L'automazione tradizionale segue istruzioni fisse e un semplice chatbot risponde al messaggio che ha davanti. Un agente basato su obiettivi funziona diversamente. Parte da un risultato desiderato e pianifica le azioni necessarie per raggiungerlo. Poi valuta le nuove informazioni man mano che l'attività si sviluppa. Questo articolo spiega il concetto, l'architettura di supporto e i principali casi d'uso. Confronta inoltre gli agenti basati su obiettivi con altri tipi di agente IA e presenta Kimi Agent come un modo pratico per sperimentare l'esecuzione di attività orientate agli obiettivi.
Che cos'è un agente basato su obiettivi?
Un agente basato su obiettivi è un sistema di IA che prende decisioni e compie azioni in funzione di un obiettivo definito. Valuta lo stato attuale, considera i possibili passaggi successivi e seleziona le azioni che avvicinano il sistema al risultato desiderato. L'agente può usare strumenti, monitorare i progressi e rivedere il proprio piano quando nuove informazioni cambiano la situazione.
Ad esempio, un agente di assistenza clienti può rispondere a una domanda. Un agente basato su obiettivi può lavorare per risolvere l'intero problema del cliente. Può controllare la cronologia dell'account e consultare una base di conoscenza approvata. Può quindi diagnosticare il problema, preparare una soluzione o inoltrare il caso quando le informazioni disponibili sono incomplete.
Come funziona un agente basato su obiettivi?
Un agente basato su obiettivi segue di solito un ciclo ripetuto. Definisce prima il risultato desiderato e osserva l'ambiente attuale. Poi crea un piano, seleziona un'azione e valuta il risultato. Se il risultato non fa avanzare l'attività, l'agente può ripianificare o richiedere aiuto.
Definizione dell'obiettivo
Il processo inizia con una definizione precisa del successo. L'obiettivo può contenere diverse condizioni correlate, ma ognuna dovrebbe essere verificabile. Può anche includere vincoli come scadenze, fonti di dati approvate, limiti di spesa, approvazioni richieste e azioni vietate. Un modello linguistico può trasformare una richiesta vaga in sotto-obiettivi specifici, ma i criteri di successo finali dovrebbero restare visibili al responsabile del flusso di lavoro.
Percezione dell'ambiente e dello stato
L'agente raccoglie informazioni sullo stato attuale da richieste degli utenti, sistemi esterni, file, database, risposte API o eventi di sistema. In un ambiente robotico, i sensori forniscono informazioni sugli oggetti vicini e sulle condizioni che cambiano. Lo stato dovrebbe registrare anche le attività completate, le approvazioni in sospeso e le ipotesi non confermate. Valori chiari di errore e stato aiutano l'agente a decidere se continuare, riprovare o inoltrare il caso.
Pianificazione e scomposizione delle attività
Il modulo di pianificazione trasforma l'obiettivo in un percorso attuabile. Suddivide un obiettivo ampio in attività più piccole e identifica le dipendenze tra di esse. Per l'inserimento di un nuovo dipendente, il piano può iniziare con la raccolta e la verifica dei documenti prima di preparare le richieste di account e attendere l'approvazione basata sul ruolo. Un processo stabile può usare un piano fisso, mentre un flusso di lavoro variabile richiede punti decisionali per una ripianificazione graduale.
Selezione ed esecuzione delle azioni
Dopo aver creato un piano, l'agente seleziona l'azione approvata successiva. Può interrogare un sistema, cercare in un documento, aggiornare un record o chiedere a una persona le informazioni mancanti. Ogni azione dovrebbe avere un input definito e un risultato atteso. L'agente deve verificare il risultato prima di contrassegnare il passaggio come completato, e le azioni ad alto impatto dovrebbero fermarsi in attesa dell'approvazione umana.
Feedback e ripianificazione
L'esecuzione non è un processo a senso unico. L'agente confronta l'ultimo risultato con l'obiettivo e verifica se il piano ha ancora senso. Le nuove evidenze possono confermare il percorso attuale, rivelare un ostacolo o creare un'alternativa più sicura.
Il ciclo può essere rappresentato come:
L'obiettivo può rimanere stabile mentre il percorso cambia. Un robot da magazzino può scegliere un altro percorso dopo aver rilevato un ostacolo. Un agente di ricerca può cercare in un'altra fonte quando la prima non risponde alla domanda. I budget di esecuzione, come i limiti su turni, chiamate agli strumenti, tentativi o tempo, impediscono un funzionamento indefinito e rendono più facile misurare le prestazioni.
Componenti principali di un'architettura di agente basato su obiettivi
Un'architettura di agente basato su obiettivi collega gli obiettivi con lo stato, la pianificazione, gli strumenti e la supervisione. L'implementazione esatta varia, ma ogni componente dovrebbe avere una responsabilità chiara.
Obiettivo e criteri di successo
Il livello dell'obiettivo definisce lo stato desiderato. Spiega cosa deve realizzare l'agent e cosa conta come completamento. Può anche identificare condizioni di fallimento e vincoli che si applicano durante tutta l'esecuzione.
Ad esempio, un flusso di lavoro per la gestione di documenti può richiedere che ogni campo obbligatorio venga verificato prima che il record venga inviato. Un record incompleto non è un successo parziale se il flusso di lavoro richiede una verifica completa. Criteri espliciti aiutano l'agent a fermarsi al momento giusto.
Modello del mondo e base di conoscenza
Un modello del mondo fornisce all'agent una rappresentazione operativa del proprio ambiente. Può includere lo stato attuale del sistema, le risorse disponibili, le relazioni note e le probabili conseguenze delle azioni. Una base di conoscenza fornisce informazioni di supporto quando l'agent deve prendere una decisione.
Il modello del mondo è utile perché l'agent non può pianificare basandosi solo sull'obiettivo. Deve comprendere a che punto si trova il flusso di lavoro. Deve inoltre distinguere il contesto temporaneo del task dalla conoscenza più duratura. Il recupero delle informazioni dovrebbe fornire dati rilevanti senza inserire un'intera raccolta di dati nel contesto attivo.
Un record di stato ben gestito può mostrare i passaggi completati, le dipendenze in sospeso, i tentativi falliti e lo stato di approvazione. Le regole di accesso e la provenienza dei dati dovrebbero governare qualsiasi elemento archiviato per un uso successivo.
Modulo di pianificazione
Il modulo di pianificazione crea e aggiorna il percorso verso l'obiettivo. Può generare una sequenza di azioni, dividere il lavoro tra specialisti o scegliere dinamicamente il passo successivo.
Una buona pianificazione tiene conto delle dipendenze e dell'incertezza. Non presuppone che ogni strumento restituisca il risultato previsto. Può includere percorsi alternativi, passaggi di validazione e condizioni di escalation. Un piano dovrebbe rimanere provvisorio quando nuove evidenze possono cambiare la migliore azione successiva.
Strumenti e livello di azione
Gli strumenti permettono all'agent di interagire con sistemi al di là del modello. Esempi comuni includono ricerca, query a database, elaborazione di file, azioni nel browser, API aziendali e aggiornamenti di record.
Ogni strumento ha bisogno di un contratto chiaro. Il contratto dovrebbe definire input validi, output previsti, permessi, errori ed effetti collaterali. Le azioni di lettura e le azioni di scrittura dovrebbero essere separate quando possibile. Le operazioni sensibili dovrebbero utilizzare regole di validazione e approvazione più stringenti.
Esecuzione, valutazione e guardrail
Il livello di esecuzione svolge l'azione selezionata. Il livello di valutazione verifica il risultato rispetto al piano e ai criteri di successo. I guardrail definiscono cosa l'agent può fare e quando deve fermarsi.
I flussi di lavoro in produzione dovrebbero registrare decisioni, chiamate agli strumenti, osservazioni e cambiamenti di stato. Questo registro supporta il debug e la revisione umana. I gate di approvazione sono particolarmente importanti prima di azioni irreversibili, comunicazioni esterne, cambiamenti finanziari o aggiornamenti in produzione.
Agent basato sull'obiettivo vs altri tipi di agent AI
Gli agent basati sull'obiettivo sono una parte di un insieme più ampio di design di agent AI. Le categorie possono sovrapporsi, ma evidenziano modi diversi di prendere decisioni.
| Tipo di agente | Come decide | Capacità di pianificazione | Adatto a |
|---|---|---|---|
| Agente reattivo semplice | Risponde all'input corrente | Poca o nessuna | Regole fisse e reazioni immediate |
| Agente reattivo basato su modello | Utilizza un modello interno dello stato | Limitata | Ambienti che richiedono una memoria di base |
| Agente basato sugli obiettivi | Seleziona le azioni che avvicinano a un obiettivo definito | Sì | Obiettivi chiari con percorsi variabili |
| Agente basato sull'utilità | Sceglie il risultato di maggior valore | Analisi avanzata dei compromessi | Più obiettivi in competizione tra loro |
| Agente in apprendimento | Migliora grazie all'esperienza o al feedback | Può evolvere nel tempo | Attività che traggono beneficio dall'adattamento |
Un agent reattivo risponde a ciò che percepisce nel momento presente. Un agent basato sull'obiettivo considera come un'azione influisce su uno stato futuro. Questo comportamento orientato al futuro rende i sistemi basati sull'obiettivo più adatti quando l'obiettivo è stabile ma il percorso non lo è.
Un agent basato sull'utilità risolve un problema decisionale diverso. Confronta i possibili risultati e assegna loro un valore. Ad esempio, un sistema di assistenza clienti può bilanciare velocità di risoluzione, costo del rimborso e satisfazione del cliente nella scelta di una risposta. Un agent basato sull'obiettivo si concentra generalmente sul fatto che la condizione target sia stata raggiunta. Un sistema basato sull'obiettivo può comunque includere componenti di apprendimento o basati sull'utilità quando il flusso di lavoro lo richiede.
Agent basato sull'obiettivo vs agent basato sul task
Gli agent basati sul task e gli agent basati sull'obiettivo possono entrambi automatizzare lavoro utile. La differenza è il livello a cui il sistema riceve le istruzioni e misura il successo.
| Dimensione | Agente basato sui compiti | Agente basato sugli obiettivi |
|---|---|---|
| Punto di partenza | Un'istruzione specifica | Un risultato desiderato |
| Ambito | Un compito definito | Un flusso di lavoro connesso |
| Azione successiva | Solitamente specificata dall'utente o dal flusso di lavoro | Selezionata dall'agente |
| Misura del successo | Completamento dell'attività | Raggiungimento dell'obiettivo |
| Adattamento | Spesso limitato | Può ripianificare quando le condizioni cambiano |
| Input umano | Può essere necessario a ogni passaggio | Di solito necessario ai limiti o nelle eccezioni |
Gli agent basati sul task sono utili quando l'azione è già nota. Gli agent basati sull'obiettivo sono utili quando il risultato è chiaro ma il percorso può variare. Un sistema basato sul task può estrarre un campo da un documento. Un sistema basato sull'obiettivo può usare quell'estrazione come un passo in un processo più ampio che valida le informazioni e instrada le eccezioni.
La distinzione riguarda la responsabilità del flusso di lavoro, non il numero di agent. Un singolo agent può perseguire un obiettivo ampio. Diversi agent possono anche svolgere task separati senza condividere un piano più ampio.
Casi d'uso degli agent basati sull'obiettivo
Gli agent basati sull'obiettivo sono adatti ad ambienti in cui la destinazione è chiara ma le condizioni possono cambiare prima che il task termini.
Robotica e automazione dei magazzini
Un robot di magazzino può ricevere l'obiettivo di spostare un pacco in un'area di spedizione. Deve identificare il pacco, pianificare un percorso, evitare ostacoli e monitorare la propria posizione. Se un altro robot blocca il percorso pianificato, l'agent può valutare un percorso alternativo.
L'obiettivo resta lo stesso. La sequenza di azioni cambia in base all'ambiente. Questo rende la robotica un esempio chiaro di pianificazione verso uno stato futuro piuttosto che una semplice reazione all'ostacolo più vicino.
Assistenza clienti e risoluzione dei problemi
Un flusso di lavoro di assistenza può definire il successo come la risoluzione di un problema del cliente con una risposta accurata e approvata. L'agent può leggere la conversazione, recuperare le informazioni dell'account, consultare una base di conoscenza e determinare se il problema necessita di un'escalation.
Il sistema non dovrebbe dichiarare successo dopo aver redatto una risposta. Dovrebbe verificare se la risposta affronta il problema e se un'azione richiesta è stata completata. Le modifiche sensibili dovrebbero rimanere dietro un passaggio di approvazione umana.
Onboarding dei dipendenti
L'onboarding dei dipendenti coinvolge task collegati che dipendono da ruolo, sede, data di inizio e stato di approvazione. Un agent basato sull'obiettivo può tenere traccia del risultato complessivo invece di trattare ogni richiesta come un'azione isolata.
Può raccogliere documenti, verificare informazioni, preparare richieste di account e attendere l'approvazione di un manager. Se manca un campo obbligatorio, l'agent può fermarsi o richiedere le informazioni mancanti. Non dovrebbe bypassare una regola di autorizzazione per mantenere il piano in movimento.
Flussi di lavoro di ricerca e contenuti
Un flusso di lavoro di ricerca può iniziare con l'obiettivo di produrre un report strutturato basato su evidenze affidabili. L'agent può dividere la domanda in sottotemi, cercare fonti approvate, organizzare i risultati e identificare le lacune.
Se una fonte non supporta un'affermazione, l'agent può rivedere il piano di ricerca. Un passaggio di revisione può verificare se il report finale risponde alla domanda originale. La revisione umana resta importante quando il report informa una decisione rilevante.
Risposta agli incidenti e operazioni
Un agent per la risposta agli incidenti può lavorare per identificare la causa di un problema del servizio. Può ispezionare i log, esaminare i deployment recenti, verificare le dipendenze e confrontare le evidenze tra i sistemi.
Il flusso di lavoro può cambiare man mano che emergono nuovi segnali. Un agent può consigliare un rollback o una modifica alla configurazione, ma le azioni con impatto sulla produzione dovrebbero richiedere un'autorizzazione. Il ciclo basato sugli obiettivi aiuta a organizzare l'indagine senza trasformare una raccomandazione in un'esecuzione incontrollata.
Vantaggi degli agent basati su obiettivi
Migliore gestione del lavoro a più passaggi
Un agent basato su obiettivi può organizzare azioni collegate intorno a un risultato finale. Non è necessario specificare ogni singolo passaggio a basso rischio quando il flusso di lavoro ha confini chiari.
Maggiore flessibilità rispetto all'automazione basata su regole
Le regole fisse funzionano bene in condizioni stabili. I sistemi basati su obiettivi possono scegliere un altro percorso approvato quando un input cambia o un'azione prevista fallisce.
Criteri di successo più chiari
Un obiettivo definito rende la valutazione più significativa. Il sistema può verificare se il risultato previsto è stato raggiunto, invece di misurare il successo in base alla lunghezza o alla scorrevolezza di una risposta.
Migliore continuità del flusso di lavoro
L'agent può mantenere lo stato dell'attività e identificare cosa resta da completare. Questo è importante quando un flusso di lavoro si mette in pausa per un'approvazione o attende informazioni da un altro sistema.
Una delega umana più utile
Le persone possono definire il risultato, i vincoli e i punti di approvazione. L'agent può quindi gestire le decisioni ordinarie entro tali confini operativi, mentre gli esseri umani si occupano delle eccezioni e delle scelte ad alto impatto.
Come progettare un agent affidabile basato su obiettivi
Una progettazione affidabile parte dal flusso di lavoro, non dal modello. Usa l'architettura più semplice in grado di completare l'attività in sicurezza.
Definisci un unico obiettivo misurabile: scrivi una condizione di completamento che un valutatore possa verificare.
Stabilisci le condizioni di successo e fallimento: spiega quando l'agent deve continuare, fermarsi o richiedere un intervento.
Suddividi l'obiettivo in sottoattività: assegna a ciascuna sottoattività un output chiaro e una dipendenza definita.
Limita l'accesso agli strumenti: fornisci solo gli strumenti necessari per il ruolo attuale.
Separa i permessi di lettura e scrittura: tratta il recupero delle informazioni in modo diverso dalle azioni che modificano lo stato.
Aggiungi punti di approvazione: richiedi una conferma prima di operazioni sensibili o irreversibili.
Registra l'esecuzione: tieni traccia di piani, chiamate agli strumenti, risultati e cambiamenti di stato.
Imposta limiti di esecuzione: usa vincoli di tempo, turni, tentativi e costo.
Testa l'intero flusso di lavoro: valuta i risultati, non solo le singole risposte del modello.
Espandi gradualmente: inizia con un solo agent e aggiungi il coordinamento solo quando emerge un'esigenza concreta e misurabile.
La regola pratica è semplice: usa l'architettura meno complessa in grado di completare il flusso di lavoro in modo affidabile. Più autonomia è utile solo quando risolve un problema operativo specifico.
Kimi Agent: un agent basato su obiettivi che puoi usare già oggi
Il ciclo di pianificazione descritto in questa guida non è solo teoria: è il modo in cui Kimi Agent esegue attività reali. Descrivi il risultato in una frase e Kimi lo scompone in sottoattività, eseguendo ogni passaggio con strumenti integrati. Valuta quindi il risultato prima di consegnare l'output finale. Non c'è alcun livello di orchestrazione da costruire né codice di flusso di lavoro da mantenere.
Indica l'obiettivo, ottieni il risultato
Kimi Agent funziona come dovrebbe funzionare un agent basato su obiettivi: gli dai un traguardo, non una procedura. Pianifica da solo il percorso e produce un lavoro utilizzabile direttamente.
Un report di ricerca con fonti citate, tramite Kimi Deep Research
Un sito web multipagina funzionante creato a partire da un breve brief
Una presentazione PPT, un documento o un foglio di calcolo pronti da modificare
Puoi caricare fino a 50 file alla volta come materiale di partenza, così PDF, slide e immagini già esistenti diventano parte del contesto dell'attività.
Le attività lunghe arrivano a completamento da sole
Un agent basato su obiettivi dimostra il suo valore su lavori che richiedono più di un passaggio. Kimi Deep Research richiede in genere dai 10 ai 25 minuti per attività e continua in background, così puoi lasciare la pagina e tornare a trovare un report completo. L'agent monitora autonomamente i propri progressi, senza bisogno che tu lo sollevi a ogni passaggio.
Scala un obiettivo in centinaia di attività parallele
Quando un solo agent non basta per l'entità del lavoro, Kimi Agent Swarm suddivide l'obiettivo tra oltre 100 sub-agent e supporta fino a 1.500 chiamate parallele agli strumenti. È pensato per ricerche su larga scala, scrittura di testi lunghi ed elaborazione in batch: lo stesso ciclo basato su obiettivi, moltiplicato.
Sei sempre tu a stabilire i confini
La progettazione basata su obiettivi lascia alle persone il controllo dei risultati, e Kimi funziona allo stesso modo. Tu definisci l'obiettivo e i vincoli, poi rivedi il piano e il risultato finale. I fatti importanti e le decisioni con conseguenze rilevanti restano soggetti a revisione umana. L'autonomia gestisce il percorso; il giudizio resta a te.
Limiti e sfide
Gli agent basati su obiettivi offrono più flessibilità rispetto all'automazione fissa, ma introducono anche nuove modalità di guasto. Un obiettivo vago può indirizzare l'agent verso il risultato sbagliato, mentre uno spazio decisionale ampio può rendere la pianificazione costosa. I piani possono inoltre diventare obsoleti quando l'ambiente cambia. Priorità in conflitto possono richiedere un ragionamento basato sull'utilità o il giudizio umano invece di un semplice test di completamento. I guasti degli strumenti e i dati non aggiornati creano ulteriori rischi, specialmente quando l'agent può modificare sistemi esterni. Le implementazioni affidabili richiedono quindi risultati degli strumenti convalidati, ripianificazione controllata, permessi limitati, log visibili e approvazione umana per le azioni ad alto impatto.
Conclusione
Un agent basato su obiettivi lavora per raggiungere un risultato definito invece di rispondere solo all'ultimo input. Utilizza un ciclo che collega la pianificazione all'azione, quindi valuta il risultato osservato prima di scegliere il passo successivo. Questo approccio è adatto ai flussi di lavoro in cui la destinazione è chiara ma il percorso può cambiare. Inizia con criteri di successo espliciti e permessi limitati. Aggiungi complessità solo quando il flusso di lavoro lo richiede. Kimi Agent offre un modo pratico per esplorare l'esecuzione di attività orientate agli obiettivi senza dover costruire un'architettura di agent da zero.