Loop Engineering: come si sono evoluti gli agenti AI
Un'analisi in 4 fasi dell'evoluzione degli agenti AI: dal system prompt cresciuto a 25.000 token, fino ai loop autonomi che si auto-interrogano e ciclano fino al raggiungimento dell'obiettivo.
Giacomo Mirandola — Product & Frontend Engineer ·
TL;DR — In pochi anni siamo passati dallo scrivere prompt sempre più lunghi al progettare loop che si auto-eseguono. Ecco le 4 fasi che spiegano come i modelli linguistici sono diventati veri agenti autonomi, e perché in BlueSky le usiamo tutte per costruire agent che lavorano davvero.
1. Prompt Engineering: le istruzioni di base
Cos'è. Il metodo iniziale per guidare i modelli AI: scrivere un system prompt con istruzioni chiare e un ruolo (“sei un avvocato”, “sei un front-end developer”).
L'evoluzione del prompt. Per fare in modo che il modello rispondesse esattamente alle istruzioni, i prompt sono diventati sempre più giganteschi, arrivando a pesare anche 25.000 token per includere esempi di risposte corrette, limitazioni e linee guida rigorose.
2. Context Engineering: l'era degli strumenti e della memoria
La nascita degli agent. In questa fase i Large Language Model diventano veri e propri agenti in grado di interagire in autonomia con file locali, web e applicazioni esterne tramite protocolli come l'MCP.
Il problema del Context Rot. Ad ogni tool utilizzato (una ricerca web, la lettura di un CRM), le informazioni riempiono la context window del modello. Superati i 200.000 token, le performance iniziano a degradare drasticamente.
La soluzione imperfetta. Il Context Engineering gestisce il problema accorciando le risposte e compattando (via riassunti) le informazioni per liberare spazio — ma paga il prezzo di una perdita progressiva di prestazioni.
3. Harness Engineering: l'impalcatura esterna e il file system
Il nuovo paradigma. Invece di continuare a riassumere la memoria, l'Harness Engineering introduce un'impalcatura esterna che struttura i task complessi in sotto-task.
Estensione della memoria. Per evitare di saturare la finestra di contesto, l'agent scrive il proprio storico e le proprie decisioni direttamente su file locali (tipicamente file Markdown, come memory.md).
Svuotamento intelligente. Una volta completato un sotto-task, la memoria a breve termine viene svuotata. Nello step successivo, l'agent usa la ricerca semantica per rileggere dai file locali solo le informazioni di cui ha bisogno — ripartendo dal punto esatto in cui era rimasto.
4. Loop Engineering: l'automazione continua
Cos'è. L'ultima evoluzione: prendere tutta la struttura dell'Harness Engineering e inserirla dentro loop di automazione, creando un “loop su loop”.
Agent che si auto-promptano. L'utente non deve più correggere o spingere l'agent passo dopo passo. L'agent si auto-interroga e continua a ciclare usando i propri tool finché il problema non è risolto o l'obiettivo raggiunto.
Trigger e Goal. I loop partono da trigger (una nuova issue su GitHub, una mail, una notifica) o comandi prestabiliti (come /goal) a cui vengono dati tentativi e condizioni di terminazione.
Livelli di verifica. Affinché il loop sappia quando fermarsi in autonomia, usa diverse condizioni:
- Deterministiche — il codice non produce errori.
- Regole vincolanti — l'esecuzione deve impiegare meno di 100 ms.
- Verità ritardate nel tempo — aspettare che un post sui social raggiunga 300 like.
- LLM as a judge — un altro modello valuta la qualità dell'output.
- Human in the loop — il controllo finale rimane all'utente.
Perché conta per la tua azienda
Il futuro dell'AI non è nella scrittura del singolo comando: è nel design di sistemi ciclici capaci di auto-migliorarsi. È questo il salto che trasforma un chatbot in un agent operativo — capace di correggere bug, ottimizzare processi o aggiornare contenuti in autonomia, con supervisione umana solo dove serve davvero.
In BlueSky costruiamo i nostri agent applicando tutte e quattro le fasi: prompt curati, context engineering per la memoria, harness per orchestrare task complessi, e loop di verifica per garantire risultati misurabili. Parlaci del tuo caso e vediamo insieme quale livello serve al tuo business.