Gli agenti di intelligenza artificiale long-horizon, ovvero sistemi progettati per affrontare attività che richiedono decisioni distribuite nel tempo, sono al centro di un nuovo ampio studio accademico da 149 pagine. La ricerca, guidata dal Renmin University GAIR Research Center in collaborazione con diverse università internazionali, tra cui Peking University, Tsinghua University, Sun Yat-sen University, Hong Kong University of Science and Technology e National University of Singapore, propone una delle prime mappe sistematiche dedicate a questo settore emergente.
L’obiettivo del rapporto Towards Long-Horizon Agents: A Survey è definire un quadro comune per comprendere come stanno evolvendo gli agenti artificiali e quali saranno le principali sfide future. Secondo gli autori, la caratteristica fondamentale di questi sistemi è la capacità di organizzare decisioni interdipendenti all’interno di traiettorie coerenti, mantenendo obiettivi e strategie anche quando i compiti diventano molto complessi.
La gerarchia H1-H3 per misurare la difficoltà dei compiti
Uno degli elementi centrali dello studio è una nuova classificazione dei compiti affrontati dagli agenti AI, suddivisa in tre livelli: H1, H2 e H3. Questa gerarchia permette di distinguere le diverse difficoltà operative e di valutare in modo più preciso il progresso delle tecnologie.
Il livello H1 Window-Level riguarda attività completabili all’interno di una singola finestra di contesto. In questo scenario, l’agente deve essere in grado di mantenere un ciclo continuo di pianificazione, azione, analisi dei risultati e correzione degli errori. A questa categoria corrisponde la capacità C1 Interactive Reasoning, cioè il ragionamento interattivo.
Il livello successivo, H2 Cross-Window, comprende invece attività che possono durare da diverse ore fino a giorni. Qui emergono nuove necessità, come la capacità di conservare informazioni, comprimere la cronologia delle azioni e trasferire lo stato del lavoro tra sessioni differenti. Il rapporto evidenzia come il fenomeno del Context Rot, ovvero il progressivo deterioramento delle informazioni utili all’interno di contesti molto estesi, rappresenti uno dei principali ostacoli da superare.
Infine, il livello più avanzato è H3 Cross-Task-Flow, dove gli agenti devono operare in ambienti in continua trasformazione, accumulando esperienza e sviluppando competenze riutilizzabili.
Le capacità degli agenti AI crescono da C1 a C3
Parallelamente alla difficoltà dei compiti, la ricerca individua tre livelli di capacità degli agenti: C1, C2 e C3. Questa classificazione descrive il percorso evolutivo necessario affinché i sistemi artificiali possano diventare sempre più autonomi.
La capacità C1 Interactive Reasoning rappresenta il primo livello e riguarda la possibilità di affrontare problemi attraverso cicli di ragionamento e interazione. La seconda fascia, C2 State and Memory, introduce invece la gestione della memoria e dello stato delle attività nel tempo.
Il livello più avanzato, C3 Experience Accumulation, riguarda la capacità di trasformare le esperienze passate in nuove competenze, arrivando progressivamente verso forme di miglioramento continuo e auto-evoluzione.
I dati raccolti nello studio mostrano una crescita molto rapida delle prestazioni. Utilizzando le informazioni pubbliche di METR, i ricercatori hanno osservato che il tempo equivalente di completamento dei task da parte degli agenti raddoppia ogni 196,5 giorni circa, ovvero poco più di sei mesi. Considerando soltanto il periodo successivo al 2023, il ritmo accelera ulteriormente fino a circa 130,8 giorni, meno di quattro mesi.
Harness Engineering e Model Optimization guideranno il prossimo sviluppo
Secondo il rapporto, l’evoluzione futura degli agenti AI seguirà principalmente due direzioni: Harness Engineering e Model Optimization.
La prima riguarda lo sviluppo dell’intera infrastruttura che circonda il modello, ovvero strumenti, ambienti operativi e sistemi capaci di amplificarne le capacità. Gli autori sottolineano che il limite degli agenti non dipenderà più soltanto dall’intelligenza del modello, ma anche dalla qualità dell’architettura che lo supporta.
La seconda linea riguarda invece l’ottimizzazione interna dei modelli, con l’obiettivo di trasferire progressivamente nuove capacità direttamente all’interno del sistema attraverso l’addestramento.
Dalla Prompt Engineering alla nuova era degli agenti autonomi
La ricerca individua anche tre grandi fasi nello sviluppo degli agenti AI. La prima, tra il 2020 e il 2023, è stata dominata dalla Prompt Engineering, basata su tecniche come chain-of-thought e suddivisione dei problemi in passaggi più semplici.
Tra il 2023 e il 2025 si è affermata invece la Context Engineering, con strumenti come RAG, function calling e sistemi di memoria per ampliare ciò che il modello può utilizzare durante il lavoro.
Ora, secondo gli studiosi, sta iniziando l’era della Harness Engineering, nella quale l’architettura complessiva del sistema diventerà il principale elemento capace di determinare i limiti operativi degli agenti.
Il rapporto punta quindi a fornire a ricercatori e aziende un linguaggio comune per affrontare una tecnologia in rapida crescita, indicando benchmark condivisi e nuove priorità per lo sviluppo degli agenti AI di prossima generazione.
Fonte: Pandaily
