Sequential: una squadra che lavora in ordine

Il sequenziale è un relè: l’uscita di uno stadio diventa l’ingresso dello stadio successivo. Le questioni e le fasi dell'ordine necessitano di contratti chiari.

Questi passaggi si riferiscono alle funzionalità identificate nel codice dell'applicazione. Questo materiale non è stato convalidato su un'istanza live; controlla la documentazione e le opzioni nella tua versione.

Come funziona, passo dopo passo

Un flusso di lavoro ha una struttura esplicita

Un nodo è una fase, un bordo è una transizione e lo stato trasporta i risultati tra le fasi. Un flusso di lavoro ha un percorso definito dall'applicazione, sebbene il modello possa scegliere alcuni rami. I sistemi ad agenti includono sia flussi di lavoro che agenti che agiscono dinamicamente. Nymrio offre ReAct, Reflection, Sequential, Orchestrator, Router, Parallel e Plan-and-Execute. Ciascuno cambia coordinazione; non rende automaticamente un modello un esperto. Più agenti significano più chiamate e contratti tra i ruoli. Inizia con la soluzione più semplice che supera i tuoi test.

Il contesto è il banco di lavoro

Il contesto include istruzioni, richiesta corrente, cronologia rilevante, documenti recuperati e risultati dello strumento. La finestra di contesto ha una capacità limitata; riservare spazio anche per la risposta. Una quantità maggiore di testo non migliora automaticamente la precisione. Informazioni irrilevanti e contraddizioni possono nascondere prove importanti. Riassumere attentamente la cronologia della conversazione e preservare l'origine dei fatti. Lo stato descrive l'esecuzione corrente, un checkpoint salva un punto ripristinabile e la memoria persistente conserva le informazioni tra le esecuzioni. Si tratta di diversi meccanismi gestiti dall'applicazione.

Definire il successo prima di ottimizzare

Preparare richieste rappresentative e risposte o proprietà previste. Includere casi ordinari, ambiguità, dati mancanti ed errori dello strumento. Per RAG, misurare il recupero delle prove separatamente dalla correttezza della risposta. Recall@k misura la quota di prove rilevanti trovate nei primi k risultati; Precision@k misura la quota di risultati restituiti che sono rilevanti. Per gli agenti, monitora anche azioni, autorizzazioni e arresti. Un LLM come giudice può accelerare la valutazione ma necessita di una calibrazione rispetto agli esseri umani. Non modificare prompt, modello e indice contemporaneamente se vuoi capire quali risultati migliorati.

Laboratorio dettagliato

Contratti tra fasi

Chiedi al primo agente la scadenza, l'inizio dell'evento e le condizioni senza prosa di marketing. La seconda trasforma i fatti in una spiegazione; il terzo si traduce preservando i numeri. Un esempio intermedio è “scadenza=14; inizio=ricevuta; non utilizzato=vero; imballaggio=originale”.

Se l'estrazione omette il packaging, il traduttore non può recuperarlo dall'input in cui manca questo fatto. Ispeziona ogni passaggio. Per i rami indipendenti, Sequenziale può essere più lento di Parallelo; gli stadi dipendenti non possono essere parallelizzati senza cambiare la loro logica.

Lo schema esplicativo

Seguire le frecce continue per il flusso principale. Le frecce blu tratteggiate forniscono dati o contesto; le frecce rosa tratteggiate mostrano feedback o risultati restituiti. Colori e forme distinguono modelli, negozi, decisioni e risultati. Su schermi piccoli, scorri in orizzontale per seguire l’intero schema.

Un esempio completo

L'Agente 1 estrae scadenza e condizioni. L'agente 2 spiega semplicemente in rumeno. L'Agente 3 traduce in inglese senza cambiare numero.

step_1: LunaExtractor
step_2: LunaExplainer
step_3: LunaTranslator

Provalo tu stesso

1. Crea almeno due fasi e assegna gli agenti in ordine di estrazione, spiegazione e traduzione.
2. Registrare l'input, la fonte e il risultato atteso prima di eseguire l'esperimento. Utilizzare solo i dati fittizi nell'esempio.
3. Seguire le fasi del diagramma. Ad ogni passaggio registrare quali informazioni vengono ricevute e prodotte; non confondere il risultato intermedio con il risultato finale.
4. Ripetere dopo aver rimosso le informazioni necessarie o reso ambiguo l'input. Controlla se il sistema chiarisce, ferma o inventa una risposta.
5. Confrontare con la soluzione spiegata. Conserva la configurazione, la data, il risultato e una spiegazione delle differenze. Cambia una cosa e riprova.

Una soluzione spiegata

Entrambe le versioni conservano 14 giorni e lo stato di non utilizzo. Controlla ogni output, non solo la traduzione finale. Un esercizio riuscito ti consente di mostrare la connessione tra input, fasi e risultato. Quando mancano le informazioni, una risposta cauta è più utile dei dettagli inventati. Confrontare non solo stile: verificare anche condizioni, fonti e operazioni.

Quando è utile e quali sono i suoi limiti

Un errore precoce si propaga a meno che non venga rilevato. Scegli questo approccio quando migliora un bisogno misurato. Mantieni una linea di base semplice e confronta i risultati utilizzando input identici. Un esempio di successo non stabilisce l’affidabilità in ogni situazione.

Verifica ciò che hai imparato

Multi-agente è un ottavo modello?

No. È una categoria architettonica che può utilizzare diversi modelli esistenti.

Un checkpoint è una memoria utente permanente?

No. Il salvataggio di una corsa non implica il mantenimento delle preferenze tra le conversazioni.

Quale risultato dovrebbe produrre questo esercizio?

Entrambe le versioni conservano 14 giorni e lo stato di non utilizzo. Controlla ogni output, non solo la traduzione finale.

Termini da ricordare

• Cenno: Una fase in un grafico di esecuzione.
• Punto di controllo: stato salvato utilizzato per riprendere un'esecuzione.
• Regresia/Regressione: una modifica che interrompe un caso precedentemente corretto.

Fonti e il prossimo passo

• LangGraph — flussi di lavoro e agenti

Per preparare: W03 — Riflessione: migliorare la prima bozza