkpoint, che supporta funzionalità avanzate come 
l'intervento umano, la memoria e la tolleranza ai guasti.  
Integrazione dell'Intervento Umano (Human-in-the-Loop): Il framework facilita l'inclusione 
di feedback umano nei ﬂussi di lavoro, permettendo di interrompere l'esecuzione del grafo in 
punti speciﬁci per revisioni o interventi manuali.  
Gestione della Memoria (Memory Management): LangGraph supporta sia la memoria a breve 
termine che quella a lungo termine, consentendo agli agenti di apprendere dalle interazioni 
precedenti e adattarsi alle preferenze degli utenti.  
Streaming (Streaming): Il framework o�re supporto per lo streaming, migliorando la reattività 
delle applicazioni mostrando l'output progressivamente, anche prima che una risposta 
completa sia pronta. 
LangChain e LangGraph sono entrambi framework progettati per facilitare lo sviluppo di 
applicazioni basate su modelli di linguaggio di grandi dimensioni (LLM), ma di�eriscono per 
scopo e funzionalità.

[Audio] Benvenuti alla presentazione sul tema "Agent AI: Cos'è, quali benefici e come svilupparli". In questa slide, discuteremo delle differenze tra LangChain e LangGraph. LangChain è un framework open source che semplifica l'integrazione dei modelli di linguaggio nelle applicazioni, offrendo astrazioni per la concatenazione di prompt, la gestione della memoria e la creazione di agenti. È perfetto per flussi di lavoro sequenziali e applicazioni NLP come chatbot, assistenti virtuali e sistemi di raccomandazione. Al contrario, LangGraph è costruito sopra LangChain e permette la creazione di applicazioni stateful e multi-agente utilizzando una struttura a grafo. Supporta flussi di lavoro complessi con cicli, ramificazioni e persistenza integrata, offrendo un controllo più preciso sul flusso e sullo stato dell'applicazione. È particolarmente utile per sistemi multi-agente e flussi di lavoro dinamici con interazioni umane. Ora passiamo alle differenze principali tra LangChain e LangGraph: LangChain gestisce solo flussi sequenziali, mentre LangGraph utilizza una struttura a grafo che consente cicli e ramificazioni. Inoltre, LangGraph offre persistenza integrata e gestione dello stato condiviso tra nodi, rendendo più facile il recupero dagli errori e l'intervento umano. Infine, LangGraph fornisce un controllo più avanzato sul flusso e sullo stato dell'applicazione, permettendo di definire condizioni e cicli complessi, mentre LangChain è più adatto per flussi lineari e semplici. In sintesi, LangChain è ideale per applicazioni con flussi di lavoro lineari e sequenziali, mentre LangGraph amplia queste capacità consentendo la costruzione di sistemi più complessi e dinamici con una gestione avanzata dello stato e del flusso di lavoro. Se desiderate approfondire l'argomento, vi invito a guardare il video sul canale Youtube di LangGraph. Grazie per l'attenzione e arrivederci alla prossima slide.. 

Scene 11

10 
 
Diferenze tra LangChain e LangGraph4 
LangChain è un framework open source che sempliﬁca l'integrazione dei modelli di linguaggio 
nelle applicazioni. O�re astrazioni per la concatenazione di prompt, la gestione della memoria 
e la creazione di agenti, rendendolo adatto per ﬂussi di lavoro sequenziali e applicazioni NLP 
come chatbot, assistenti virtuali e sistemi di raccomandazione.  
LangGraph, costruito sopra LangChain, è un framework di orchestrazione che consente la 
creazione di applicazioni stateful e multi-agente utilizzando una struttura a grafo. 
Supporta ﬂussi di lavoro complessi con cicli, ramiﬁcazioni e persistenza integrata, 
permettendo un controllo più granulare sul ﬂusso e sullo stato dell'applicazione. È 
particolarmente utile per sistemi multi-agente e ﬂussi di lavoro che richiedono interazioni 
dinamiche e intervento umano.  
Di�erenze Chiave: 
 Struttura del Flusso di Lavoro: LangChain gestisce ﬂussi sequenziali, mentre 
LangGraph utilizza una struttura a grafo che consente cicli e ramiﬁcazioni, essenziale 
per architetture con multi-agenti complesse.  
 Gestione dello Stato: LangGraph o�re persistenza integrata e gestione dello stato 
condiviso tra nodi, facilitando il recupero dagli errori e l'intervento umano, funzionalità 
non native in LangChain.  
 Flessibilità e Controllo: LangGraph fornisce un controllo sul ﬂusso dell'applicazione, 
permettendo di deﬁnire condizioni e cicli complessi, mentre LangChain è più adatto per 
ﬂussi lineari e meno complessi.  
Mentre LangChain è ideale per sviluppare applicazioni LLM con ﬂussi di lavoro lineari e 
sequenziali, LangGraph estende queste capacità permettendo la costruzione di sistemi più 
complessi e dinamici con una gestione avanzata dello stato e del ﬂusso di lavoro. 
 
 
 
 
 
4 https://youtu.be/qAF1NjEVHhY

[Audio] Benvenuti a tutti e a questa dodicesima e ultima slide della presentazione. Oggi parleremo di un argomento molto interessante e attuale: gli Agenti AI. Ma cosa sono gli Agenti AI? Si tratta di sistemi multi-agente che utilizzano l'intelligenza artificiale per raggiungere un obiettivo specifico. Grazie a questa tecnologia, gli Agenti AI sono in grado di apprendere dai dati e di prendere decisioni in modo autonomo, fornendo soluzioni e suggerimenti sempre più efficaci. Ma quali sono i benefici degli Agenti AI? In primo luogo, permettono di automatizzare e ottimizzare processi, riducendo i costi e aumentando l'efficienza. Inoltre, consentono di gestire una grande quantità di dati in modo rapido e preciso, fornendo informazioni utili per prendere decisioni strategiche. Ma come possiamo sviluppare gli Agenti AI? Ci sono diverse risorse e corsi disponibili online, come il corso gratuito CrewAI di deeplearning.ai, che fornirà una solida base di conoscenze sulle tecnologie di intelligenza artificiale. Inoltre, vi consigliamo di visitare LangchainAcademy e il canale YouTube di LangChain per ulteriori informazioni e risorse utili. Concludiamo così questa presentazione sugli Agenti AI del 2024. Speriamo di avervi fornito una panoramica utile sui benefici e sulle possibilità di sviluppo di questa tecnologia rivoluzionaria. Grazie per l'attenzione e vi auguriamo una buona giornata.. 

Scene 12

11 
 
Links utili 
 Corso gratuito CrewAI: https://learn.deeplearning.ai/courses/multi-ai-agent-systems-
with-crewai/lesson/2/overview 
 LangchainAcademy: https://academy.langchain.com 
 LangChain Youtube channel: https://www.youtube.com/@LangChain

Microsoft Word - AI Agent

Oggi parleremo degli Agent (A-I ), ovvero degli strumenti di intelligenza artificiale che possono automatizzare compiti e processi. Essi imparano dai dati che ricevono e agiscono in base ad essi, adattandosi ed evolvendosi con le situazioni. Alcuni esempi di utilizzo includono il monitoraggio e l'analisi del comportamento dei clienti, l'ottimizzazione dei processi aziendali e l'assistenza ai clienti. A differenza dei semplici prompt, gli agent (A-I ) comprendono il contesto e forniscono risposte personalizzate. Per sviluppare un agente (A-I ) su misura, si possono utilizzare piattaforme come CrewAI o strumenti più avanzati come LangGraph. Quest'ultimo offre maggiori possibilità di personalizzazione e integrazione con altre tecnologie. Infine, vi sottolineo la differenza tra LangChain e LangGraph, poiché il primo si basa su catene di linguaggio mentre il secondo è uno strumento più complesso e adatto a casi specializzati.

avatar

Gli agenti (A-I ), o agenti intelligenti, rappresentano una delle più recenti frontiere dell'intelligenza artificiale e stanno rivoluzionando i processi aziendali. Questi sistemi combinano algoritmi di apprendimento automatico, elaborazione del linguaggio naturale e capacità decisionali per gestire in modo autonomo o in collaborazione con gli esseri umani compiti complessi. Ma quali sono le funzionalità degli agenti (A-I )? Innanzitutto, possono automatizzare attività ripetitive come compiti amministrativi, analisi di dati e gestione delle email, liberando risorse e tempo per svolgere mansioni più creative. Inoltre, grazie alla loro capacità di elaborare grandi quantità di dati, possono individuare modelli, tendenze e anomalie, fornendo così supporto decisionale basato su informazioni accurate. La loro comunicazione intelligente consente loro di interagire con gli utenti o i clienti attraverso chatbot avanzati, call center virtuali e assistenti vocali. Ma non solo, gli agenti (A-I ) possono anche integrare diversi strumenti e dati, migliorando la collaborazione e la coerenza delle informazioni all'interno dell'azienda. Inoltre, non possiamo dimenticare il loro ruolo nel supportare le decisioni dei manager attraverso analisi predittive e raccomandazioni. Ma in quali ambiti vengono utilizzati gli agenti (A-I )? Possiamo trovarli nell'assistenza clienti, dove automatizzano le risposte, gestiscono le richieste su diversi canali e personalizzano le interazioni per aumentare la soddisfazione dei clienti. Nelle vendite e nel marketing, invece, possono contribuire alla generazione di lead, analizzare il comportamento dei clienti e personalizzare le campagne pubblicitarie, oltre ad offrire supporto tramite chatbot e agenti virtuali. Infine, nella gestione delle risorse umane, gli agenti (A-I ) possono automatizzare il processo di reclutamento, gestire le richieste dei dipendenti, organizzare la formazione, monitorare le prestazioni e fornire analisi per migliorare la gestione delle risorse. In sintesi, gli agenti (A-I ) rappresentano una risorsa fondamentale per le aziende di ogni settore, offrendo una serie di vantaggi come l'efficienza, la personalizzazione e il supporto nelle decisioni. Il loro sviluppo è cruciale per rimanere competitivi e al passo con l'evoluzione tecnologica.

Oggi parleremo di cosa sono, quali benefici possono portare e come svilupparli. L'Agente (A-I ) è un'innovazione tecnologica che sta rivoluzionando il modo in cui le aziende gestiscono i loro processi e migliorano l'efficienza operativa. Tra gli esempi concreti, l'uso dell'Agente (A-I ) nelle aziende sanitarie è sempre più diffuso. Questo sistema supporta la gestione dei pazienti, automatizza processi amministrativi, analizza dati clinici, personalizza le cure e migliora l'efficienza operativa. Cosa differenzia l'utilizzo di un Prompt con un L-L-M (Large Language Model) rispetto a un Prompt con L-L-M e R-A-G (Retrieval Augmented Generation)? Un Prompt con LLM è una richiesta data a un modello di linguaggio avanzato per generare una risposta, mentre un Prompt con L-L-M e R-A-G combina un L-L-M con un sistema di recupero informazioni che accede a un database o fonti esterne. La qualità delle risposte dipende dalla precisione dei dati recuperati, quindi è importante una progettazione accurata. L'Agente (A-I ), combinando L-L-M--, R-A-G--, strumenti, A-P-I e logiche personalizzate, è in grado di svolgere compiti specifici in autonomia, prendere decisioni e integrare automazione e analisi avanzata. Ciò lo rende versatile per applicazioni aziendali complesse, come chatbot per la gestione dei clienti e degli ordini. Tuttavia, per garantirne l'efficace utilizzo, è necessaria una progettazione e una manutenzione avanzate. Grazie per l'attenzione e arrivederci alla prossima lezione.

La presentazione del nostro framework Agent (A-I ) intitolata "2024 Agent (A-I ): Cosa sono, quali benefici e come svilupparli" è guidata dal professore Giuseppe Zileni dell'Università di Bologna. Durante questo viaggio alla scoperta di CrewAI e LangGraph, due strumenti rivoluzionari per lo sviluppo di agenti (A-I ), vedremo come semplificare e ottimizzare il processo di creazione e gestione di agenti (A-I ), che sta diventando sempre più importante con l'uso crescente di intelligenza artificiale nei diversi settori. 

CrewAI è un framework orientato alla produzione e si concentra sulla collaborazione tra agenti con ruoli specifici. Con un'interfaccia utente intuitiva, è possibile definire facilmente i ruoli e gli obiettivi degli agenti. Inoltre, è integrato con strumenti già esistenti come LangChain, LlamaIndex, Hugging Face e OpenAI, rendendolo un'opzione ideale per applicazioni che richiedono una distribuzione chiara dei compiti e un'esecuzione affidabile in ambienti di produzione. 

LangGraph utilizza un'architettura basata su grafi per definire e orchestrare i flussi di lavoro degli agenti. Ogni nodo nel grafo rappresenta un compito o una funzione specifica, consentendo un controllo dettagliato sul flusso e lo stato dell'applicazione. Ciò lo rende particolarmente utile per gestire flussi di lavoro complessi con interdipendenze intricate, offrendo flessibilità nella gestione delle interazioni tra agenti. Tuttavia, potrebbe essere più difficile da apprendere per gli sviluppatori non familiari con modelli basati su grafi. Anche LangGraph è integrato con Hugging Face, OpenAI e LangChain, offrendo una vasta gamma di opzioni per gli sviluppatori. 

In conclusione, CrewAI e LangGraph sono strumenti essenziali per lo sviluppo di potenti e flessibili agenti (A-I ). Entrambi offrono un'integrazione con strumenti esistenti e un potente sistema di definizione e gestione dei ruoli e dei flussi di lavoro. Speriamo che questa presentazione abbia fornito una comprensione più chiara di come sviluppare un Agent (A-I ) utilizzando questi framework. Vi invitiamo a porre domande durante la sessione.

La nostra presentazione è incentrata sul tema "2024 Agent (A-I ): cosa sono, quali benefici e come svilupparli". Vi parlerò ora del sesto punto dei dodici previsti, ovvero "CrewAI: il framework per orchestrare agenti (A-I ) autonomi". CrewAI è un innovativo framework che permette di coordinare ed efficientemente gestire gli agenti (A-I ) autonomi. Ogni agente ha un ruolo specifico, strumenti dedicati e chiari obiettivi, e collaborano insieme per affrontare compiti complessi. Questo metodo di lavoro migliora l'efficienza e rende possibili la risoluzione di problemi che da soli sarebbero difficilmente gestibili. Gli agenti di CrewAI sono progettati per operare in modo autonomo, prendendo decisioni intelligenti basate sul loro ruolo specifico e gli strumenti a loro disposizione. Ciò significa che possono affrontare compiti complessi senza la necessità di una costante supervisione, ma basandosi su una logica e una strategia ben definita. Inoltre, grazie alla loro capacità di interagire in modo naturale, gli agenti di CrewAI sono in grado di comunicare e collaborare come veri membri di un gruppo umano. Questa caratteristica permette loro di lavorare in modo coordinato e fluido, migliorando ulteriormente l'efficienza complessiva del sistema. Un altro vantaggio fondamentale di CrewAI è il suo design estensibile. Infatti, il framework è progettato per essere facilmente adattato, consentendo l'aggiunta di nuovi strumenti, ruoli e capacità in base alle esigenze in continua evoluzione di ogni progetto. Ciò lo rende un'opzione ideale per qualsiasi tipo di applicazione, dalla più semplice alla più complessa. In conclusione, CrewAI è stato sviluppato per essere utilizzato in ambienti produttivi. La sua architettura garantisce affidabilità e scalabilità, rendendolo perfetto per applicazioni reali che richiedono stabilità e prestazioni elevate. Questo conclude la nostra presentazione sul sesto punto "CrewAI" della nostra presentazione su "2024 Agent (A-I )". Vi ringraziamo per aver ascoltato e vi auguriamo una buona continuazione della presentazione.

Oggi parleremo di una tecnologia molto avanzata che sta prendendo sempre più piede nel mondo del lavoro: gli Agenti (A-I ). In particolare, ci focalizzeremo su una specifica piattaforma chiamata CrewAI. Questa piattaforma utilizza agenti (A-I ) ad alto livello per supervisionare i flussi di lavoro, garantire la collaborazione e fornire risultati. Gli agenti, insieme ai loro tools designati, sono i membri della Crew e sono specializzati in ruoli specifici come ricercatori o scrittori. Sono in grado di delegare compiti e prendere decisioni autonome, coordinandosi per raggiungere obiettivi complessi." 

"Gli agenti di CrewAI sono in grado di "pensare" autonomamente e completare i compiti assegnati senza necessità di specificare ogni singolo passaggio. Un semplice prompt iniziale che spieghi cosa ci aspettiamo da loro è sufficiente e loro si occuperanno del resto. Per completare un compito, gli agenti seguono un ciclo strutturato in quattro fasi principali. La prima fase è il "Pensiero", in cui l'agente utilizza il modello di linguaggio per determinare l'azione più appropriata da intraprendere in base al contesto fornito."

"Nella seconda fase, il "Ricerca", l'agente utilizza le sue conoscenze e le risorse a disposizione, come A-P-I per interagire con servizi esterni e fonti di dati, per raccogliere informazioni e supportare il suo pensiero iniziale. Segue poi la fase della "Decisione", in cui l'agente valuta le informazioni raccolte e prende una decisione su come procedere con il compito assegnato. Infine, nella quarta fase, l'"Azione", l'agente mette in pratica la sua decisione e completa il compito assegnato."

"In breve, gli agenti di CrewAI lavorano in modo autonomo, seguendo un processo ben strutturato per raggiungere gli obiettivi prefissati. Questa tecnologia porta numerosi vantaggi sia per le aziende che per i lavoratori, aumentando l'efficienza e la produttività."

"Questo conclude la nostra presentazione su CrewAI e gli agenti (A-I ). Invitiamo a riflettere sulle potenzialità di questa tecnologia e sul suo impatto nel mondo del lavoro. A presto!

Arrivati alla slide numero 8, esploreremo come gli agenti (A-I ) svolgono le loro attività. Dopo aver ricevuto un compito, l'agente (A-I ) elabora le informazioni e, utilizzando l'LLM, definisce il suo pensiero, ad esempio: "Devo cercare informazioni rilevanti sui partecipanti alla riunione sul web". Successivamente, l'agente sceglie l'azione da eseguire da un elenco predefinito. Ogni agente conosce le azioni disponibili, in quanto queste sono dichiarate al momento della creazione dell'agente. Ad esempio, l'azione potrebbe essere "Cerca sul web". Ogni azione richiede un input specifico. Ad esempio, per l'azione "Cerca sul web", l'input potrebbe essere una query di ricerca come "Chi è il C-E-O di Google?". Una volta eseguita l'azione, l'agente restituisce un risultato chiamato "osservazione". Ad esempio, per l'azione "Cerca sul web", l'osservazione sarà costituita dai risultati della ricerca. L'agente aggiunge quindi l'osservazione al contesto iniziale e ripete il ciclo finché non ritiene di aver completato il compito. Una volta ottenute tutte le informazioni necessarie, l'agente interrompe il ciclo e restituisce il risultato finale. Per garantire un'efficace esecuzione, il processo gestisce il flusso di lavoro definendo i modelli di collaborazione, controllando l'assegnazione dei compiti e gestendo le interazioni tra gli agenti. Il flusso di lavoro può essere sequenziale o parallelo, con gli agenti che gestiscono automaticamente le dipendenze dei compiti. Infine, le assegnazioni individuali e i chiari obiettivi contribuiscono al processo di sviluppo degli agenti (A-I ), utilizzando strumenti specifici per garantire un'efficace collaborazione. Ci vediamo alla prossima slide.

Oggi parleremo dell'analisi degli agenti (A-I ), concentrandoci sul contesto e l'esecuzione asincrona. Come visto in precedenza, ogni Task richiede informazioni aggiuntive per essere completato correttamente, che provengono dai Task precedenti. È fondamentale il successo dell'agente (A-I ). Ad esempio, un Task di analisi può necessitare di dati provenienti da un Task di ricerca precedente. Ogni Task può essere configurato per essere eseguito in modo simultaneo o in sequenza, a seconda della relazione tra di loro. È importante configurare correttamente i Task per garantire una collaborazione efficace tra gli agenti (A-I ) e ottenere i risultati desiderati. Descrizioni chiare, scelte appropriate degli agenti, contesto adeguato e impostazione corretta sia dell'esecuzione sincrona che asincrona sono elementi cruciali per il successo dell'intero processo. Ora procediamo con un esempio pratico. Dobbiamo creare una crew di agenti che possa trasformare un prompt in una stringa S-Q-L--, eseguire la query e fornire un testo per un chat bot. È importante che questa crew sia riutilizzabile per compiti simili, in modo da poterla utilizzare per ogni nuovo progetto. Per raggiungere questo obiettivo, l'utente dovrà fornire un input specifico che renda la crew adatta alla situazione. Inoltre, la crew di agenti dovrà essere in grado di interagire con altri servizi esterni tramite un'interfaccia rest A-P-I--. Per maggiori esempi pratici e approfondimenti su questo tema, vi invitiamo a consultare il seguente link. Ci vediamo alla prossima lezione.

"In questa lezione parleremo di LangGraph, un importante framework di orchestrazione utilizzato per costruire applicazioni basate su modelli di linguaggio di grandi dimensioni. Esso rappresenta i flussi di lavoro attraverso grafi composti da nodi e archi, semplificando la gestione di stati condivisi e flussi di controllo dinamici. Vediamo insieme le sue caratteristiche principali. I nodi rappresentano le diverse unità di lavoro o azioni all'interno dell'applicazione, come funzioni Python che interagiscono con modelli di linguaggio, chiamano A-P-I esterne o elaborano dati. Gli archi definiscono il flusso di informazioni e controllo tra i nodi, con la possibilità di essere semplici o condizionali. Inoltre, LangGraph mantiene uno stato condiviso tra i nodi e gli archi, contenente informazioni come la cronologia delle conversazioni e variabili interne. Una delle caratteristiche distintive di LangGraph è il supporto per cicli, che lo rende adatto per architetture complesse. Inoltre, il framework offre un livello di persistenza incorporato per gestire eventuali errori o interruzioni nel flusso di lavoro, tra cui l'intervento umano. In sintesi, LangGraph è uno strumento potente e flessibile per la creazione di applicazioni basate su modelli di linguaggio di grandi dimensioni in modo efficiente.

Benvenuti alla presentazione sul tema "Agent (A-I ): Cos'è, quali benefici e come svilupparli". In questa slide, discuteremo delle differenze tra LangChain e LangGraph. LangChain è un framework open source che semplifica l'integrazione dei modelli di linguaggio nelle applicazioni, offrendo astrazioni per la concatenazione di prompt, la gestione della memoria e la creazione di agenti. È perfetto per flussi di lavoro sequenziali e applicazioni N-L-P come chatbot, assistenti virtuali e sistemi di raccomandazione. Al contrario, LangGraph è costruito sopra LangChain e permette la creazione di applicazioni stateful e multi agente utilizzando una struttura a grafo. Supporta flussi di lavoro complessi con cicli, ramificazioni e persistenza integrata, offrendo un controllo più preciso sul flusso e sullo stato dell'applicazione. È particolarmente utile per sistemi multi agente e flussi di lavoro dinamici con interazioni umane. Ora passiamo alle differenze principali tra LangChain e LangGraph: LangChain gestisce solo flussi sequenziali, mentre LangGraph utilizza una struttura a grafo che consente cicli e ramificazioni. Inoltre, LangGraph offre persistenza integrata e gestione dello stato condiviso tra nodi, rendendo più facile il recupero dagli errori e l'intervento umano. Infine, LangGraph fornisce un controllo più avanzato sul flusso e sullo stato dell'applicazione, permettendo di definire condizioni e cicli complessi, mentre LangChain è più adatto per flussi lineari e semplici. In sintesi, LangChain è ideale per applicazioni con flussi di lavoro lineari e sequenziali, mentre LangGraph amplia queste capacità consentendo la costruzione di sistemi più complessi e dinamici con una gestione avanzata dello stato e del flusso di lavoro. Se desiderate approfondire l'argomento, vi invito a guardare il video sul canale Youtube di LangGraph. Grazie per l'attenzione e arrivederci alla prossima slide.

Benvenuti a tutti e a questa dodicesima e ultima slide della presentazione. Oggi parleremo di un argomento molto interessante e attuale: gli Agenti (A-I ). Ma cosa sono gli Agenti (A-I )? Si tratta di sistemi multi agente che utilizzano l'intelligenza artificiale per raggiungere un obiettivo specifico. Grazie a questa tecnologia, gli Agenti (A-I ) sono in grado di apprendere dai dati e di prendere decisioni in modo autonomo, fornendo soluzioni e suggerimenti sempre più efficaci. Ma quali sono i benefici degli Agenti (A-I )? In primo luogo, permettono di automatizzare e ottimizzare processi, riducendo i costi e aumentando l'efficienza. Inoltre, consentono di gestire una grande quantità di dati in modo rapido e preciso, fornendo informazioni utili per prendere decisioni strategiche. Ma come possiamo sviluppare gli Agenti (A-I )? Ci sono diverse risorse e corsi disponibili online, come il corso gratuito CrewAI di deeplearning.ai, che fornirà una solida base di conoscenze sulle tecnologie di intelligenza artificiale. Inoltre, vi consigliamo di visitare LangchainAcademy e il canale YouTube di LangChain per ulteriori informazioni e risorse utili. Concludiamo così questa presentazione sugli Agenti (A-I ) del 2024. Speriamo di avervi fornito una panoramica utile sui benefici e sulle possibilità di sviluppo di questa tecnologia rivoluzionaria. Grazie per l'attenzione e vi auguriamo una buona giornata.