🤖 AI

Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs

Questo documento propone una pipeline per generare dinamicamente agenti basati su persona su richiesta durante l'esecuzione, al fine di superare i limiti delle architetture multi-agente fisse e hard-coded adattando i flussi di lavoro a esigenze e contesti specifici dell'utente.

Autori originali: Giuseppe Arbore, Andrea Sillano, Luigi De Russis

Pubblicato 2026-05-01

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Giuseppe Arbore, Andrea Sillano, Luigi De Russis

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 entrare in un ristorante dove la cucina è gestita da un team di robot. Nella versione attuale di questo ristorante, i robot hanno mansioni fisse che non cambiano mai. Un robot è sempre lo chef burbero che parla solo con comandi brevi e tecnici. Un altro è sempre il cameriere lento e eccessivamente gentile. Non importa chi sei o cosa ordini, la cucina funziona esattamente allo stesso modo. Se desideri un pasto veloce e informale, devi comunque affrontare lo chef burbero. Se vuoi una spiegazione dettagliata del tuo cibo, devi comunque aspettare il cameriere lento.

Questo articolo sostiene che questo approccio "taglia unica" sta frenando il potenziale dell'intelligenza artificiale. Gli autori, ricercatori del Politecnico di Torino, propongono un nuovo modo per costruire questi team di IA (chiamati "sistemi multi-agente") in cui i robot possono cambiare personalità e ruoli in tempo reale, appositamente per te.

Ecco come funziona la loro idea, scomposta in passaggi semplici:

Il Problema: La Cucina Rigida

Attualmente, la maggior parte dei sistemi di IA avanzati è costruita con una struttura "codificata a mano". I progettisti decidono in anticipo: "L'agente A sarà sempre il pianificatore, l'agente B sarà sempre il ricercatore, e parleranno sempre tra loro in questo ordine specifico".

Il Problema: Se sei un esperto che desidera una risposta rapida, il sistema potrebbe comunque costringerti a un processo lento e adatto ai principianti. Se sei un principiante che ha bisogno di una spiegazione amichevole, il sistema potrebbe fornirti un rapporto freddo e tecnico. Il sistema non conosce te; conosce solo il suo script pre-scritto.

La Soluzione: La Cucina "Camaleonte"

Gli autori suggeriscono un sistema in cui il team di IA viene costruito in tempo reale in base a ciò di cui hai bisogno in quel preciso momento. Pensa a una cucina in cui i robot possono trasformarsi istantaneamente nella personalità necessaria per aiutarti te specificamente.

Se poni una domanda complessa, il sistema potrebbe creare istantaneamente una personalità da "professore severo ma brillante" per spiegare i dettagli. Se poni una domanda semplice, potrebbe passare a una personalità da "vicino amichevole" per dare una risposta rapida e informale.

Come Funziona: La Pipeline in Quattro Passaggi

L'articolo descrive un processo specifico (una pipeline) che avviene ogni volta che poni una domanda. Ecco il flusso:

Ascolto e Comprensione (Analisi della Query):
Per prima cosa, il sistema ascolta la tua domanda. Non si limita a leggere le parole; cerca di capire chi sei (sei un esperto o un principiante?) e cosa vuoi davvero (hai bisogno di un riassunto veloce o di un'analisi approfondita?). Scompone la tua grande domanda in compiti più piccoli e gestibili.
Creazione del Team (Generazione degli Agenti):
Questo è il passaggio magico. In base a ciò che ha appreso nel primo passaggio, il sistema crea gli agenti di IA perfetti sul momento.
- Non sceglie da un elenco preesistente. Scrive una nuova "descrizione del lavoro" (una personalità) per un robot che si adatta alle tue esigenze.
- Esempio: Se hai bisogno di un programmatore, crea una personalità da "programmatore preciso e senza fronzoli". Se hai bisogno di uno scrittore creativo, crea una personalità da "scrittore immaginativo e fiorito".
- Successivamente "sveglia" questi nuovi agenti, fornendo loro istruzioni specifiche e tratti di personalità.
Il Team Mette Mani all'Opera (Esecuzione):
Il sistema assegna i piccoli compiti agli agenti appena creati. Se due compiti possono essere eseguiti contemporaneamente, gli agenti lavorano in parallelo. Se un compito richiede il risultato di un altro, il sistema si assicura che il primo agente finisca prima che il secondo inizi. Lavorano insieme, ma sono tutti adattati alla tua richiesta specifica.
Servire il Piatto Finale (Aggregazione):
Una volta che tutti gli agenti hanno completato la loro parte, il sistema raccoglie il loro lavoro. Unisce i pezzi in una risposta unica, fluida e coerente. Si assicura che il tono sia consistente e che il risultato finale corrisponda esattamente a ciò che hai chiesto, eliminando qualsiasi ripetizione o confusione.

Perché Questo È Importante

Il punto principale dell'articolo è che dovremmo smettere di trattare gli agenti di IA come strumenti statici con personalità fisse. Invece, dovremmo trattarli come performer dinamici che possono cambiare il loro atto per adattarsi al pubblico.

Modo Attuale: Devi adattarti allo stile fisso dell'IA.
Nuovo Modo: L'IA adatta il suo stile, il suo ruolo e la struttura del suo team per adattarsi a te.

Gli autori credono che questo renda la tecnologia più utile e meno frustrante. Permette al sistema di essere un "camaleonte", cambiando i suoi colori per adattarsi alle competenze, alle preferenze e alla situazione specifica dell'utente, invece di costringere ogni utente a rientrare in un unico stampo rigido.

In sintesi: Invece di un team di robot che agisce sempre allo stesso modo, immagina un team che può diventare istantaneamente gli esperti esatti di cui hai bisogno, parlando esattamente nel modo che preferisci, ogni singola volta che chiedi aiuto. È questo che propone questo articolo.

Sulla base del documento "Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs" di Arbore, Sillano e De Russis, segue un riassunto tecnico dettagliato.

1. Enunciazione del Problema

I sistemi multi-agente (MAS) attuali, potenziati da Modelli Linguistici di Grande Dimensione (LLM), soffrono di vincoli architettonici rigidi.

Scelte Fisse in Fase di Progettazione: I sistemi esistenti si basano su ruoli degli agenti hard-coded, pattern di coordinamento predefiniti e flussi di interazione statici stabiliti prima della distribuzione.
Mancanza di Adattabilità: Questi schemi fissi rendono difficile adattare le interazioni a specifiche esigenze dell'utente, livelli di competenza o sfumature contestuali senza riscrivere manualmente i prompt o riprogettare la logica di orchestrazione.
Il Divario: Sebbene il "prompting basato su persona" sia noto per influenzare il ragionamento e lo stile di output degli LLM, le attuali architetture agentiche non trattano le persone come variabili dinamiche in fase di esecuzione. Rimangono invece "editor di stile" statici piuttosto che componenti architetturali fondamentali per l'adattabilità.

2. Metodologia: La Pipeline di Generazione di Persona Su Richiesta

Gli autori propongono una nuova pipeline che sposta la configurazione degli agenti dalla fase di progettazione alla fase di esecuzione. Il sistema sintetizza dinamicamente le persone e i ruoli degli agenti in base alla query dell'utente, alle sue caratteristiche e al contesto del compito.

La pipeline opera su un modello basato su sessione (mantenendo la coerenza attraverso più query all'interno di una sessione) e consiste in quattro fasi distinte gestite da un Orchestratore centrale:

Fase 1: Analisi della Query

L'orchestratore trasforma l'input grezzo e aperto dell'utente in una rappresentazione strutturata senza imporre modelli predefiniti.

ProfileEncode: Analizza la query dell'utente (segnali espliciti o impliciti) per generare un profilo utente ( $u$ ). Questo cattura la competenza nel dominio, lo stile di comunicazione preferito, la familiarità con il compito e l'intento specifico.
TaskDecompose: Scompone la query in un insieme di compiti discreti ( $t_1...t_n$ ). Crucialmente, questa fase mappa le dipendenze tra i compiti, determinando quali possono essere eseguiti in parallelo e quali devono essere sequenziali.

Fase 2: Generazione e Istanza degli Agenti

Questa è l'innovazione principale in cui i ruoli statici sono sostituiti da una sintesi dinamica.

PersonaCraft: Per ogni sottocompito, il sistema elabora dinamicamente una Specificazione di Persona ( $p_i$ ). Questa specifica definisce il ruolo dell'agente, le competenze nel dominio, lo stile di comunicazione e le capacità di utilizzo degli strumenti. Garantisce che non vengano creati ruoli duplicati e si allinea al profilo dell'utente.
AgentFactory: Istanza un'istanza di agente supportata da LLM ( $a_i$ ) utilizzando la persona sintetizzata. La persona agisce come un livello di configurazione che modella lo stile di ragionamento dell'agente, il comportamento di interazione e il formato di output.

Fase 3: Assegnazione ed Esecuzione degli Agenti

L'orchestratore gestisce il flusso di esecuzione in base al grafo delle dipendenze generato nella Fase 1.

Pianificazione: I compiti senza dipendenze vengono eseguiti in parallelo; i compiti dipendenti vengono accodati in sequenza.
Instradamento Controllato delle Informazioni: Gli agenti ricevono solo il contesto specifico e i risultati parziali di cui hanno bisogno dagli agenti precedenti. Questo preserva la modularità e impedisce agli agenti di dover conoscere il funzionamento interno degli altri.
Esecuzione: Ogni agente esegue il compito assegnato ( $r_i$ ) e restituisce un risultato parziale.

Fase 4: Aggregazione e Visualizzazione delle Risposte

Integrazione: L'orchestratore aggrega tutti i risultati parziali ( $r_1...r_n$ ).
Raffinamento: Unisce le risposte, risolve le incoerenze, rimuove le ridondanze e allinea l'output finale allo stile e al formato richiesti dall'utente.
Consegna: Una singola risposta coerente ( $R$ ) viene consegnata all'utente.

Continuità della Sessione: Se un utente invia una nuova query all'interno della stessa sessione, la pipeline viene rieseguita. Le persone e gli agenti precedentemente istanziati vengono mantenuti, e ne vengono aggiunti di nuovi solo se è richiesta una specializzazione aggiuntiva.

3. Contributi Chiave

Sintesi di Persona in Fase di Esecuzione: Il documento introduce un framework in cui i ruoli degli agenti e le politiche di interazione non sono costanti fisse ma variabili in fase di esecuzione generate su richiesta per corrispondere al contesto dell'utente.
Pipeline di Integrazione Sistematica: Dettaglia una pipeline tecnica in quattro fasi (Analisi, Generazione, Esecuzione, Aggregazione) che integra la creazione di persone direttamente nel ciclo di orchestrazione degli agenti.
Adattabilità Basata su Sessione: Il design permette al sistema di evolversi all'interno di una sessione, mantenendo gli agenti utili mentre ne aggiunge di nuovi dinamicamente, garantendo coerenza senza richiedere un completo reset del sistema.
Disaccoppiamento tra Utente e Topologia del Sistema: Il sistema si adatta all'utente, invece di costringere l'utente ad adattarsi a una topologia fissa degli agenti.

4. Risultati e Valutazione

Nota: Poiché questo sembra essere un documento di posizione o una proposta per un workshop (AutomationXP26), il testo non presenta risultati empirici quantitativi (ad esempio, punteggi di benchmark, metriche di latenza o statistiche di studi sugli utenti).

Argomento Qualitativo: Gli autori sostengono che questo approccio affronta l'"attrito" che gli utenti sperimentano con sistemi multi-agente rigidi.
Validazione Teorica: La metodologia sfrutta ricerche esistenti che dimostrano come il prompting basato su persona influenzi le strategie di ragionamento, le prestazioni zero-shot e la qualità dell'interazione (credibilità, coinvolgimento).
Cambiamento di Paradigma di Progettazione: I "risultati" sono presentati come un nuovo paradigma di progettazione per le piattaforme agentiche, che si sposta dalle configurazioni "taglia unica" verso un'adattabilità sensibile al contesto.

5. Significato e Impatto

Personalizzazione Potenziata: Trattando le persone come variabili controllate, il sistema può adattare le interazioni a diversi background degli utenti, livelli di competenza e preferenze (ad esempio, tono, verbosità).
Scalabilità dell'Adattamento: Risolve il problema della scalabilità della configurazione manuale. Invece di creare migliaia di profili di agenti predefiniti, il sistema genera il profilo necessario per il momento specifico.
Collaborazione Uomo-AI: Questo approccio riduce il carico cognitivo sugli utenti, che non devono più comprendere gerarchie complesse di agenti. Il sistema diventa un'interfaccia "fluida" che si modella sull'intento dell'utente.
Futuro dell'AI Agente: Il documento posiziona la generazione di persone su richiesta come un pilastro architettonico fondamentale (insieme a memoria, strumenti e orchestrazione) per la prossima generazione di sistemi agentic accessibili e significativi.