greenai.guide

Home › Come faccio a…? › Come evito che gli agenti di IA sprechino token?

Come faccio a…?

Come evito che gli agenti di IA sprechino token?

Aggiornato · 2 min di lettura

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

  1. Definisca un controllo di successo che concluda l'esecuzione non appena l'obiettivo è raggiunto.
  2. Fissi limiti rigidi su passi, token, tempo e spesa, e registri quando un'esecuzione ne raggiunge uno.
  3. Rilevi azioni ripetute o messaggi quasi identici e fermi l'esecuzione.
  4. Riassuma o elimini la cronologia vecchia, così che ogni chiamata legga meno.
  5. Usi codice semplice per le decisioni basate su regole e modelli piccoli per i sotto-compiti semplici.
  6. 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_turns che 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

  1. How we built our multi-agent research system, Anthropic (2025)
  2. Why do multi-agent LLM systems fail?, Cemri et al. (2025)
  3. Running agents (max_turns), OpenAI Agents SDK documentation (2025)
  4. Optimize agent orchestration to reduce unnecessary model calls, Green Software Foundation, Green Software Patterns (2025)

Si unisca a noi

Aiuti a ridurre l'impatto dell'IA sul pianeta

Riceva per email nuove guide, bandi di finanziamento e schede delle directory, circa una volta al mese. Oppure aggiunga il suo prodotto, corso, dottorato o ricerca alle directory.

Nessun tracciamento. Disiscrizione con un clic. Altri modi per partecipare · Privacy