In breve
Dia a ogni agente un obiettivo verificabile che concluda l'esecuzione, limiti rigidi su passi, token, tempo e spesa, e un rilevamento dei cicli che lo fermi quando si ripete. Riduca il contesto che ogni passo si porta dietro, usi codice semplice per le decisioni che una regola può prendere e affidi i sotto-compiti semplici a modelli piccoli. Gli agenti possono usare molte volte i token di una chat, quindi questi limiti ripagano in fretta.
Passaggi
- Definisca un controllo di successo che concluda l'esecuzione non appena l'obiettivo è raggiunto.
- Fissi limiti rigidi su passi, token, tempo e spesa, e registri quando un'esecuzione ne raggiunge uno.
- Rilevi azioni ripetute o messaggi quasi identici e fermi l'esecuzione.
- Riassuma o elimini la cronologia vecchia, così che ogni chiamata legga meno.
- Usi codice semplice per le decisioni basate su regole e modelli piccoli per i sotto-compiti semplici.
- Registri i token per compito completato, compresi i nuovi tentativi e le esecuzioni fallite.
Imponga limiti e una condizione di arresto a ogni agente prima che arrivi in produzione. Gli agenti chiamano un modello più e più volte, e ogni chiamata di solito si porta dietro la cronologia crescente del compito.
Perché è importante?
Anthropic ha riferito che i suoi agenti usavano in genere circa quattro volte i token di una chat, e i sistemi multi-agente circa quindici volte. Cemri e colleghi hanno analizzato oltre 1.600 tracce di sette framework multi-agente e hanno individuato 14 modalità di fallimento distinte, da una cattiva specifica del compito ad agenti che non verificano il proprio lavoro. Ognuna è un modo di spendere token senza ottenere un risultato.
Quali protezioni funzionano?
- Una condizione di arresto. Il pattern della Green Software Foundation sull'orchestrazione degli agenti consiglia di interrompere i cicli degli agenti quando gli obiettivi sono raggiunti, invece di eseguire un numero fisso di iterazioni.
- Limiti rigidi. La maggior parte dei framework li supporta; l'OpenAI Agents SDK, per esempio, ha
un'impostazione
max_turnsche ferma un'esecuzione quando viene superata. I limiti devono fallire in modo sicuro: fermarsi e segnalare, non riprovare in silenzio. - Rilevamento dei cicli. Segnali le chiamate ripetute agli strumenti o i messaggi quasi identici tra agenti.
- Riduzione del contesto. Porti avanti dei riassunti, non interi documenti e log. Veda come smettere di reinviare l'intera conversazione.
- Cache. Non faccia due volte la stessa domanda: veda come usare la cache.
Che cosa fa la differenza maggiore?
Usare lo schema meno elaborato che funziona. Uno script fisso o una sola chiamata al modello con un buon prompt e uno strumento spesso bastano. Il passo successivo è un singolo agente con un limite di passi, e più agenti solo per compiti ampi, di valore e davvero parallelizzabili. Un sandpit (laboratorio di ricerca intensivo e collaborativo) britannico sull'IA verde del 2026, che ha riunito matematici, informatici e industria, ha segnalato gli sciami di agenti che restano intrappolati in cicli come una fonte di spreco reale e poco studiata.
Legga IA agentica e spreco di token per le prove.
Fonti
- How we built our multi-agent research system, Anthropic (2025)
- Why do multi-agent LLM systems fail?, Cemri et al. (2025)
- Running agents (max_turns), OpenAI Agents SDK documentation (2025)
- Optimize agent orchestration to reduce unnecessary model calls, Green Software Foundation, Green Software Patterns (2025)
Correlati
IA agentica e spreco di token
Perché gli agenti di IA possono consumare molte volte i token e l'energia di una chat, come i loop li sprecano e quali limiti li mantengono proporzionati.
Come instrado le richieste verso modelli più piccoli?
Come instradare le richieste di routine verso un modello piccolo e solo quelle difficili verso uno grande, e come regolare il router perché i nuovi tentativi non annullino il risparmio.
Come uso la cache per ridurre l'energia delle chiamate a un LLM?
Due tipi di cache che riducono il lavoro di un LLM: il prompt caching del fornitore per il contesto ripetuto e una cache propria per non rispondere due volte alla stessa domanda.
Come uso gli agenti di IA e gli strumenti di deep research senza sprechi?
Quando agenti di IA e modalità di deep research valgono il loro consumo di token molto più alto, e come istruirli perché finiscano presto invece di girare a vuoto.