DigitalOcean ha annunciato Agent Learning Services e Agent Data Services, due componenti della propria piattaforma cloud dedicate alla gestione del ciclo operativo degli agenti di intelligenza artificiale. Il progetto integra l’esecuzione degli agenti, la raccolta dei dati prodotti durante le interazioni, l’identificazione degli errori e la valutazione delle modifiche in un’infrastruttura comune, riducendo la necessità di utilizzare sistemi indipendenti per monitoraggio, archiviazione, test e ottimizzazione. La piattaforma si collega a DigitalOcean Inference Engine, utilizzato per l’esecuzione dei modelli, e a Managed Agents, che fornisce l’ambiente operativo per le applicazioni agentiche. Il concetto di miglioramento ricorsivo adottato dall’azienda riguarda la possibilità di utilizzare i risultati delle precedenti esecuzioni per guidare nuove valutazioni e successive modifiche, anziché limitare il controllo dell’agente alle metriche tradizionali di disponibilità e tempi di risposta. Il sistema non deve però essere interpretato come una funzione già completamente autonoma di riaddestramento continuo: DigitalOcean distingue esplicitamente le capacità operative attualmente disponibili dall’automazione dei flussi agentici ancora prevista per le versioni successive.
Agent Learning Services comprende tre componenti principali, denominati Insights, Signals ed Evaluations & Simulations. Insights registra le attività compiute dall’agente durante l’esecuzione, conservando informazioni sulle interazioni, sulle operazioni e sui passaggi che compongono il lavoro. Signals analizza le sessioni per identificare comportamenti potenzialmente problematici, come cicli ripetitivi di chiamate agli strumenti, argomenti non validi, errori nelle risposte, abbandono della conversazione da parte dell’utente o problemi determinati dall’infrastruttura. Le anomalie vengono classificate secondo tre dimensioni: Interaction, relativa al comportamento dell’utente e alla qualità dell’interazione; Execution, dedicata al funzionamento degli strumenti; Environmental, riferita a timeout, limiti di servizio e altri problemi dell’ambiente. Il sistema ricostruisce sessioni complete a partire dagli eventi generati da Inference Engine, Harness Runtime e Action Gateway, permettendo di collegare un errore finale alle operazioni che lo hanno preceduto. Per limitare i costi di analisi, Signals utilizza una prima selezione delle sessioni potenzialmente informative, evitando di sottoporre indiscriminatamente ogni evento a una valutazione approfondita tramite modello linguistico.
DigitalOcean ha pubblicato risultati sperimentali preliminari per la selezione delle sessioni, indicando un tasso di informatività dell’82% e un miglioramento dell’efficienza pari a 1,52 volte rispetto al campionamento casuale in uno studio controllato basato su τ-bench. Si tratta di prestazioni riferite al metodo di selezione utilizzato da Signals e non di una misura generale dell’accuratezza degli agenti o della capacità di correggerne automaticamente gli errori. Le sessioni individuate possono essere trasformate in casi di valutazione, consentendo di riprodurre situazioni effettivamente osservate durante l’esecuzione. Simulations utilizza questi dati per costruire conversazioni di prova articolate su più turni, nelle quali un agente modificato viene confrontato con una configurazione di riferimento. Gli scenari possono essere ricavati dai problemi rilevati da Signals, dalle impostazioni dell’agente oppure da descrizioni formulate dagli sviluppatori in linguaggio naturale. Un simulatore interpreta il comportamento dell’utente e interagisce con la versione candidata dell’agente, mentre un sistema di valutazione esamina la completezza delle attività, la conservazione delle informazioni contestuali, la correttezza nell’impiego degli strumenti e gli eventuali criteri personalizzati.
Le simulazioni vengono eseguite in ambienti isolati attraverso Harness Runtime, utilizzando configurazioni e strumenti coerenti con quelli previsti per la produzione. Le operazioni che comporterebbero modifiche ai dati, costi o effetti sui sistemi reali possono essere sostituite da implementazioni simulate, evitando che le prove interferiscano con i servizi operativi. Ogni scenario può essere ripetuto più volte, registrando la sequenza delle chiamate agli strumenti e le decisioni dell’agente per distinguere gli errori di ragionamento da quelli di esecuzione. DigitalOcean indica il supporto, nella fase di anteprima, a diversi ambienti di sviluppo agentico, fra cui Claude Code, Codex e OpenCode, mentre altri framework non risultano compresi nella stessa modalità operativa. Signals e Simulations sono stati resi disponibili in Public Preview. La piattaforma permette quindi di verificare modifiche ai prompt, alla selezione degli strumenti e ai modelli utilizzati prima di distribuirle agli utenti, ma la promozione di una nuova configurazione rimane soggetta ai controlli e alle decisioni previsti dagli sviluppatori.
La seconda componente annunciata, Agent Data Services, introduce un livello gestito per l’acquisizione, l’elaborazione e la consultazione dei dati utilizzati dagli agenti. Il servizio comprende Data Flows configurabili per trattare i contenuti in ingresso, un catalogo unificato e interfacce di interrogazione SQL e API. I dati possono provenire da documenti, archivi strutturati, sistemi esterni, registrazioni audio e video oppure dalle tracce prodotte dagli stessi agenti. Le pipeline permettono di trascrivere materiale multimediale, estrarre contenuti documentali, arricchire i dati e generare indici vettoriali per la ricerca semantica. I record strutturati e le rappresentazioni vettoriali vengono mantenuti in un catalogo logicamente isolato per cliente, con informazioni sulla provenienza dei dati e controlli di accesso associati a workspace, ruoli e token API. DigitalOcean prevede inoltre meccanismi configurabili per la redazione delle informazioni sensibili e la gestione dei permessi, in modo che soltanto gli utenti e gli agenti autorizzati possano consultare determinate porzioni del patrimonio informativo. Il servizio è disponibile inizialmente in Private Preview, senza le normali garanzie di servizio e certificazioni previste per le offerte cloud generalmente disponibili.
L’integrazione fra Agent Learning Services e Agent Data Services permette di conservare le tracce operative degli agenti come dati interrogabili e di riutilizzarle per analisi, valutazioni e successive attività di ottimizzazione. Signals può registrare nel catalogo le sessioni rilevanti, mentre i processi di miglioramento possono utilizzare dati di test e addestramento soltanto quando il cliente abbia fornito il consenso previsto. DigitalOcean ha inoltre presentato una versione migliorata dell’Inference Router, destinata alla selezione del modello più adatto a un’attività in base a criteri quali qualità dei risultati, costo e valutazioni definite dal cliente. Il router può ripetere le valutazioni quando diventano disponibili nuovi modelli, aggiornando la scelta in funzione dei risultati misurati. Questa capacità costituisce la forma di ottimizzazione automatizzata già descritta dall’azienda, mentre l’estensione dello stesso ciclo ai workflow agentici completi è indicata come sviluppo successivo. Le funzionalità di raccolta, classificazione e simulazione sono dunque strumenti operativi per un miglioramento controllato degli agenti, non una dimostrazione che un sistema possa modificare autonomamente tutte le proprie componenti e aumentare indefinitamente le prestazioni senza supervisione.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)