Riutilizzo gli stessi componenti di architettura nei miei sistemi AI: agenti, memoria, orchestrazione, retrieval e tool, per ingegneri e committenti tecnici.
I pattern di architettura che riutilizzo tra i progetti.
Coordinamento, transizioni di stato e confini di esecuzione tipizzati per agenti che devono lavorare insieme.
Memoria episodica, retrieval semantico, compressione e contesto riproducibile per agenti che richiedono continuità.
Esecuzione durevole, retry, branching, checkpoint e gate umani per workflow AI in produzione.
Pipeline di embedding, ricerca ibrida, filtri sui metadati, reranking ed eval set stabili per sistemi RAG.
Integrazioni MCP, tool tipizzati, confini di permesso, schemi di routing e adapter di protocollo.
Regression suite, casi avversariali, trace review, monitoraggio dei costi ed evidenza che un sistema è pronto al rilascio.
Una pagina per ogni argomento: ciascuna collega il concetto ai componenti, ai progetti e agli articoli.
Pattern architetturali per coordinare più agenti AI con ruoli chiari, stato condiviso, tool e failure handling.
Routing, delegazione, checkpoint e pattern di supervisione per workflow agentici in produzione.
Progettazione di workflow con stato persistente per sistemi AI che richiedono branching, retry e audit trail.
Pattern per workflow AI che superano failure parziali e restano ispezionabili dopo ogni run.
Memory layer per sistemi AI: recall semantico, tracce episodiche, compressione, persistenza ed eval del retrieval.
Integrazioni del Model Context Protocol, identità del connector, confini dei tool e interfacce operative per agenti.
Ricerca ibrida, pipeline di embedding, strategia per i metadati, reranking ed eval per sistemi RAG in produzione.
Scrivi a info@gianlucamazza.it il problema operativo e i sistemi coinvolti. Quando c’è già un prototipo funzionante, il primo passo è la review di production readiness. Quella review non include modifiche al codice.