---
title: "Il ciclo di vita dello sviluppo di agenti AI: fasi, eval e guardrail"
description: "Il ciclo di vita degli agenti AI in sei fasi: definire il compito, scegliere modello e strumenti, costruire, valutare, rilasciare, monitorare."
canonical: https://automo.build/it/learn/agent-development-lifecycle
last-updated: 2026-11-19
---
# Il ciclo di vita dello sviluppo di agenti AI: fasi, eval e guardrail

Costruire un agente AI non è come rilasciare una funzionalità qualsiasi. L'output è probabilistico, gli strumenti hanno effetti reali e la qualità si misura con le eval, non solo con i test. Ecco il ciclo di vita che regge in produzione.

Il ciclo di vita dello sviluppo di agenti AI è il processo per costruire, rilasciare e gestire agenti AI: definire il compito e i criteri di successo, scegliere modello e strumenti, costruire prompt, strumenti e memoria, valutare con eval offline e red teaming, rilasciare con guardrail e approvazione umana, poi monitorare e iterare. Si distingue dallo SDLC classico perché il comportamento di un agente è probabilistico, quindi eval e guardrail a runtime coprono gran parte di ciò che prima garantivano i test fissi.

## Cosa rende diverso il ciclo di vita di un agente

Questa pagina parla di come si costruiscono gli agenti: agenti di supporto, copilot interni, agenti di ricerca o operativi che chiamano strumenti per conto di qualcuno. Se vuoi sapere come l'AI cambia il ciclo di vita del software tradizionale, leggi [L'AI nello SDLC](/learn/ai-in-the-sdlc). Per la definizione di un ciclo di vita gestito da agenti, vedi [Che cos'è l'AI SDLC](/learn/what-is-an-ai-sdlc).

Tre fatti rendono diverso il lavoro sugli agenti. Lo stesso input può dare output diversi, quindi un singolo test superato dimostra poco. Gli agenti agiscono tramite strumenti, quindi una risposta sbagliata può diventare un'azione sbagliata: un rimborso emesso, un record cancellato, un'email inviata. E la qualità deriva dopo il lancio, perché cambiano modelli, prompt, dati e comportamento degli utenti. Il ciclo di vita che segue è costruito attorno a questi tre fatti.

## Le sei fasi del ciclo di vita di un agente

La prima volta le fasi si seguono in ordine, poi diventano un ciclo. Ogni errore in produzione diventa un nuovo caso di eval, e ogni modifica alle eval riporta l'agente attraverso le fasi dalla quattro alla sei.

1. **Definire il compito e i criteri di successo** Scrivi il compito, gli utenti, cosa l'agente può e non può fare, e come saprai che funziona: tasso di successo obiettivo, tipi di errore accettabili, latenza e costo per compito. Raccogli subito da 30 a 100 esempi reali. Diventano il tuo primo set di eval.
2. **Scegliere modello e strumenti** Scegli il modello più piccolo che supera l'asticella sui tuoi esempi, e il minimo di strumenti che il compito richiede. Ogni strumento è un permesso. Parti in sola lettura; tutto ciò che scrive, paga o invia riceve uno scope stretto.
3. **Costruire prompt, strumenti e memoria** Scrivi il system prompt e le descrizioni degli strumenti, aggiungi retrieval o memoria solo dove il compito richiede contesto, e versiona tutto come codice. Una modifica al prompt è una modifica al codice e merita review e storico.
4. **Valutare con eval offline e red teaming** Esegui l'agente sul set di eval a ogni modifica e misura successo del compito, correttezza delle chiamate agli strumenti, sicurezza e costo. Aggiungi casi avversari come prompt injection, richieste fuori ambito e tentativi di esfiltrare dati. Una modifica che abbassa il punteggio non va in produzione.
5. **Rilasciare con guardrail e approvazione umana** Pubblica dietro filtri su input e output, limiti di frequenza e di spesa, e credenziali con scope ridotto. Richiedi l'approvazione umana per azioni irreversibili o di valore elevato finché eval e dati di produzione non giustificano più autonomia. Parti con una piccola quota di traffico.
6. **Monitorare e iterare** Registra ogni esecuzione con le sue chiamate agli strumenti, rivedi un campione di conversazioni, segui costo, latenza e tasso di escalation, e trasforma gli errori reali in nuovi casi di eval. Il set di eval dovrebbe crescere ogni settimana in cui l'agente è attivo.

## Il ciclo di vita di un agente in sintesi

| Fase | Output principale | Checkpoint umano | Rischio principale |
| --- | --- | --- | --- |
| Definire | Specifica del compito, metriche, primi esempi | Via libera su ambito e limiti | Obiettivi vaghi che nessuno può testare |
| Modello e strumenti | Scelta del modello, elenco strumenti con scope | Approvazione di ogni permesso di scrittura | Strumenti troppo potenti |
| Costruire | Prompt, strumenti e memoria versionati | Review delle modifiche a prompt e strumenti | Modifiche ai prompt non tracciate |
| Valutare | Punteggi delle eval e risultati del red teaming | Decisione sull'asticella di rilascio | Rilasciare dopo qualche bella demo |
| Rilasciare | Guardrail, limiti e gate di approvazione | Approvazione delle azioni rischiose | Azioni irreversibili senza controllo |
| Monitorare | Trace, dati di costo, nuovi casi di eval | Revisione settimanale degli errori | Deriva silenziosa della qualità |

## Eval e guardrail sono la spina dorsale

Nello SDLC classico i test ti dicono se il codice fa ciò che deve. Per gli agenti questo ruolo passa alle eval, che però misurano distribuzioni e non singole risposte. Tienine tre tipi: un set di regressione con compiti reali, un set avversario per il red teaming e un piccolo golden set rivisto da un esperto di dominio. Eseguile a ogni modifica di prompt, modello o strumento, come la CI esegue i test a ogni commit.

I guardrail coprono ciò che le eval non possono prevedere. Agiscono a runtime: cosa l'agente può chiamare, quanto può spendere, quali azioni aspettano una persona. L'agente che prepara un rimborso non dovrebbe essere quello che lo approva. Questa separazione dei compiti è lo stesso principio che, in un AI SDLC governato, mette la review umana davanti al merge.

## Dove si inserisce Automo Build

La maggior parte degli agenti arriva come funzionalità dentro un'app: un assistente di supporto in un portale clienti, un agente di approvazione in uno strumento interno. Con Automo Build costruisci quell'app, funzionalità AI comprese, partendo da un prompt, mentre gli agenti della piattaforma scrivono e testano il codice e agenti revisori e [Guardrails](/platform/guardrails) controllano ogni modifica prima del merge. L'agente che rilasci segue lo stesso percorso revisionato verso la produzione del resto dell'app.

## FAQ

**Cos'è il ciclo di vita dello sviluppo di agenti AI?**

È il processo per costruire e gestire agenti AI: definire il compito e i criteri di successo, scegliere modello e strumenti, costruire prompt, strumenti e memoria, valutare, rilasciare con guardrail e approvazione umana, poi monitorare e iterare.

**In cosa è diverso dallo SDLC?**

Le fasi si somigliano, ma il comportamento di un agente è probabilistico e l'agente agisce tramite strumenti. Per questo eval, red teaming, guardrail a runtime e monitoraggio in produzione sono centrali, mentre uno SDLC classico si basa soprattutto su test deterministici.

**Cosa sono le eval di un agente?**

Set di test ripetibili che valutano output e chiamate agli strumenti di un agente su compiti reali e avversari. Bloccano i rilasci come i test unitari bloccano le modifiche al codice, e crescono man mano che la produzione fa emergere nuovi errori.

**Quando un agente AI ha bisogno di approvazione umana?**

Per azioni irreversibili, costose o visibili ai clienti: pagamenti, cancellazioni, messaggi in uscita, modifiche ai permessi. Mantieni l'approvazione su queste finché risultati delle eval e dati di produzione non dimostrano che l'agente le gestisce in modo affidabile, poi allentala un tipo di azione alla volta.

## Related

- [L'AI nello SDLC](https://automo.build/learn/ai-in-the-sdlc)
- [Che cos'è l'AI SDLC?](https://automo.build/learn/what-is-an-ai-sdlc)
- [Funzionalità AI](https://automo.build/platform/ai-features)
- [Guardrails](https://automo.build/platform/guardrails)
- [Assistenti AI](https://automo.build/use-cases/ai-assistants)
- [Automo vs Claude Code](https://automo.build/compare/claude-code)
- [Prezzi](https://automo.build/pricing)

Canonical page: https://automo.build/it/learn/agent-development-lifecycle
Site overview for agents: https://automo.build/llms.txt
