Sistemi AI come infrastruttura
Agenti, tool, memoria, retrieval ed eval dentro runtime osservabili e durevoli.
Progetto architetture production-grade in cui autonomia, stato e side effect restano espliciti, testabili e recuperabili.
Componenti architetturali riusabili per sistemi AI che richiedono stato, orchestrazione, retrieval, tool, eval e recovery.
Delegazione, coordinamento, transizioni di stato e confini di esecuzione tipizzati per workflow autonomi.
Memoria episodica, retrieval semantico, compressione, persistenza e contesto riproducibile per agenti stateful.
Esecuzione durevole, retry, branching, checkpoint e gate human-in-the-loop per flussi AI in produzione.
Il modello operativo dietro il lavoro: esecuzione esplicita, comportamento misurabile e affidabilità da infrastruttura.
Preferire esecuzione vincolata, recovery e comportamento misurabile rispetto ad autonomia impressionante ma fragile.
Gli agenti in produzione richiedono stato durevole, contesto riproducibile e controllo del ciclo di vita, non solo catene di prompt.
Ogni workflow deve esporre trace, decisioni, chiamate tool, costi e percorsi di recovery.
L'autonomia deve stare dentro gate espliciti, percorsi di escalation e modelli di esecuzione revisionabili.
Progetti, note di ricerca e scrittura sono collegati dagli stessi primitivi architetturali.
Sistemi concreti convertiti in case study: problema, architettura, modello runtime, tooling, affidabilità, tradeoff.
Note ed esperimenti su memoria, orchestrazione, runtime design, MCP e infrastruttura agentica.
Articoli tecnici su pattern production per agenti, workflow durevoli, evaluation, RAG e sistemi stateful.