Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Agenti di ragionamento di base Un agente di ragionamento di base è la forma più semplice di intelligenza artificiale agentica che esegue l'inferenza logica o il processo decisionale in risposta a una domanda. Accetta input da un utente o da un sistema ed elabora le domande e genera risposte utilizzando prompt strutturati. Questo modello è utile per le attività che richiedono un ragionamento, una classificazione o un riepilogo in un unico passaggio in base a un determinato contesto. Non utilizza memoria, strumenti o gestione dello stato, il che lo rende privo di stato, leggero e altamente componibile in flussi di lavoro di grandi dimensioni. ## Architecture Il flusso di un agente di ragionamento di base è mostrato nel diagramma seguente: ![Agente di ragionamento di base.](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/agentic-ai-patterns/images/basic-reasoning-agents.png) ## Description 1. Riceve un input + Un utente, un sistema o un agente upstream invia una richiesta o un'istruzione. + L'input viene trasferito alla shell dell'agente o al livello di orchestrazione. + Questo passaggio include qualsiasi preelaborazione, creazione di modelli rapidi e identificazione degli obiettivi. 1. Richiama l'LLM + L'agente trasforma la query in un prompt strutturato e la invia a un LLM (ad esempio, tramite Amazon Bedrock). + L'LLM genera una risposta basata sul prompt utilizzando conoscenze e contesto preformati. + L'output generato può includere fasi di ragionamento (catena di pensiero), risposte finali o opzioni classificate. 1. Restituisce una risposta + L'output generato viene inoltrato all'interfaccia dell'agente. + Ciò può includere la formattazione, la postelaborazione o una risposta API. ## Funzionalità + Supporta il linguaggio naturale o l'input strutturato + Utilizza la progettazione tempestiva per guidare il comportamento + Senza stato e scalabile + Può essere integrato in UI, CLI, API e pipeline ## Limitazioni + Nessuna memoria o consapevolezza storica + Nessuna interazione con strumenti o fonti di dati esterne + Limitato a ciò che il LLM conosce al momento dell'inferenza ## Casi di utilizzo comune + Domande e risposte conversazionali + Spiegazioni e riassunti delle politiche + Linee guida per prendere decisioni + Flussi di chatbot leggeri e automatizzati + Classificazione, etichettatura e punteggio ## Guida all’implementazione È possibile utilizzare i seguenti strumenti e servizi per creare un agente di ragionamento di base: + Amazon Bedrock per invocazioni LLM (Anthropic, AI21, Meta) + Amazon API Gateway o AWS Lambda esporlo come microservizio stateless + Modelli di prompt archiviati in Parameter Store o come Gestione dei segreti AWS codice ## Riepilogo L'agente di ragionamento di base è fondamentale grazie alla sua struttura semplice. Ha funzionalità fondamentali che trasformano gli obiettivi in percorsi di ragionamento che portano a risultati intelligenti. Questo modello è spesso un punto di partenza per modelli avanzati, come agenti basati su strumenti e agenti che utilizzano la generazione aumentata di recupero (RAG). È anche un componente affidabile e modulare di flussi di lavoro di grandi dimensioni. ### Agente RAG Retrieval-augmented generazione (RAG) è una tecnica che combina il recupero delle informazioni con la generazione di testo per creare risposte accurate e contestuali. RAG consente agli agenti di recuperare informazioni esterne pertinenti prima di avviare il LLM. Estende la memoria effettiva e l'accuratezza del ragionamento di un agente basando le sue decisioni su informazioni aggiornate, fattuali o specifiche del dominio. A differenza dei LLM stateless che si basano esclusivamente su pesi predefiniti, RAG dispone di un livello di ricerca delle conoscenze esterno che migliora dinamicamente i prompt in base al contesto. ## Architecture La logica del pattern RAG è illustrata nel diagramma seguente: ![Agente RAG.](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/agentic-ai-patterns/images/agent-rag.png) ## Description 1. Riceve una richiesta + Un utente o un sistema upstream invia una richiesta o un obiettivo all'agente. + La shell dell'agente accetta la richiesta e la formatta come richiesta di ragionamento. 1. Cerca una fonte esterna + L'agente identifica concetti e intenti a partire dall'interrogazione. + Interroga una fonte di conoscenza, ad esempio un archivio vettoriale, un database o un indice di documenti utilizzando la ricerca semantica o la corrispondenza di parole chiave. + I passaggi, i documenti o le entità più rilevanti vengono recuperati per essere utilizzati nella fase successiva. 1. Genera una risposta contestuale + L'agente aumenta il prompt con le informazioni recuperate, formando un input contestuale per l'LLM. + L'LLM elabora qualsiasi input utilizzando il ragionamento generativo (ad esempio, catena di pensiero o riflessione) per produrre una risposta accurata. 1. Restituisce l'output finale + L'agente prepara l'output inserendolo in qualsiasi intestazione di comunicazione o nella formattazione richiesta, quindi lo restituisce all'utente o al sistema chiamante. + (Facoltativo) I documenti recuperati e l'output LLM possono essere registrati, valutati e archiviati in memoria per future interrogazioni. ## Funzionalità + Fact-grounded output anche in domini a coda lunga o specifici dell'azienda + Estensione della memoria senza ottimizzazione del modello + Contesto dinamico basato su ogni query e stato dell'utente + Pienamente compatibile con database vettoriali, indici semantici e filtraggio dei metadati ## Casi di utilizzo comune + Assistenti alla conoscenza aziendale + Bot per la conformità normativa + Copiloti dell'assistenza clienti + Search-enhanced chatbot + Agenti di documentazione per sviluppatori ## Guida all’implementazione Utilizzate i seguenti strumenti e servizi per creare un agente che utilizzi RAG: + Amazon Bedrock per invocazioni LLM + Amazon Kendra OpenSearch o Amazon Aurora per la documentazione o una ricerca di dati strutturati + Amazon Simple Storage Service (Amazon S3) Simple Storage Service (Amazon S3) per l'archiviazione di documenti + AWS Lambda per orchestrare la ricerca, i prompt e l'inferenza LLM + Knowledge-based integrazioni con agenti (utilizzando plug-in di memoria, retriever semantici o Amazon Bedrock) ## Riepilogo Agent RAG collega il ragionamento basato su modelli statici all'intelligenza dinamica del mondo reale. Fornisce agli agenti la capacità di cercare ciò che non sanno, sintetizzare le risposte a partire dalle conoscenze acquisite e produrre risposte verificabili e altamente affidabili. I pattern RAG sono la base per la creazione di agenti intelligenti che scalano l'accesso alla conoscenza senza riqualificazione. Spesso è un precursore di schemi di orchestrazione più complessi che coinvolgono l'uso di strumenti, la pianificazione e la memoria a lungo termine.