Soket AI Labs ha presentato Loop, un harness open source progettato per eseguire agenti di intelligenza artificiale su attività di lunga durata, superando il modello tradizionale nel quale l’agente riceve un prompt, utilizza alcuni strumenti e conclude la propria attività nell’arco di pochi minuti. Presentato a Cypher 2026 a Bengaluru e distribuito inizialmente come developer preview, Loop è pensato invece per workload che possono rimanere attivi per ore, giorni o persino settimane, mantenendo stato, memoria, strumenti e contesto durante l’intero ciclo di esecuzione. Il progetto è disponibile con licenza MIT e rappresenta il livello agentico dello stack che Soket sta costruendo intorno al proprio lavoro su modelli specializzati in matematica, codice e reasoning. L’azienda non vuole legare il sistema a un particolare LLM: lo sviluppatore può collegare modelli differenti specificando sostanzialmente la relativa base URL, mentre l’harness si occupa di gestire l’infrastruttura necessaria all’agente. Loop viene quindi presentato non come un nuovo modello ma come il layer che si trova tra il modello e il sistema sul quale esso deve operare, incorporando tool use, valutazione, controllo, log e isolamento dell’esecuzione.
L’architettura è stata sviluppata in Rust con l’obiettivo di mantenere basso il consumo locale di risorse anche quando vengono eseguiti contemporaneamente numerosi agenti o strumenti. Loop supporta parallel tool execution e permette quindi all’agente di avviare più operazioni contemporaneamente anziché attendere necessariamente la conclusione di ogni tool call prima di passare alla successiva. Soket ha inoltre introdotto una gestione delle sessioni ispirata al funzionamento di Git: una sessione può essere sospesa, ripresa o ramificata, consentendo di creare un fork dello stato corrente e sperimentare strategie differenti senza perdere il lavoro effettuato fino a quel momento. La cronologia viene preservata anche durante le operazioni di compaction del contesto, uno degli aspetti più delicati nei workload di lunga durata perché la riduzione della conversazione necessaria per contenere l’utilizzo della context window può altrimenti comportare la perdita silenziosa di informazioni prodotte molte ore prima. L’approccio di Loop cerca quindi di distinguere la memoria operativa dell’agente dalla semplice quantità di token ancora visibile al modello in una singola inferenza.
Lo stesso obiettivo può essere distribuito fra più agenti. Loop consente di dividere un task in uno swarm di agenti che condividono memoria e informazioni pur mantenendo, quando necessario, ambienti di esecuzione isolati. L’isolamento può essere configurato utilizzando tecnologie che vanno dai container rootless fino alle microVM, permettendo di scegliere un compromesso differente tra leggerezza e separazione del workload. Questa caratteristica assume un peso maggiore proprio nei task che durano a lungo: un agente che opera per giorni, accede a numerosi tool e conserva credenziali o informazioni di contesto presenta infatti una superficie di rischio diversa rispetto a un chatbot che genera soltanto una risposta testuale. Soket punta quindi a mantenere distinti il livello cognitivo del modello e il perimetro effettivo delle risorse al quale l’agente può accedere, lasciando all’organizzazione la possibilità di definire ambienti molto più chiusi quando il workload contiene codice, dati finanziari, informazioni aziendali o sistemi sensibili.
Loop integra inoltre il Model Context Protocol, sia come client per utilizzare server MCP esistenti sia come infrastruttura attraverso la quale esporre propri strumenti agli agenti. Skill e template possono essere trasformati in slash command riutilizzabili, rendendo possibile impacchettare workflow ripetibili senza doverne ricostruire ogni volta le istruzioni nel prompt. Soket descrive il sistema come un terminale agentico: l’interfaccia di partenza rimane vicina agli strumenti già utilizzati dagli sviluppatori, ma l’ambiente consente al modello di utilizzare tool, conservare memoria, eseguire operazioni e proseguire autonomamente l’attività. L’installazione della preview avviene tramite un singolo comando e sono previste versioni per Linux, macOS e Windows. La roadmap comprende un marketplace di skill, contextuality per cambiare automaticamente configurazione a seconda del dominio di lavoro, sandboxing più avanzato, personas, sistemi multi-agente più articolati, memoria a livelli, agenti remoti, trusted remote sandbox e group chat fra agenti. Telemetria e applicazione desktop risultano a loro volta ancora in sviluppo e non fanno parte della prima preview.
Soket ha pubblicato anche alcune misurazioni preliminari sul consumo dell’harness. In un confronto locale con otto worker, nel quale i sistemi erano collegati allo stesso modello Qwen attraverso OpenRouter utilizzando la stessa base URL e la stessa chiave, Loop avrebbe utilizzato 7,7 volte meno RAM e 17 volte meno CPU locale rispetto a Claude Code. La memoria del processo Loop sarebbe passata da circa 29 MiB nella configurazione iniziale a 223 MiB con l’aggiunta dei worker, seguendo secondo Soket un andamento approssimativamente lineare. Il confronto riguarda però esclusivamente il processo dell’harness locale e non include il consumo dell’inferenza remota del modello, quindi non misura né la qualità delle risposte né il costo computazionale complessivo dell’agente. In altri test comunicati dall’azienda, il runtime totale sarebbe risultato vicino a quello dell’harness Pi, mentre costi e consumo di risorse avrebbero confrontato favorevolmente Loop con OpenCode e Goose; Soket afferma inoltre di avere ottenuto il più basso tempo mediano per task nel gruppo esaminato e valori ridotti di picco per RAM e CPU. Si tratta in ogni caso di benchmark prodotti dal fornitore e non di verifiche indipendenti delle prestazioni.
Durante la dimostrazione a Cypher, Loop è stato utilizzato con più strumenti per analizzare il programma della conferenza e individuare automaticamente talk e sessioni rilevanti. Il compito in sé è relativamente semplice, ma è stato utilizzato per mostrare la logica del sistema: invece di eseguire una singola richiesta, l’agente mantiene un obiettivo, utilizza strumenti diversi, conserva i risultati intermedi e continua a lavorare fino al completamento. È proprio questa durata operativa che Soket considera il problema infrastrutturale centrale dei nuovi agenti. Un modello più intelligente non elimina infatti la necessità di conservare stato, riprendersi da un errore, utilizzare tool in parallelo, controllare l’accesso alle risorse, compattare il contesto senza perdere informazioni essenziali e consentire all’operatore di ricostruire ciò che è avvenuto nelle ore o nei giorni precedenti.
La piattaforma viene sviluppata soprattutto pensando a cybersecurity, difesa, banche, finanza e applicazioni legali, anche se Soket precisa che questi ambiti rappresentano casi d’uso e non limiti alla tecnologia. In tali settori il requisito non è soltanto eseguire un agente capace, ma poterlo collocare all’interno di infrastrutture controllate, mantenere log e audit trail, evitare l’esposizione di informazioni sensibili e, in alcuni casi, utilizzare installazioni completamente air-gapped. Soket collega questo approccio alla propria idea di sovereign AI: modelli, orchestrazione e infrastruttura dovrebbero poter funzionare all’interno del perimetro dell’organizzazione anziché richiedere necessariamente il trasferimento del workload a un servizio AI ospitato esternamente. Per la difesa viene evidenziato in particolare il requisito della determinazione e della verificabilità del comportamento, perché la possibilità di comprendere come e perché un agente abbia compiuto una determinata azione può essere importante quanto le capacità del modello stesso.
Loop costituisce inoltre soltanto una parte della strategia di Soket. Il laboratorio sta sviluppando Project EKA, una famiglia di foundation model dedicati a matematica, coding e reasoning e progettati per operare in oltre 60 lingue indiane, del Global South e linguaggi di programmazione. L’azienda dichiara di avere aggregato quasi 30 trilioni di token destinati al training, concentrati soprattutto su matematica e codice, insieme a quasi due miliardi di reasoning trace, e sta addestrando un modello EKA da 26 miliardi di parametri che prevede di pubblicare come open source insieme al dataset e al relativo training stack. Soket è stata inoltre selezionata nell’ambito dell’IndiaAI Mission e sul proprio sito indica un’infrastruttura di training da 1.536 GPU H100, oltre a una linea di modelli più ampia che supera complessivamente i 120 miliardi di parametri attualmente in addestramento.
L’obiettivo dichiarato è costruire quelli che Soket definisce MCR Agents, cioè agenti orientati a Math, Code e Reasoning in grado non soltanto di produrre un risultato ma di mostrare una derivazione controllabile prima che questo venga utilizzato per compiere un’azione. Il modello operativo proposto dall’azienda segue la sequenza problem, formalise, derive, verify e act: l’agente dovrebbe formulare il problema, derivare il risultato, sottoporlo a verifica e soltanto successivamente intervenire sul sistema reale. Loop rappresenta quindi il livello di esecuzione e controllo di uno stack che Soket vuole rendere utilizzabile anche on-premise, in VPC oppure completamente air-gapped, con l’obiettivo di mantenere sotto il controllo dell’organizzazione modelli, dati, strumenti e log dell’attività agentica.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)