Adattamento dell'IA Agente
Adaptation of Agentic AI
December 18, 2025
Autori: Pengcheng Jiang, Jiacheng Lin, Zhiyi Shi, Zifeng Wang, Luxi He, Yichen Wu, Ming Zhong, Peiyang Song, Qizheng Zhang, Heng Wang, Xueqiang Xu, Hanwen Xu, Pengrui Han, Dylan Zhang, Jiashuo Sun, Chaoqi Yang, Kun Qian, Tian Wang, Changran Hu, Manling Li, Quanzheng Li, Hao Peng, Sheng Wang, Jingbo Shang, Chao Zhang, Jiaxuan You, Liyuan Liu, Pan Lu, Yu Zhang, Heng Ji, Yejin Choi, Dawn Song, Jimeng Sun, Jiawei Han
cs.AI
Abstract
I sistemi di IA agentici all'avanguardia sono costruiti su modelli di base che possono essere adattati per pianificare, ragionare e interagire con strumenti esterni al fine di svolgere compiti sempre più complessi e specializzati. Man mano che questi sistemi aumentano in capacità e portata, l'adattamento diventa un meccanismo centrale per migliorare prestazioni, affidabilità e generalizzazione. In questo articolo, unifichiamo il panorama della ricerca in rapida espansione in un quadro sistematico che abbraccia sia gli adattamenti dell'agente che quelli degli strumenti. Li scomponiamo ulteriormente in forme di adattamento dell'agente segnalate dall'esecuzione degli strumenti e segnalate dall'output dell'agente, nonché in forme di adattamento degli strumenti indipendenti dall'agente e supervisionate dall'agente. Dimostriamo che questo quadro aiuta a chiarire lo spazio di progettazione delle strategie di adattamento nell'IA agentica, rende espliciti i loro compromessi e fornisce una guida pratica per selezionare o passare da una strategia all'altra durante la progettazione del sistema. Successivamente, esaminiamo gli approcci rappresentativi in ogni categoria, analizziamo i loro punti di forza e limiti, ed evidenziamo le principali sfide aperte e le future opportunità. Nel complesso, questo articolo mira a offrire una base concettuale e una roadmap pratica per ricercatori e professionisti che cercano di costruire sistemi di IA agentici più capaci, efficienti e affidabili.
English
Cutting-edge agentic AI systems are built on foundation models that can be adapted to plan, reason, and interact with external tools to perform increasingly complex and specialized tasks. As these systems grow in capability and scope, adaptation becomes a central mechanism for improving performance, reliability, and generalization. In this paper, we unify the rapidly expanding research landscape into a systematic framework that spans both agent adaptations and tool adaptations. We further decompose these into tool-execution-signaled and agent-output-signaled forms of agent adaptation, as well as agent-agnostic and agent-supervised forms of tool adaptation. We demonstrate that this framework helps clarify the design space of adaptation strategies in agentic AI, makes their trade-offs explicit, and provides practical guidance for selecting or switching among strategies during system design. We then review the representative approaches in each category, analyze their strengths and limitations, and highlight key open challenges and future opportunities. Overall, this paper aims to offer a conceptual foundation and practical roadmap for researchers and practitioners seeking to build more capable, efficient, and reliable agentic AI systems.