# Come evito che gli agenti di IA sprechino token?

> Protezioni pratiche per gli agenti di IA: condizioni di arresto, limiti di passi e token, rilevamento dei cicli, riduzione del contesto e modelli piccoli per i passi semplici.

Source: https://greenai.guide/it/come/come-evito-che-gli-agenti-di-ia-sprechino-token/  
Updated: 2026-11-19

## 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.

## Steps

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? {#why-does-it-matter}

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? {#which-guardrails-work}

- **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](/it/come/come-evito-che-il-mio-chatbot-rinvii-ogni-volta-l-intera-conversazione/).
- **Cache.** Non faccia due volte la stessa domanda: veda [come usare la cache](/it/come/come-uso-la-cache-per-ridurre-l-energia-delle-chiamate-a-un-llm/).

## Che cosa fa la differenza maggiore? {#what-makes-the-biggest-difference}

**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](/it/articoli/ia-agentica-e-spreco-di-token/) per le prove.

## Fonti

- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [Why do multi-agent LLM systems fail?](https://arxiv.org/abs/2503.13657), Cemri et al. (2025)
- [Running agents (max_turns)](https://openai.github.io/openai-agents-python/running_agents/), OpenAI Agents SDK documentation (2025)
- [Optimize agent orchestration to reduce unnecessary model calls](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/development/optimize-agent-orchestration-reduce-model-calls.md), Green Software Foundation, Green Software Patterns (2025)
