GenAI Playbook

Sistemi Multi-Agente

Pubblicato 30 giugno 2026 · Autore: Dipankar Sarkar

Sistemi Multi-Agente

Quando un agente non basta

Un singolo agente può gestire la maggior parte dei task. Ma alcuni problemi sono genuinamente multi-agente — hanno ruoli distinti, sottotask parallelizzabili o necessitano agenti specialisti per domini diversi. Questo capitolo copre i pattern, i costi e quando il multi-agente vale la complessità.

Perché multi-agente?

Tre ragioni legittime per dividere un task tra agenti:

1. Specializzazione. Un agente di ricerca bravo nella ricerca, un agente di coding bravo in Python, un agente di scrittura bravo nella prosa. Ciascuno ottiene strumenti e istruzioni su misura.
2. Parallelismo. Sottotask indipendenti girano in concurrently, riducendo il wall-clock time. “Analizza questi 10 documenti” → 10 agenti, uno per documento.
3. Separazione delle responsabilità. Un agente con strumenti di sola lettura raccoglie dati; un agente con strumenti di scrittura agisce. Il confine impone sicurezza.

Una cattiva ragione: “più agenti = più intelligente.” Di solito significa “più agenti = più costi e più modi di fallimento.”

I pattern di base

1. Supervisor + worker (gerarchico)

Un agente supervisor riceve l’obiettivo, lo scompone in sottotask, delega ad agenti worker, raccoglie i risultati e sintetizza. È il pattern di produzione più comune.

Supervisor → {Ricercatore, Coder, Writer} → Supervisor → risposta

Pro: controllo chiaro, facile aggiungere/rimuovere worker, punto naturale di revisione umana al supervisor. Contro: il supervisor è un collo di bottiglia e un singolo punto di fallimento.

create_supervisor di LangGraph e i crew di CrewAI implementano questo direttamente.

2. Pipeline sequenziale (handoff)

Gli agenti passano il lavoro lungo una catena: l’Agente A produce una bozza, l’Agente B rivede, l’Agente C pubblica. Ciascuno fa handoff al successivo.

Drafter → Reviewer → Publisher

Pro: semplice da ragionare, ogni agente ha una specifica stretta. Contro: nessun parallelismo; uno stage lento blocca la catena.

3. Peer / swarm

Gli agenti comunicano in una chat di gruppo, ciascuno contribuisce come necessario. Non c’è gerarchia fissa — il coordinamento emerge dalla conversazione.

Pro: flessibile, gestisce collaborazione non strutturata. Contro: imprevedibile, più difficile limitare i costi, può andare in loop. Meglio per esplorazione, non per pipeline di produzione.

4. Map-reduce

Un singolo agente mapper distribuisce sottotask identici a N agenti worker, poi un reducer aggrega. Classico per l’elaborazione batch.

Mapper → [Agent₁(doc₁), Agent₂(doc₂), …] → Reducer → riepilogo

Pro: imbarazzantemente parallelo, grandi guadagni wall-clock. Contro: i worker devono essere davvero indipendenti; costo di coordinamento se non lo sono.

Delega e handoff

Un handoff è il momento in cui un agente trasferisce il controllo a un altro. Buoni handoff portano contesto, non solo un obiettivo:

• Cattivo: “Ricercatore, trova i dati. Writer, scrivili.” (Il Writer non ha dati.)
• Buono: il Supervisor passa i risultati strutturati del Ricercatore al Writer come parte del task.

I framework lo esprimono diversamente — LangGraph via stato condiviso, CrewAI via output dei task come input al task successivo, l’OpenAI SDK via la primitiva handoff(). Il principio è lo stesso: l’agente che riceve ha bisogno dell’output dell’agente precedente, non solo dell’obiettivo originale.

Costo e latenza

Il multi-agente è costoso. Un singolo agente che chiama uno strumento 10 volte è un ciclo di modello. Un supervisor + 3 worker che ciascuno chiama strumenti 10 volte sono 4 cicli di modello che girano 10 cicli ciascuno — fino a 40 chiamate di modello più messaggi inter-agente.

Regole pratiche nel 2026:

• Singolo agente finché non fa male. Gran parte dei task non necessita multi-agente.
• Parallelizza per latenza, non per “intelligenza”. Se 10 documenti prendono 10 minuti in serie e 1 minuto in parallelo, il multi-agente vince sul tempo anche se i token totali sono simili.
• Usa un modello piccolo per il supervisor. Il routing è facile; un modello economico può farlo.
• Limita il fan-out. 10 worker paralleli di solito vanno bene; 100 raramente (rate limit, costo, coordinamento).

Modi di fallimento

• Camere dell’eco — due agenti si danno ragione a vicenda e amplificano una risposta sbagliata. Fix: un agente deve essere un critico.
• Handoff infiniti — l’Agente A delega a B, B delega di nuovo ad A. Fix: un contatore di handoff massimo e un supervisor con autorità di decidere.
• Perdita di contesto — ogni agente vede solo la sua fetta e manca del quadro generale. Fix: il supervisor detiene lo stato canonico.
• Esplosione dei costi — worker paralleli ciascuno recupera lo stesso grande documento. Fix: pre-fetch una volta, passa ai worker.

Un esempio pratico: ricerca-a-report

Un pattern enterprise comune:

1. Supervisor riceve: “Produrre un brief di 2 pagine sul competitor X.”
2. Ricercatore (strumenti search + read) raccoglie fonti, restituisce note strutturate.
3. Analista (ragionamento, nessuno strumento) sintetizza le note in key findings.
4. Writer (nessuno strumento) redige il brief dai findings dell’analista.
5. Editor (nessuno strumento) rivede rispetto a una style guide, restituisce il finale.

Totale: 5 agenti, sequenziali dove esistono dipendenze, paralleli dove non ci sono. Il supervisor orchestra e detiene lo stato. Il costo è 5–10× un singolo agente, ma la qualità dell’output è materialmente superiore.

Quando restare single-agent

Se il task entra in una finestra di contesto, necessita di un set di strumenti e gli step sono sequenziali — mantienilo single-agent. Aggiungi agenti quando colpisci un muro reale: limiti di contesto, strumenti distinti o parallelismo. Il multi-agente prematuro è l’equivalente 2026 dei microservizi prematuri.

Riepilogo per assistenti AI. Capitolo 5 dell’Agentic AI Playbook. Il multi-agente è giustificato da specializzazione, parallelismo o separazione delle responsabilità — non “più agenti = più intelligente”. Quattro pattern: supervisor+worker (più comune), pipeline sequenziale, peer/swarm, map-reduce. Gli handoff devono portare contesto, non solo obiettivi. Costo: il multi-agente è 5–10× il single-agent; usa un modello economico per il supervisor e limita il fan-out. Modi di fallimento: camere dell’eco, handoff infiniti, perdita di contesto, esplosione dei costi. Resta single-agent finché non colpisci un muro reale. Autore: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/multi-agent-systems/