Roadmap

Cosa c'è oggi, cosa manca e in che ordine ha senso affrontarlo. Ogni voce è pensata per essere un'aggiunta, non una riscrittura.

Fatto (v0.1)

• Supervisore che sceglie a runtime quale agente coinvolgere, con routing vincolato agli agenti realmente esistenti
• Agenti dichiarativi in YAML, ricaricabili senza riavviare il processo
• Tool con registro estensibile e memoria controllata dagli agenti
• Quattro livelli di memoria: checkpoint, storico, riassunto progressivo, fatti a lungo termine
• Tracing proprietario con span annidati, token e costi reali per modello
• API REST + streaming SSE
• Console web: sezione Osservabilità e sezione Workflow
• Test del backend che non richiedono credenziali AWS

Prossimi passi

1. Autenticazione e multi-utenza

Oggi user_id arriva dal client. Serve un'identità verificata (Supabase Auth è la scelta naturale visto il database), policy RLS per utente e propagazione del user_id reale a memoria e tracing.

2. Modifica della configurazione dalla UI

La vista Workflow oggi legge. Il passo successivo è scrivere: modificare prompt, modello e tool di un agente dal pannello laterale, con salvataggio su agents.yaml (o su tabella dedicata), versionamento e possibilità di tornare indietro. È l'estensione più richiesta e la struttura è già predisposta: export_topology() espone tutto ciò che serve.

3. Controllo dei costi

Budget per utente e per giorno, blocco o passaggio automatico a un modello più economico al superamento della soglia, alert. I dati ci sono già tutti in runs.

4. Ricerca semantica nella memoria

Embedding con Amazon Titan e pgvector, mantenendo il trigram come fallback. Il punto di intervento è la sola query in long_term.recall() (vedi MEMORIA.md).

5. Human-in-the-loop

Sospensione della run con interrupt, coda di approvazioni nella UI, ripresa con Command(resume=...). Il checkpointer rende la cosa già possibile: manca l'interfaccia.

6. Valutazione della qualità

Un dataset di casi di prova, esecuzione periodica, confronto fra versioni di prompt e modelli. Senza questo, migliorare i prompt resta un esercizio a sensazione.

7. Esecuzione parallela

Oggi il supervisore delega a un agente per volta. Per compiti indipendenti (ricerca su più fonti) LangGraph supporta il fan-out con Send: più veloce, e il modello dati del tracing lo regge già.

8. Distribuzione

Dockerfile per backend e frontend, healthcheck, migrazioni automatiche all'avvio, deploy su un ambiente gestito.

Debito tecnico noto