Vai al contenuto
AI.info

Ricerca

Creazione agentica di artefatti: sistemi, valutazione, principi e opportunità

I modelli generativi possono trasformare prompt in linguaggio naturale in immagini, testi, codice e altri contenuti, riducendo il costo di produzione di bozze e componenti. Il loro impatto pratico dip

Creazione agentica di artefatti: sistemi, valutazione, principi e opportunità
arXiv
2608.28122
Pubblicato
2026-08-28
Autori
Tianfu Wang, Zhezheng Hao, Xilin Xia, Lixin Liu, Mengkang Hu, Hongzhang Liu, Xi Chen, Ziyan Liu, Xiankun Lin, Weijia Zhang, Nicholas Jing Yuan, Hui Xiong

Abstract degli autori

I modelli generativi possono trasformare prompt in linguaggio naturale in immagini, testi, codice e altri contenuti, riducendo il costo di produzione di bozze e componenti. Il loro impatto pratico dipende sempre più dalla possibilità di trasformare questi elementi in prodotti finiti, completi e affidabili. Questa rassegna esamina la creazione agentica di artefatti, che definiamo come un processo di costruzione con stato in cui un sistema di IA costruisce o modifica materialmente un prodotto da consegnare e le osservazioni intermedie riorientano il lavoro successivo. Sul piano funzionale, il processo collega una rappresentazione operativa dell’artefatto, una politica di costruzione e una verifica durante l’esecuzione, il cui feedback può orientare diversamente le azioni successive. Abbiamo esaminato 259 lavori disponibili fino al 20 agosto 2026: 230 sistemi che soddisfano questa definizione e 29 benchmark sulla costruzione agentica di artefatti. Confrontiamo sei famiglie di artefatti, poi analizziamo separatamente i contesti applicativi e le pratiche di valutazione. Nelle diverse famiglie, le difficoltà di costruzione dipendono non solo dalla modalità, ma anche da quanto strettamente le decisioni sono interdipendenti e dal fatto che gli errori diventino visibili quando sono ancora riparabili. La scomposizione può ridurre la complessità locale, ma aumentare i costi di coordinamento e riassemblaggio. I valutatori addestrati possono fornire poche prove indipendenti aggiuntive quando condividono le preferenze o i punti ciechi del generatore. Formuliamo principi per rendere espliciti gli impegni e le responsabilità, trasformare il feedback in correzioni mirate e verificare nuovamente lo stato interessato dopo una modifica. Individuiamo inoltre opportunità per mantenere un controllo coerente e responsabile mentre evolvono gli artefatti, le intenzioni di chi li crea e i sistemi di costruzione. Un elenco di articoli selezionati è disponibile all’indirizzo https://github.com/GeminiLight/awesome-agentic-artifact-creation.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv