La logica del progetto

QbitAI presenta Agnes Harness come un sistema open source, distribuito con licenza Apache 2.0 e pensato anche per usi commerciali, che ha raggiunto 2,1k stelle su GitHub. Il punto di partenza indicato dalla fonte è un cambio di convenienza economica: se lo sviluppo del software un tempo costava 90 e l'adattamento per ogni cliente 10, con l'AI lo sviluppo scende a 1 mentre l'adattamento resta a 10. È su quest'ultima voce, secondo la fonte, che si concentra la difficoltà per chi porta gli agenti dentro i processi aziendali e industriali.

L'articolo sostiene che molti agenti risultano lenti e costosi non perché i grandi modelli siano deboli, ma perché vengono caricati di compiti che potrebbero essere separati. Da qui la scelta di dividere il lavoro tra un grande modello e un modello decisionale specializzato, chiamato Agnes Sys1.0, con 9 miliardi di parametri.

Le misure citate dalla fonte

QbitAI riporta alcuni confronti contenuti nel materiale del progetto. In una simulazione di una perdita d'acqua domestica, la valutazione del passo successivo richiederebbe in media 7,6 secondi a un grande modello e 0,53 secondi ad Agnes Sys1.0. In un test su una stanza per bagagli, con pesatura, posizionamento verticale e deposito temporaneo, il costo per singola decisione sarebbe di circa 0,00247 dollari per il modello online e di circa 0,000091 dollari per Sys1.0, su 100 giudizi ciascuno.

La combinazione tra grande modello e Sys1.0 avrebbe inoltre ridotto del 32,9% il tempo complessivo del compito rispetto all'uso del solo grande modello a ogni passo. La fonte cita anche punteggi su due prove: 87,07 su DeepPlanning, dedicata alla pianificazione di compiti complessi, e 40,69% di successo su BigCodeBench-Hard V1, relativa alla scrittura di codice complesso. Si tratta di dati riportati dal progetto e ripresi dalla fonte, non di una verifica indipendente.

Apprendimento temporaneo e memoria condivisa

Il sistema prevede che Sys1.0 si adatti al compito imminente con esercizi dotati di risposte note e modifichi solo una parte limitata dei parametri, ripristinandoli al termine. La ragione dichiarata è evitare che conoscenze accumulate su dispositivi diversi finiscano per interferire tra loro. A livello più ampio, Agnes Harness riesamina l'esecuzione per individuare errori ricorrenti e passaggi lenti, poi interviene su prompt, memoria, competenze e subagenti; le correzioni ritenute valide vengono raccolte in manuali versionati riutilizzabili.

La fonte precisa che i metodi proposti dall'AI devono superare test in simulazione prima di entrare nei manuali. Il progetto include inoltre un meccanismo di plugin per strumenti, adattatori di modello, flussi di lavoro e interfacce, con gestione delle versioni: le nuove sessioni usano la versione aggiornata, mentre i compiti già avviati restano sulla precedente. Per l'installazione sono indicati Node.js 24.10 o superiore e pnpm 10.34.5; usando API di modelli cloud non servirebbe una GPU aggiuntiva.

Il nodo dell'integrazione fisica e i limiti

Per collegare software e dispositivi reali, Agnes Harness propone MHS (Model Hardware Standard), una specifica di comunicazione uniforme per le apparecchiature. La fonte descrive un test in cui l'agente coordina dispositivi di ricerca, un robot e una camera di equilibrio per riportare un astronauta in una base. Restano però da chiarire alcuni aspetti: il materiale non indica quali dispositivi commerciali siano già compatibili con MHS né offre valutazioni esterne sui risultati. La fonte riferisce inoltre esperienze negative di operatori, tra cui un caso di migliaia di tentativi falliti e costi elevati, usate come contesto del problema. Il vero banco di prova, secondo l'articolo, è trasformare quanto appreso in un progetto in capacità riutilizzabile per il successivo, così da ridurre il costo di adattamento che l'AI non ha abbattuto.

Fonte e attribuzione: questa sintesi originale è stata redatta da AICronaca sulla base del resoconto di QbitAI ↗. Le dichiarazioni sono attribuite alla fonte; eventuali limiti informativi: Le prestazioni, i costi e i punteggi sono quelli dichiarati dal progetto e ripresi da QbitAI; non risultano verifiche indipendenti. Non sono indicati clienti, dispositivi commerciali compatibili né date di rilascio..