From Goals to Aspects, Revisited: An NFR Pattern Language for Agentic AI Systems

1. Il Problema: La Crisi dei Sistemi AI Agentic

I sistemi di AI Agentic (agenti autonomi basati su Large Language Models - LLM) rappresentano un'area in rapida crescita, ma la maggior parte dei progetti fallisce prima di raggiungere la produzione. Un fattore critico, spesso sottovalutato, è la scarsa ingegnerizzazione dei Requisiti Non Funzionali (NFR).

• Frammentazione e Intreccio (Scattering & Tangling): In molti framework di agenti attuali, preoccupazioni trasversali come sicurezza, osservabilità, gestione dei costi e tolleranza ai guasti sono implementate in modo ad-hoc. Ad esempio, i controlli di autorizzazione sono dispersi tra diversi gestori di strumenti, il logging è incoerente e i limiti di costo sono spesso assenti.
• Alta Densità di Crosscutting: A differenza del software tradizionale, un singolo compito di un agente (es. "Chiamare un provider LLM") tocca simultaneamente sicurezza (rischio di prompt injection), costi (consumo di token), affidabilità (disponibilità del provider) e osservabilità. Questa densità di sovrapposizione rende difficile la modularizzazione con tecniche tradizionali.
• Mancanza di Soluzioni Specifiche: Le tecniche di Aspect-Oriented Programming (AOP) esistenti non coprono le nuove sfide specifiche degli agenti, come la difesa dagli injection, la gestione dei budget di token o la sandboxing degli strumenti.

2. Metodologia: Dagli Obiettivi agli Aspetti (Goals-to-Aspects)

L'autore rivisita ed estende la metodologia proposta nel 2004, adattandola al dominio dell'AI Agentic attraverso un processo in tre fasi:

Fase 1: Modellazione degli Obiettivi dell'Agente

Viene costruito un modello i* (Strategic Dependency e Strategic Rationale) che identifica gli attori (Utente, Sistema Agente, Provider LLM, Provider di Strumenti, Operatore) e le loro dipendenze.

• Si decompongono gli obiettivi funzionali (cosa fa l'agente) e si tracciano i collegamenti di contributo verso gli softgoals NFR (come sicurezza, efficienza dei costi).
• Vengono identificati compiti specifici che contribuiscono a più softgoals contemporaneamente.

Fase 2: Analisi del Grafo-V Esteso (V-Graph Analysis)

Il modello V-graph originale (che collegava un obiettivo funzionale, un softgoal NFR e un compito) viene esteso per gestire la densità di crosscutting multi-dimensionale.

• Definizione di Densità ($\delta$): Per un compito $t$, $\delta(t)$ è il numero di softgoals NFR a cui contribuisce.
• Grafici V Sovrapposti: Mentre nel software tradizionale $\delta$ era spesso $\le 2$, nei sistemi agentici compiti come "Chiamare LLM" possono avere $\delta \ge 4$. Questo crea grafi V sovrapposti che condividono lo stesso vertice inferiore (il compito) ma si collegano a diversi softgoals, richiedendo una composizione ordinata di più aspetti nello stesso punto di giunzione (join point).
• Validazione Empirica: L'analisi del modello di obiettivi viene validata misurando lo "scattering" (dispersione) nel codice sorgente reale.

Fase 3: Istanza dei Pattern

Ogni candidato aspetto validato viene trasformato in un Pattern Language concreto, mappando il modello i* a un'implementazione specifica in Rust utilizzando il framework AOP ASPECT-RS.

3. Contributi Chiave

Il paper presenta tre contributi principali:

1. Linguaggio di Pattern per AI Agentic:
   Una collezione di 12 pattern riutilizzabili organizzati in 4 categorie NFR (Sicurezza, Affidabilità, Osservabilità, Gestione Costi).

   • 4 Pattern Novelli (Specifici per Agenti):
     • Tool Scope Sandbox: Isola l'esecuzione degli strumenti per prevenire accessi non autorizzati.
     • Prompt Guard: Rileva e blocca gli attacchi di prompt injection.
     • Token Budget Manager: Gestisce i costi monitorando e limitando il consumo di token.
     • Action Audit Trail: Traccia le decisioni e le azioni dell'agente per conformità e debug.
   • 8 Pattern Esistenti (Adattati): Include pattern noti come Circuit Breaker, Rate Limiter, Structured Logger, ecc., adattati ai punti di giunzione specifici degli agenti.
   • Composizione: Definisce un ordine di composizione rigoroso (es. Autenticazione $\to$ Scope $\to$ Guard $\to$ Throttle $\to$ Budget $\to$ Audit).

2. Estensione del Modello V-Graph:
   Un'estensione teorica che cattura come i compiti degli agenti soddisfino simultaneamente obiettivi funzionali e multipli softgoals NFR, permettendo di identificare sistematicamente le preoccupazioni trasversali ad alta densità.

3. Validazione Empirica (Case Study ZEROCLAW):
   Analisi di un framework open-source di agenti autonomi scritto in Rust (ZEROCLAW, 192 file, ~129k righe di codice).

   • Sono stati analizzati 4 snapshot temporali del codice per studiare l'evoluzione.
   • È stata quantificata la dispersione delle preoccupazioni: ad esempio, la gestione degli errori tocca l'81% dei file, la sicurezza il 52%, e la validazione dei percorsi il 34%.
   • Dimostrazione che le preoccupazioni NFR sono strutturalmente stabili e crescono proporzionalmente al codice, confermando la necessità di modularizzazione.

4. Risultati e Validazione

Lo studio di caso su ZEROCLAW ha fornito evidenze quantitative:

• Scattering: Le implementazioni di preoccupazioni come il rate limiting erano duplicate in 3 implementazioni indipendenti su 8 file diversi, con API e formati di errore incoerenti.
• Assenza di Copertura: L'analisi V-graph ha identificato preoccupazioni critiche (es. difesa da prompt injection, audit trail strutturato) che erano assenti nell'implementazione originale del framework.
• Proof-of-Concept: Applicando i pattern proposti (in particolare il Rate Limiter e il Token Budget), è stato possibile ridurre il codice specifico per la preoccupazione da ~195 righe a 8 righe di annotazioni dichiarative (riduzione del 96%), eliminando la duplicazione e garantendo coerenza.
• Stabilità Evolutiva: L'analisi temporale ha mostrato che, senza intervento architetturale, la dispersione del codice NFR cresce linearmente con la dimensione del progetto. L'approccio AOP rompe questa ereditarietà, permettendo ai nuovi moduli di ereditare solo le annotazioni degli aspetti.

5. Significato e Implicazioni

Questo lavoro è significativo per diversi motivi:

• Ponte tra RE e Implementazione: Colma il divario tra l'analisi dei requisiti (modellazione i*) e l'implementazione del codice (AOP in Rust), fornendo sia il "perché" (modello di obiettivi) sia il "come" (pattern di codice).
• Sicurezza e Conformità: Offre un approccio sistematico per affrontare i rischi critici degli LLM (come quelli elencati nell'OWASP Top 10 per LLM), rendendo la sicurezza e l'audit tracciabili fin dalla fase di progettazione.
• Sostenibilità: La gestione dei budget di token e la cache delle risposte contribuiscono alla sostenibilità computazionale degli agenti.
• Generalizzabilità: Sebbene lo studio sia su un framework Rust, i concetti di crosscutting ad alta densità e la necessità di modularizzazione sono applicabili a qualsiasi architettura di agenti autonomi, indipendentemente dal linguaggio di programmazione.

In conclusione, il paper dimostra che le tecniche orientate agli aspetti non sono solo applicabili, ma essenziali per ingegnerizzare sistemi AI agentic affidabili, scalabili e sicuri, trasformando la gestione delle preoccupazioni trasversali da un problema ad-hoc a un processo ingegneristico disciplinato.