Costruirò un workflow di un agente AI con valutazione rag che svolge un vero lavoro

La maggior parte delle demo agent funzionano una volta e si rompono la prima settimana in cui incontrano dati reali. Io costruisco le parti che le fanno resistere.

Un cancello di approvazione umana, così niente diventa irreversibile senza il via libera. Un ciclo di validazione che rimanda il lavoro finché non converge, invece di accettare la prima risposta plausibile. Un sistema di valutazione, così quando cambi un prompt o sostituisci un modello puoi capire se è migliorato.

Orchestrazione multi-agent quando un singolo agente non basta: un proponente funziona, un validatore indipendente rifiuta ciò che rompe il vincolo, e torna indietro corretto.

Se il tuo agente risponde dai tuoi documenti, quello è RAG, e la parte difficile è sapere se il retrieval restituisce il passaggio giusto. Costruisco la valutazione RAG con esso, su un set di test che rerun dopo ogni modifica, così la qualità è un numero, non una sensazione.

8 anni come ingegnere backend e data presso un'azienda di dati enterprise: 439 pull request revisionate su 19 repository, 107 incidenti risolti.

Hai il workflow integrato nei tuoi strumenti, il harness, il codice sorgente e la documentazione. Java, Python, TypeScript. GPT, Claude, Gemini.

Dimmi il lavoro e ti dirò onestamente se un agente è lo strumento giusto.