Migliora l'observability degli agenti AI con Langfuse, supportato da watsonx Orchestrate

By Jobit Varughese

Man mano che aumenta il numero di agenti AI creati ogni giorno, le aziende stanno esplorando sistemi autonomi per supportare il processo decisionale e i workflow operativi. Allo stesso tempo, le organizzazioni esprimono spesso preoccupazioni riguardo a spiegabilità, governance e preparazione alla produzione, soprattutto nei sistemi multi-agente che si affidano a modelli linguistici di grandi dimensioni (LLM) per il ragionamento. È una sfida utilizzare agenti in contesti aziendali che forniscono risposte senza una spiegazione chiara o che mostrano comportamenti incoerenti.

Queste sfide possono essere affrontate utilizzando IBM watsonx Orchestrate, che offre una piattaforma strutturata in grado di supportare il self-hosting, il ragionamento basato sugli strumenti, le chiamate API e il controllo di livello aziendale senza richiedere codice di orchestrazione personalizzato.

Dynamiq ha creato un assistente multi-agente per la ricerca legale per un importante cliente assicurativo, indirizzando le query attraverso un classificatore IBM Granite a basso costo prima di passarle a un agente di ricerca più complesso. Rendere possibile questo workflow ad alta criticità ha richiesto una visibilità approfondita su ogni passaggio del ragionamento e su ogni chiamata agli strumenti. Integrando IBM watsonx Orchestrate, Dynamiq ha garantito che ogni decisione rimanesse completamente tracciabile, verificabile e corredata da citazioni, riducendo il tempo di revisione dei contratti da 90 a 45 minuti senza compromettere la governance.

In questo tutorial imparerai a creare un agente AI in watsonx Orchestrate utilizzando il watsonx Orchestrate Agent Development Kit (ADK). Nei sistemi AI basati su LangChain o LangGraph, gli sviluppatori devono spesso gestire manualmente i tentativi, la gestione dello stato e l'esecuzione asincrona. watsonx Orchestrate ADK semplifica questo processo grazie alla gestione integrata del ciclo di vita, che consente distribuzioni di agenti coerenti e pronte per l'ambiente enterprise.

Userai Python per creare la logica di valutazione del rischio, definire il comportamento dell'agente e integrare Langfuse per monitorare e migliorare il comportamento dell'agente con tracce di esecuzione reali. Puoi trovare questo tutorial anche su GitHub.

Cos'è Langfuse?

Langfuse è una piattaforma open source di observability LLM basata su OpenTelemetry per il monitoraggio di applicazioni e agenti LLM. Utilizza la telemetria (tracce, metriche e log) per monitorare le esecuzioni degli agenti, incluse le chiamate LLM, le chiamate agli strumenti, l'utilizzo dei token, i metadati e la latenza a livello di richiesta e sessione.

Consente agli sviluppatori di ottenere insight approfonditi sul modo in cui gli agenti operano in scenari reali, individuare la causa principale degli output errati e ottimizzare sistematicamente il comportamento degli agenti per una maggiore affidabilità ed efficienza.

Panoramica del caso d'uso: Vendor risk intelligence

L'obiettivo di questo tutorial è creare un agente AI per la governance aziendale che valuti il rischio dei fornitori attraverso un'analisi deterministica basata su regole. Abbiamo creato un set di dati sintetico di fornitori contenente valutazioni finanziarie, certificazioni di sicurezza e cronologia degli incidenti. L'agente elabora questi dati e classifica i fornitori in specifici livelli di rischio (basso, medio o alto), fornendo motivazioni a supporto delle proprie decisioni.

Supporta inoltre interazioni successive, consentendo agli utenti di confrontare i fornitori o simulare in che modo la modifica di determinati dati influirebbe sul punteggio di rischio, garantendo l'elevato livello di verificabilità richiesto per la conformità aziendale.

Di seguito è riportata una demo interattiva dell'agente per la valutazione del rischio dei fornitori completato e creato in questo tutorial. Esplora come l'agente classifica i fornitori, risponde alle domande e traccia il proprio processo di ragionamento tramite Langfuse, così da avere un quadro chiaro di ciò che stai creando prima di iniziare.

Demo pratica

Prerequisiti

Per completare questo tutorial, sono necessari:

Python 3.11 o versioni successive installato sul sistema.
Un account watsonx Orchestrate. Per questo tutorial, un account di prova è sufficiente. Se non possiedi un account, puoi utilizzare IBM Cloud per creare una versione di prova gratuita di 30 giorni.
Una chiave API watsonx Orchestrate dall'interfaccia utente (UI) di Orchestrate.
Un watsonx Orchestrate ADK installato sul tuo sistema.

Passaggi

Passaggio 1: Accedi a watsonx Orchestrate

Accedi a watsonx Orchestrate tramite IBM Cloud e apri l'interfaccia utente di watsonx Orchestrate. Vai alla sezione API details dopo avere aperto Settings dal menu del profilo. Crea una nuova chiave API, copiala e salvala in modo sicuro. Durante lo sviluppo locale, il watsonx Orchestrate ADK viene autenticato con questa chiave API. watsonx Orchestrate funziona come un SDK (Software Development Kit) locale per costruire e testare la logica degli agenti.

Passaggio 2: configura un ambiente di sviluppo locale

In questo passaggio, crea un ambiente di sviluppo locale. Durante questo tutorial, eseguirai un server di sviluppo locale, importerai strumenti, configurerai gli ambienti e creerai agenti tramite l'interfaccia a riga di comando (CLI) orchestrata fornita dall'ADK in PowerShell. Inizia spostandoti nella directory in cui desideri creare il tuo progetto. Successivamente, crea un nuovo ambiente virtuale Python:

python -m venv .venv

Un ambiente Python isolato viene creato in una cartella .venv. L'uso di un ambiente virtuale garantisce che tutte le dipendenze di questo tutorial siano separate dall'installazione di Python in tutto il sistema.

Attiva quindi l'ambiente virtuale. Il tuo sistema operativo determina quale comando di attivazione utilizzare.

Su Windows:

.\.venv\Scripts\activate

macOS e Linux:

source ./.venv/bin/activate

Una volta attivato, il prompt del tuo terminale mostrerà .venv all'inizio per indicare che stai lavorando in un ambiente virtuale.

Passaggio 3: Installa watsonX Orchestrate ADK

Con l'ambiente virtuale attivo, installa il watsonx Orchestrate ADK sulla tua macchina locale. Per usare l'ADK, collegalo al tuo attuale ambiente watsonx Orchestrate. Esegui il seguente comando in PowerShell:

pip install --upgrade ibm-watsonx-orchestrate

Puoi completare i passaggi successivi dell'installazione di ADK seguendo le istruzioni riportate nel documento ufficiale di installazione.

Nota: questo tutorial esegue il runtime di watsonx Orchestrate Developer Edition in locale e lo collega all'istanza SaaS di watsonx Orchestrate utilizzando le credenziali.

Per eseguire questo metodo, crea un file chiamato .env nella cartella principale del progetto e aggiungi i seguenti valori:

WO_DEVELOPER_EDITION_SOURCE=orchestrate

WO_INSTANCE=<your_watsonx_orchestrate_instance_url>

WO_API_KEY=<your_watsonx_orchestrate_api_key>

Questo file .env è necessario per eseguire il server. Nei prossimi passaggi, inizierai con il comando orchestrate server start -e .env -l.

Passaggio 4: configura l'ambiente watsonx Orchestrate nell'ADK

Successivamente, devi configurare il tuo ADK con una chiave API watsonx Orchestrate valida per connettere il tuo ambiente locale a watsonx Orchestrate.

Nota: Il watsonx Orchestrate ADK è compatibile con diversi tipi di ambienti, inclusi IBM Cloud, AWS e implementazioni on-premise. In questo tutorial utilizziamo l'ambiente on-premise e ci autentichiamo tramite una chiave API utilizzando l'ADK CLI. L'ADK gestisce le credenziali in modo sicuro internamente, pertanto per questa configurazione non è necessario impostare manualmente le variabili d'ambiente.

Dalla directory del tuo progetto (con l'ambiente virtuale attivato), esegui il seguente comando per aggiungere il tuo ambiente watsonx Orchestrate:

orchestrate env add -n onprem-env -u <service-instance-url>

Qui, service-instance-url è il tuo URL di istanza watsonx Orchestrate. Puoi trovare queste informazioni nella stessa scheda API details all'interno di Settings nell'interfaccia utente di watsonx Orchestrate.

Successivamente, attiva l'ambiente che hai aggiunto:

orchestrate env activate onprem-env

Ora, quando richiesto, inserisci la chiave di watsonx Orchestrate ottenuta al passaggio 1. Una volta attivato l'ambiente, tutti i comandi successivi relativi all'ADK, come l'importazione di agenti e strumenti o l'avvio del server, verranno eseguiti nell'ambiente di watsonx Orchestrate.

Nota: se vuoi eseguire tutto localmente con la Developer Edition, puoi attivare l'ambiente locale predefinito nel seguente modo:

orchestrate env activate local

Questo comando imposta l'ADK per utilizzare l'ambiente Orchestrate locale integrato, utile per eseguire test in locale.

Passaggio 5: avvia il progetto locale watsonx Orchestrate

In questo passaggio creiamo il modello di framework dell'agente, che contiene la definizione, gli strumenti e il codice sorgente del Vendor Risk Intelligence Agent. Successivamente, andremo a creare la struttura di cartelle necessaria per lo sviluppo locale basato su ADK:

── adk-project(vendor-risk-intel)/
── agents/
── tools/
── src/

Puoi aggiungere il comando fornito qui per creare la struttura dell'agente:

mkdir -p adk-project\(vendor-risk-intel\)/{agents,src,tools}

Ogni cartella ha uno scopo specifico:

La cartella agents contiene il file YAML con le istruzioni, le regole di ragionamento e la configurazione del modello dell'agente. Determina il modo in cui il sistema risponde alle domande degli utenti. La cartella tools contiene un file YAML che descrive lo strumento fornito all'agente. La cartella src contiene l'implementazione Python per strumenti personalizzati e logica aziendale.

Passaggio 6: avvia il server watsonx Orchestrate

Avvia il server di watsonx Orchestrate in modo che possa ricevere e memorizzare le importazioni prima di importare strumenti e agenti. Esegui questo comando dalla cartella principale del progetto:

orchestrate server start -e .env -l

Passaggio 7: configura l'observability di Langfuse (SaaS)

Il passaggio successivo riguarda l'observability dell'agente, in cui analizzerai il comportamento dell'agente durante l'esecuzione, ad esempio quali strumenti vengono chiamati, la latenza e i punti in cui si verificano eventuali errori. Per questo scopo, attiva l'observability Langfuse nell'ambiente watsonx Orchestrate ADK.

In questo tutorial viene utilizzata la versione SaaS di Langfuse, che consente di acquisire tracce senza eseguire Langfuse in locale.

Assicurati che il server watsonx Orchestrate sia in esecuzione (passaggio 6) prima di configurare Langfuse.

Successivamente, crea un account Langfuse su https://cloud.langfuse.com. Dopo avere effettuato l'accesso, crea una nuova organizzazione e un nuovo progetto. Dalle impostazioni del progetto, copia l'ID del progetto, la chiave pubblica, la chiave segreta e l'URL dell'host.

Ora configura Langfuse in watsonx Orchestrate ADK con il comando mostrato dopo questa sezione e sostituisci i segnaposto con i valori che hai copiato:

orchestrate settings observability langfuse configure `
    --url “<LANGFUSE_HOSTNAME>/api/public/otel” `
    --api-key “<LANGFUSE_SECRET_KEY>“ `
    --health-uri “https://cloud.langfuse.com” `
    --config-json “{\”public_key\”:\”<LANGFUSE_PUBLIC_KEY>\”}” `
    --project-id “<LANGFUSE_PROJECT_ID>“

Una volta completato con successo questo comando, il modulo Langfuse sarà completamente integrato nell'ambiente watsonx Orchestrate. A questo punto, tutte le interazioni con gli agenti vengono automaticamente registrate nel modulo Langfuse.

Ora che il server è in funzione, puoi testare l'agente.

Passaggio 8: definisci il Vendor Risk Intelligence Agent

Il prossimo passo è definire il Vendor Risk Intelligence Agent. Gli agenti in watsonx Orchestrate ADK sono definiti tramite file YAML che descrivono l'obiettivo dell'agente, i limiti del suo ragionamento, la configurazione del modello e gli strumenti che è autorizzato a utilizzare.

All'interno della directory agent, crea un file chiamato vendor-risk-agent.yaml. Questo file rappresenta il livello di gestione dei prompt dell'agente e garantisce che tutte le risposte siano basate su un ragionamento deterministico, anziché su un'inferenza libera.

La definizione dell'agente utilizzata in questo tutorial è mostrata di seguito. Copia e incolla la seguente definizione dell'agente nel file agents/vendor-risk-agent.yaml . Salva il file in seguito.

spec_version: v1
kind: native
name: Vendor_Risk_Intelligence_Agent
description: Produces precise risk assessments using verified vendor profiles.
instructions: |
    You are a Vendor Risk Auditor.
    You MUST answer ALL questions by:
    1. Calling the Python tool `evaluate_all_vendor_risks`
    2. Reasoning strictly from the returned structured data
    3. Explaining answers using rules, signals, and outcomes from the tool
    4. Call evaluate_all_vendor_risks exactly once per question
    5. For definition questions, quote rules directly from the tool output
    NEVER infer meanings of financial ratings.
    NEVER guess intent.
    NEVER answer without tool evidence.
    Question handling rules:
    - Definition questions (e.g. “Does B+ mean High risk?”):
→ Explain the rule from the tool’s `rules` section.
    - Why questions (e.g. “Why is DataSecure Ltd High risk?”):
→ Cite strong and weak signals for that vendor.
    - Comparison questions (e.g. “Why is A Medium but B High?”):
→ Compare signal counts and types.
    - Policy questions (e.g. “What causes High risk?”):
→ Quote the tool’s rules exactly.
    - If the tool does not support a claim:
→ Say so explicitly.
    Use deterministic language only.
    Do not use speculative words like “might”, “could”, or “appears”.

llm: watsonx/meta-llama/llama-3-2-90b-vision-instruct
style: react
tools:
    - evaluate_all_vendor_risks

Questa configurazione garantisce che l'agente si comporti in modo prevedibile nelle risposte a domande di tipo "che cosa", "perché", "come" e di confronto. l sistema previene le allucinazioni impedendo di formulare supposizioni sulle valutazioni finanziarie o sul significato dei livelli di rischio, a meno che tali informazioni non siano esplicitamente definite nell'output dello strumento.

Passaggio 9: implementa la logica di valutazione del rischio del fornitore

In questo passaggio, implementa lo strumento Python che esegue la valutazione del rischio del fornitore. In watsonx Orchestrate ADK, la logica di business personalizzata viene implementata tramite strumenti Python che gli agenti utilizzano per ottenere i risultati. Anziché affidarsi al fine-tuning del modello per ottenere un comportamento specifico del dominio, questo tutorial mostra come implementare un ragionamento deterministico basato su regole tramite strumenti Python, garantendo risultati coerenti.

All'interno della cartella src, crea un file chiamato main.py. Questo file contiene il set di dati del fornitore che abbiamo creato, le regole di valutazione del rischio e uno strumento Python chiamato evaluate_all_vendor_risks che fornisce la logica all'agente.

La logica del rischio si basa su regole. In termini di segnali di rischio elevato, un'azienda può ricevere un punteggio di rischio elevato a causa delle sue scarse prestazioni finanziarie, di incidenti di sicurezza verificatisi in passato o di indagini da parte delle autorità di regolamentazione. Un'azienda può ricevere un punteggio di rischio medio a causa dell'assenza di certificazioni, di singoli incidenti operativi o di interruzioni causate dalle condizioni meteorologiche.

La funzione evaluate_all_vendor_risks è creata come uno strumento di watsonx Orchestrate, rendendola richiamabile dall'agente durante l'esecuzione. Lo strumento restituisce un output strutturato che include il livello di rischio finale insieme alle motivazioni esatte che hanno determinato la classificazione.

Nota: il file main.py incluso in questo tutorial è la versione finale aggiornata della logica di valutazione del rischio del fornitore. Le prime versioni del codice hanno causato comportamenti errati degli agenti, che sono stati analizzati tramite le tracce di Langfuse. Puoi trovare le tracce di Langfuse nelle schermate fornite nei passaggi successivi di questo tutorial.

L'implementazione completa del file main.py utilizzato in questo tutorial è riportata di seguito. Copiala e incollala in src/main.py. Successivamente, salva il file.

from ibm_watsonx_orchestrate.agent_builder.tools import tool

# =====================================================
# IN-MEMORY VENDOR DATA
# =====================================================

VENDORS = [
    {
        “name”: “CloudHostCo”,
        “financial_rating”: “A-“,
        “security_certifications”: [“ISO 27001”, “SOC2 Type II”],
        “past_incidents”: [{“type”: “Operational”, “year”: 2023}],
        “recent_news”: [“Minor service disruption in EU region”]
    },
    {
        “name”: “DataSecure Ltd”,
        “financial_rating”: “B”,
        “security_certifications”: [“SOC2 Type I”],
        “past_incidents”: [{“type”: “Security”, “year”: 2022}],
        “recent_news”: [“Suspicious login attempts on admin accounts”]
    },
    {
        “name”: “FinPay Solutions”,
        “financial_rating”: “A”,
        “security_certifications”: [“PCI-DSS”],
        “past_incidents”: [],
        “recent_news”: [“Regulatory inquiry about payment delays”]
    },
    {
        “name”: “GreenLogistics Corp”,
        “financial_rating”: “B+”,
        “security_certifications”: [“ISO 9001”],
        “past_incidents”: [{“type”: “Operational”, “year”: 2023}],
        “recent_news”: [“Weather-related disruptions in the UK”]
    }
]

REQUIRED_CERTS = {“ISO 27001”, “SOC2 Type II”, “PCI-DSS”}

# =====================================================
# RISK COMPUTATION (FIXED)
# =====================================================

def compute_vendor_risk(vendor: dict) -> dict:
    strong_signals = []
    weak_signals = []

  # ---------- Strong signals ----------

    # Financial risk ONLY for B or worse (NOT B+)
    if vendor[“financial_rating”] in {“B”, “B-“, “C”, “C-“, “D”}:
        strong_signals.append(“Weak financial rating”)

    # Security incident
    if any(i[“type”].lower() == “security” for i in vendor.get(“past_incidents”, [])):
        strong_signals.append(“Past security incident”)

    # Regulatory inquiry
    for news in vendor.get(“recent_news”, []):
        if “regulatory inquiry” in news.lower():
        strong_signals.append(“Regulatory inquiry”)
        break

    # ---------- Weak signals ----------

    # Missing key certifications
    certs = set(vendor.get(“security_certifications”, []))
    if not REQUIRED_CERTS.issubset(certs):
        weak_signals.append(“Missing key security certifications”)

    # Single operational incident
    incidents = vendor.get(“past_incidents”, [])
    if len(incidents) == 1 and incidents[0][“type”].lower() == “operational”:
        weak_signals.append(“Single operational incident”)

    # Weather-related disruptions are weak only
    for news in vendor.get(“recent_news”, []):
      if “weather” in news.lower():
        weak_signals.append(“Weather-related disruption”)
        break

    # ---------- Final decision ----------

    if len(strong_signals) >= 2:
        risk = “High”
    elif len(strong_signals) == 1 or len(weak_signals) >= 2:
        risk = “Medium”
    else:
        risk = “Low”

    return {
        “risk”: risk,
        “strong_signals”: strong_signals,
        “weak_signals”: weak_signals
    }

# =====================================================
# PYTHON TOOL
# =====================================================

@tool
def evaluate_all_vendor_risks() -> dict:
    “””
    Returns structured vendor risk assessments with explanations and rules.
    “””
    return {
        “rules”: {
            “financial_rating_rule”: “Only financial ratings of B or lower are treated as strong risk signals. B+ and above are not strong signals.”,
            “high_risk_rule”: “High risk requires two or more strong signals.”,
            “medium_risk_rule”: “Medium risk occurs with one strong signal or two or more weak signals.”,
            “weather_rule”: “Weather-related disruptions are always weak signals.”,
            “operational_rule”: “A single operational incident is a weak signal.”
        },
        “vendors”: {
            v[“name”]: {
                “financial_rating”: v[“financial_rating”],
                “risk”: compute_vendor_risk(v)[“risk”],
                “strong_signals”: compute_vendor_risk(v)[“strong_signals”],
                “weak_signals”: compute_vendor_risk(v)[“weak_signals”]
            }
            for v in VENDORS
        }
    }

Passaggio 10: importa lo strumento Python e l'agente in watsonx Orchestrate

In questo passaggio, lo strumento e l'agente devono essere messi a disposizione di watsonx Orchestrate. Questo processo viene eseguito importando questi componenti nell'ambiente ADK attivato. Prima di eseguire i comandi di importazione, assicurati di essere nella cartella principale del progetto (la stessa che contiene le directory agents, src e tools).

Innanzitutto, importa lo strumento Python in modo che watsonx Orchestrate possa registrarlo come funzionalità eseguibile. Dalla cartella principale del progetto, esegui il seguente comando:

orchestrate tools import --kind python --file src/main.py --package-root .

Questo comando crea un pacchetto del codice Python sotto forma di modulo, registra lo strumento evaluate_all_vendor_risks e lo rende richiamabile dagli agenti.

orchestrate agents import -f agents/vendor-risk-agent.yaml

Il Vendor Risk Intelligence Agent è quindi completamente integrato con lo strumento Python nell'ambiente watsonx Orchestrate.

Passaggio 11: testa l'agente e analizza il suo comportamento con Langfuse

Con il server locale di watsonx Orchestrate in esecuzione e l'observability dell'agente abilitata, puoi ora testare l'agente e analizzarne il comportamento in tempo reale.

Avvia l'interfaccia di chat eseguendo il seguente comando:

orchestrate chat start

Ora apri l'interfaccia utente di watsonx Orchestrate nel tuo browser. Dal selettore degli agenti, scegli Vendor_Risk_Intelligence_Agent e inizia a porre domande relative al rischio del fornitore.

Per verificare che l'agente stia rispondendo correttamente (e chiamando lo strumento Python in modo deterministico), ecco alcune domande di esempio che puoi usare per i test:

B+ indica un rischio elevato?
Qual è il livello di rischio di DataSecure Ltd?
Quali sono i criteri per il rischio medio?
Quale fornitore ha il rating finanziario più basso?
Se FinPay Solutions subisse un incidente di sicurezza, come cambierebbe il suo livello di rischio?
Quali fornitori hanno riscontrato problemi operativi?

Mentre interagisci con l'agente, apri la dashboard di Langfuse nel browser. Ogni query utente crea una nuova traccia, include un session_id e un ID utente. Queste tracce registrano il percorso completo di esecuzione dell'agente. Selezionando una traccia, è possibile analizzare:

L'input e l'output completi dell'agente
L'invocazione dello strumento Python
I dati strutturati restituiti dallo strumento
Il processo di ragionamento seguito per giungere alla risposta finale
Latenza per ogni fase del processo
Flusso di conversazione basato su sessioni per domande multiple

Questa observability aiuta ad analizzare le metriche delle prestazioni che evidenziano colli di bottiglia come errori nelle ipotesi, regole incomplete o comportamenti imprevisti degli agenti.

Passaggio 12: perfeziona il comportamento dell'agente con gli insight di Langfuse

Dopo avere testato l'agente, usa le tracce di Langfuse per identificare le risposte errate. Langfuse mostra l'invocazione, la fase di ragionamento e la latenza di risposta di ogni strumento, facilitando la comprensione del motivo per cui è stata prodotta una risposta.

In questo caso d'uso, l'analisi delle tracce ha rivelato che alcune risposte errate si verificavano quando l'agente inferiva il significato dei dati finanziari o rispondeva senza citare esplicitamente le evidenze basate sulle regole. Per correggere questo comportamento, le istruzioni dell'agente e il relativo codice Python sono stati modificati, imponendo un ragionamento rigorosamente basato su regole attraverso l'uso dello strumento appropriato.

Dopo avere reimportato i file aggiornati, l'agente è stato nuovamente testato. Le nuove tracce garantiscono che le risposte siano saldamente basate sull'output strutturato dello strumento, che le spiegazioni siano deterministiche e che le risposte a tutte le domande descrittive siano corrette.

Questo processo di osservazione e perfezionamento dimostra come Langfuse supporti lo sviluppo sicuro e affidabile degli agenti sulla base del feedback degli utenti.

Esplora la demo interattiva riportata di seguito per vedere in azione l'agente per la valutazione del rischio dei fornitori e il tracciamento con Langfuse.

Conclusione

Questo tutorial ti ha guidato nella creazione di un agente AI strutturato e affidabile con watsonx Orchestrate, progettato per lo sviluppo di agenti di livello aziendale. Grazie all'integrazione di una semplice logica Python basata su regole, di istruzioni chiare per l'agente e di strumenti riutilizzabili, hai implementato un caso d'uso per la valutazione del rischio dei fornitori con una quantità minima di codice e la massima trasparenza.

L'aggiunta di Langfuse ha reso semplice monitorare il comportamento dell'agente e rilevare i problemi nel processo di ragionamento, consentendo di migliorare continuamente l'accuratezza senza ricorrere a tentativi o supposizioni. Questo approccio consente alle aziende di ottimizzare i sistemi di agenti end-to-end, automatizzare workflow complessi e implementare sistemi AI con la massima trasparenza.

Ancora più importante, watsonx Orchestrate ADK e Langfuse, utilizzati insieme, consentono alle aziende di progettare, eseguire il debug e scalare più rapidamente workflow agentici complessi e applicazioni di AI, garantendo una governance più solida, un processo di ragionamento più trasparente e una riduzione dei tempi di sviluppo.

Jobit Varughese

Technical Content Writer

IBM

Inizia a realizzare il ROI: una guida pratica all'agentic AI

Scopri come scalare l'agentic AI per ottenere un ROI misurabile in tutta la tua azienda. Questo playbook delinea i principali ostacoli che limitano l'impatto, spiega come misurare efficacemente il ROI e delinea un framework pratico per promuovere un'adozione di successo a livello aziendale.

Risorse

Metti al sicuro i tuoi agenti

Gli attacchi di model inversion ai sistemi di AI costano in media 6 milioni di dollari, evidenziando le crescenti sfide nella protezione dei sistemi di AI e dei dati sensibili.

Progettare una compagnia aerea AI-native su scala enterprise

Quando i margini sono ridotti, ogni inefficienza è importante. Mentre i sistemi legacy continuano a limitare il potenziale dell'AI nell'aviazione, Riyadh Air ha scelto una strada diversa. In collaborazione con IBM, Riyadh Air ha creato la prima compagnia aerea AI-native al mondo, ridefinendo un modo più intelligente, veloce e intuitivo di viaggiare.

L'impresa nel 2030: progettata per l'innovazione continua

Scopri le nostre cinque previsioni su ciò che definirà le aziende di maggior successo nel 2030 e i passi che i leader possono intraprendere per ottenere un vantaggio AI-first.

Un imperativo della governance dell'AI: le normative in evoluzione e l'emergere dell'agentic AI

Scopri come le normative in evoluzione e l'emergere degli agenti AI stanno rimodellando la necessità di solidi framework di governance dell'AI.

Spieghiamo l'agentic AI

Techsplainers di IBM analizza gli elementi essenziali dell'agentic AI, dai concetti chiave ai casi d'uso reali. Gli episodi chiari e rapidi ti aiutano ad apprendere rapidamente le nozioni fondamentali.

Sblocca il ROI dell'AI: una guida tattica alla produttività aziendale

Scopri strategie dimostrate per aumentare la produttività e alimentare la trasformazione incentrata su AI e innovazione.

In che modo gli agenti e gli assistenti AI possono aiutare la tua organizzazione

Immergiti in questa guida completa che analizza i principali casi d'uso e le funzionalità di base, fornendo consigli dettagliati per aiutarti a scegliere le soluzioni giuste per la tua azienda.

Reinventa la produttività aziendale con agenti e assistenti AI

Scopri come gli agenti e gli assistenti basati su AI possono collaborare per raggiungere nuovi livelli di produttività.

Prova watsonx Orchestrate

Esplora come gli assistenti di AI generativa possono alleggerire il tuo workload e migliorare la produttività.

Dai progetti di AI ai profitti: come l'agentic AI può sostenere un ritorno finanziario

Scopri come le organizzazioni stanno passando da progetti pilota di AI isolati a una trasformazione del core business guidata dall'agentic AI.

Report Omdia sull'intelligenza potenziata: l'impatto degli agenti AI

Scopri come sbloccare il pieno potenziale della gen AI con gli agenti AI.

Come gli agenti AI reinventeranno la produttività

Impara come usare l'AI per essere più creativo ed efficiente e iniziare ad adattarti a un futuro che implica la collaborazione a stretto contatto con gli agenti AI.

Arriva l'agentic enterprise: mettere l'AI al servizio di tutta la tua tecnologia

Rimani aggiornato sui nuovi agenti AI emergenti, un punto di svolta fondamentale nella rivoluzione dell'AI.

Il futuro degli agenti, il consumo energetico dell'AI, l'utilizzo di computer Anthropic e la filigrana di Google sul testo generato dall'AI

Rimani sempre un passo avanti grazie ai nostri esperti di AI in questa puntata di Mixture of Experts, nel corso della quale approfondiranno il futuro degli agenti AI e molto altro.

Come Comparus utilizza un "assistente bancario"

Comparus ha utilizzato le soluzioni di watsonx.ai e ha dimostrato in modo impressionante il potenziale del conversational banking come nuovo modello di interazione.

Soluzioni correlate

Agenti AI per il Business

Crea, implementa e gestisci assistenti e agenti AI potenti che automatizzano workflow e processi con l'AI generativa.

Scopri watsonx Orchestrate

Soluzioni per agenti AI IBM

Costruisci il futuro della tua azienda con soluzioni AI di cui puoi fidarti.

Esplora le soluzioni basate su agenti AI

Servizi AI di IBM Consulting

I servizi di AI di IBM Consulting aiutano a reinventare il modo in cui le aziende lavorano con l'AI per la trasformazione.

Esplora i servizi di intelligenza artificiale

Prossimi passi

Sia che tu scelga di personalizzare app e competenze precostituite o di creare e implementare servizi di agenti personalizzati utilizzando uno studio di AI, la piattaforma IBM watsonx è la soluzione che fa per te.