🤖 AI

NormCode Canvas: Making LLM Agentic Workflows Development Sustainable via Case-Based Reasoning

Il paper presenta NormCode Canvas, un sistema che rende sostenibili i flussi di lavoro agentic LLM multi-step applicando il ragionamento basato su casi a due livelli attraverso un linguaggio di pianificazione semi-formale, garantendo checkpoint isolati, revisione automatica e un ecosistema auto-rifinito in cui i piani generano, debuggano e perfezionano reciprocamente se stessi.

Autori originali: Xin Guan, Yunshan Li, Ze Wang

Pubblicato 2026-03-17

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Xin Guan, Yunshan Li, Ze Wang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover costruire un grattacielo con l'aiuto di un architetto molto intelligente, ma un po' distratto: l'Intelligenza Artificiale (LLM). Finora, dare istruzioni a questo architetto era come parlare con lui mentre camminavate per la città: se ti fermavi a metà strada per correggere un errore, l'architetto spesso dimenticava cosa avevate deciso prima, o peggio, continuava a costruire basandosi su vecchie conversazioni che non aveva più in testa. Il risultato? Edifici storti, errori impossibili da trovare e la necessità di ricominciare tutto da capo.

Il paper che hai condiviso presenta NormCode Canvas, una soluzione rivoluzionaria per rendere questi "cantieri digitali" più stabili, controllabili e intelligenti nel tempo. Ecco come funziona, spiegato con parole semplici e metafore quotidiane.

1. Il Problema: Il "Diario di Bordo" Confuso

Nella maggior parte dei sistemi attuali, l'IA tiene traccia di tutto in un unico grande "diario di bordo" (la cronologia della conversazione). Se l'IA sbaglia al passo 10, non sai se l'errore è dovuto a quello che ha detto al passo 10 o a una confusione nata al passo 2. È come se un cuoco, mentre prepara una torta, mescolasse tutti gli ingredienti usati finora in una sola ciotola gigante: se la torta viene male, non sai se è colpa delle uova o della farina.

2. La Soluzione: NormCode e la "Scatola Magica"

NormCode introduce un nuovo modo di lavorare basato su una regola ferrea: l'isolamento.
Immagina che ogni singolo passo del lavoro dell'IA non sia un capitolo di un libro continuo, ma una scatola sigillata e autonoma.

La Regola della Scatola: Ogni volta che l'IA fa un calcolo o scrive una riga di codice, lo fa dentro una scatola. Dentro la scatola ci sono solo gli ingredienti necessari per quel passaggio specifico. Niente di più, niente di meno.
Il Risultato: Se la scatola si rompe (c'è un errore), sai esattamente qual è l'ingrediente sbagliato. Non devi rovistare in tutto il magazzino, basta guardare dentro quella singola scatola.

3. I Due Livelli di Intelligenza (CBR)

Il sistema usa una tecnica chiamata "Ragionamento Basato su Casi" (Case-Based Reasoning), che funziona su due livelli, come un archivio di ricette e un archivio di piatti già cucinati.

Livello 1: I "Piatti Finiti" (Casi Concreti)

Ogni volta che l'IA finisce un passaggio, il sistema salva lo stato esatto in una "scatola congelata" (un checkpoint).

L'Analogia: È come se ogni volta che l'architetto posa un mattone, scattasse una foto perfetta e congelasse il momento.
Cosa permette di fare:
- Ispezione: Puoi aprire qualsiasi "scatola" e vedere esattamente cosa c'era dentro, senza dover ricostruire tutto il lavoro precedente.
- Riparazione Mirata: Se sbagli un mattone al 50° piano, non devi demolire tutto l'edificio. Puoi prendere la scatola di quel piano, correggere l'errore e riprendere a costruire solo dal 51° piano in poi. Il sistema sa automaticamente quali parti dipendono da quella scatola e quali no.

Livello 2: Le "Ricette Maestre" (Casi Astratti)

Qui il sistema impara non solo dai singoli piatti, ma dalle ricette stesse.

L'Analogia: Se hai costruito 100 ponti e uno di essi aveva un problema di design, non correggi solo quel ponte (Livello 1), ma aggiorni il progetto originale (Livello 2) per tutti i ponti futuri.
Cosa permette di fare: L'IA può prendere una ricetta vecchia, modificarla per adattarla a un nuovo compito, e salvarla come una nuova "ricetta maestra". In questo modo, l'esperienza accumulata migliora l'intero sistema, non solo un singolo progetto.

4. La "Canvas": La Tavola di Controllo

NormCode Canvas è l'interfaccia grafica dove tutto questo avviene. Imminala come una lavagna interattiva magica:

Guarda prima di agire (C2): Prima che l'IA faccia qualsiasi cosa costosa o lenta, il sistema ti mostra una "storia" scritta in linguaggio umano che spiega cosa pensa di fare. Tu puoi dire: "Aspetta, questo piano è sbagliato", e correggerlo prima che inizi.
Debugging Automatico: C'è un assistente (Canvas Assistant) che può guardare i tuoi progetti, trovare errori e correggerli da solo, proprio come un programmatore umano che controlla il codice.

5. L'Ecosistema che si Auto-Alimenta

La parte più affascinante è che questo sistema crea un ciclo virtuoso:

I piani generano nuovi lavori (es. creare presentazioni PowerPoint o scrivere codice).
Questi lavori vengono salvati come "scatole" (Livello 1).
Un assistente speciale (NC Compilations) prende queste esperienze e scrive nuove ricette migliori (Livello 2).
Un altro assistente (Canvas Assistant) usa queste nuove ricette per debuggare e migliorare i vecchi lavori.

È come se un'azienda avesse un dipartimento di ricerca che, ogni giorno, analizza gli errori del giorno prima e scrive un manuale di istruzioni migliore per il giorno dopo, rendendo l'intera organizzazione sempre più intelligente e meno soggetta a errori.

In Sintesi

NormCode Canvas trasforma il lavoro con l'Intelligenza Artificiale da un "salto nel buio" in un processo di ingegneria controllato.
Non si tratta solo di fare le cose più velocemente, ma di renderle affidabili. Grazie a questa struttura a "scatole isolate", puoi fermarti, guardare, correggere e ripartire senza paura di rompere tutto il sistema, permettendo all'IA di imparare dai propri errori in modo strutturato e sostenibile, proprio come un umano farebbe in un laboratorio scientifico.

1. Il Problema: Fragilità e Mancanza di Trasparenza nei Flussi di Lavoro LLM

I flussi di lavoro multi-step basati su Large Language Models (LLM) sono diventati lo standard per le applicazioni di intelligenza artificiale. Tuttavia, framework esistenti come LangChain, LangGraph e AutoGen soffrono di limiti strutturali critici:

Stato Implicito Condiviso: Lo stato viene trasportato attraverso cronologie di conversazione e oggetti mutabili. Un checkpoint intermedio (es. al passo $k$ ) dipende spesso implicitamente da contesti precedenti non catturati nel checkpoint stesso.
Fragilità nel Debug e Ripresa: Il recupero da errori è instabile; il fallimento in un passo può essere causato da qualsiasi punto dello stato implicito accumulato, rendendo il fallimento "non localizzabile".
Mancanza di Isolamento Strutturale: Non esiste un linguaggio che garantisca che ogni passo sia un caso autosufficiente. Questo rende difficile la revisione sistematica, la riproduzione dei risultati e l'apprendimento cumulativo basato su casi precedenti.

2. Metodologia: NormCode e Architettura a Due Livelli

La soluzione proposta è NormCode Canvas, un sistema deployato che implementa il Case-Based Reasoning (CBR) su due livelli, fondato su NormCode, un linguaggio di pianificazione semi-formale.

A. Il Linguaggio NormCode

NormCode è progettato per garantire l'isolamento strutturale tramite una "regola di scope" (scope rule) verificata dal compilatore:

Ogni passo di inferenza accede solo ai dati dichiarati esplicitamente nel suo blocco di scope.
Non c'è condivisione implicita di contesto.
I checkpoint sono "casi" concreti e autosufficienti.
Il linguaggio supporta tre forme: sorgente semi-formale (.ncds), forma compilata rigorosa (.ncd) e narrativa in linguaggio naturale (.ncn) per la revisione pre-esecuzione.

B. Architettura CBR a Due Livelli

Il sistema organizza l'apprendimento e l'esecuzione in due livelli gerarchici:

Livello 1: Gestione dei Casi Concreti (Concrete Cases)
- Definizione: Un caso è un runtime NormCode sospeso a un indice di flusso specifico. Include uno snapshot del "Blackboard" (stato dei nodi) e del "Concept Repository" (tensori dei dati).
- Ciclo CBR:
  - Recupero (Retrieve): Selezione di un checkpoint precedente per riprendere l'esecuzione.
  - Riutilizzo (Reuse - Fork): Avvio di una nuova esecuzione caricando lo stato di un caso precedente senza rieseguire i passi a monte.
  - Revisione (Revise - Value Override): Modifica manuale di un tensore in un checkpoint. Il sistema marca automaticamente come "obsoleti" (stale) solo i nodi a valle dipendenti da quella modifica, permettendo una riesecuzione selettiva.
  - Conservazione (Retain): Ogni nodo completato scrive automaticamente un nuovo caso nel database.
Livello 2: Apprendimento dei Casi Astratti (Abstract Cases)
- Definizione: I piani stessi (i file .ncds compilati) sono considerati casi astratti che codificano pattern di workflow riutilizzabili.
- Ciclo CBR: Un operatore o un altro agente può recuperare un piano esistente, adattarlo a un nuovo compito, revisionarlo (modificando la logica) e conservarlo come nuovo caso astratto.
- Pipeline di Compilazione: La pipeline che trasforma le specifiche in piani eseguibili è essa stessa un piano NormCode (Livello 2), permettendo un apprendimento ricorsivo e auto-migliorante del sistema.

3. Contributi Chiave

Il paper presenta quattro contributi principali:

Account CBR a Due Livelli: Una nuova architettura che distingue tra casi concreti (runtime sospesi) e casi astratti (piani eseguibili), permettendo l'apprendimento sia a livello di esecuzione che a livello di design.
Linguaggio di Workflow Scoped: NormCode soddisfa sei proprietà fondamentali: Interpretabilità, Esecutività, Componibilità, Indirizzabilità Locale, Generalizzabilità e Portabilità.
Tre Capacità Strutturali Abilitate:
- (C1) Ispezione Diretta dei Checkpoint: Possibilità di esaminare gli input esatti e delimitati di qualsiasi passo senza ricostruire log.
- (C2) Revisione Strutturale Pre-Esecuzione: I piani vengono generati in narrativa leggibile (.ncn) prima di qualsiasi chiamata LLM, permettendo agli esperti umani di verificare la logica.
- (C3) Riesecuzione Selettiva Limitata allo Scope: Le modifiche a un checkpoint triggerano la riesecuzione solo dei nodi a valle dipendenti, ottimizzando risorse e tempo.
Evidenza Empirica: Dimostrazione attraverso quattro flussi di lavoro deployati che formano un ecosistema autosostenibile.

4. Risultati e Casi d'Uso

Il sistema è stato testato con quattro piani deployati che dimostrano l'efficacia del CBR a due livelli:

Generazione PPT: Crea presentazioni (circa 40 secondi per slide) utilizzando un ciclo annidato che produce sia HTML che PPTX. Dimostra l'indipendenza linguistica (il piano è scritto in cinese).
Code Assistant: Un workflow di ingegneria del software basato su ReAct (Osserva-Ragiona-Agisci) che esegue cicli di ragionamento fino a 10 passi per compiti di editing del codice.
NC Compilations: Un sistema che converte specifiche in linguaggio naturale in piani NormCode eseguibili (circa 15 passi), dimostrando la capacità di auto-generazione di piani.
Canvas Assistant: Un assistente integrato che, collegato a editor di codice esterni, automatizza il debug dei piani, ispezionando i checkpoint e applicando correzioni.

Questi piani formano un ciclo chiuso: NC Compilations produce piani; i piani accumulano casi Livello 1; Canvas Assistant debugga i fallimenti; Code Assistant estende la piattaforma.

5. Significato e Impatto

Il lavoro di NormCode Canvas rappresenta un cambio di paradigma nello sviluppo di agenti LLM:

Sostenibilità: Trasforma i flussi di lavoro LLM da processi "black-box" fragili a sistemi ispezionabili, modificabili e riproducibili.
Affidabilità: Elimina la dipendenza da stati impliciti, rendendo i fallimenti localizzabili e le riprese affidabili.
Apprendimento Cumulativo: Abilita un vero ciclo di apprendimento basato su casi a scala di sistema, dove ogni esecuzione contribuisce a migliorare sia i casi specifici (Livello 1) che i pattern generali (Livello 2).
Controllo Umano: Sposta il punto di intervento umano dalla semplice correzione di prompt alla revisione strutturale della logica di pianificazione prima dell'esecuzione.

In sintesi, NormCode Canvas non promette una qualità superiore universale nei task finali, ma risolve i problemi fondamentali di ispezionabilità, revisibilità e riesecuzione controllata, rendendo lo sviluppo di agenti LLM un processo ingegneristico sostenibile e scalabile.