I segnali di acquisto di un potenziale cliente sono sparsi tra decine di fonti: una domanda su Reddit, un lancio su Hacker News, un picco di attività su Stack Overflow, una repository GitHub che supera le 2.400 stelle. Presi singolarmente sono rumore; correlati tra loro raccontano una storia. Il team di Thrad.ai, che sta costruendo infrastruttura pubblicitaria per gli LLM, spendeva 30-45 minuti a ricercare ogni lead su sei fonti prima di scrivere una sola email di outreach. In un nuovo post AWS raccontano come hanno automatizzato questo lavoro con un sistema multi-agente basato su Strands Agents e Amazon Bedrock AgentCore.
Quattro agenti specializzati
L’idea centrale e’ che un singolo agente non regge la diversita’ dei segnali. La pipeline usa quattro agenti, ciascuno con i propri tool e un contratto di output validato con Pydantic: Trend Research (scopre i lanci e i segnali di intento su Hacker News, YouTube, dev.to, ProductHunt, Reddit, Stack Overflow), Search Specialist (arricchisce i profili da Wikipedia, GitHub, Lobste.rs), Analysis (assegna un punteggio da 0 a 100 con Claude Sonnet 4.6) ed Email Generation (redige l’outreach personalizzato). Lo scoring si basa sulla triangolazione dei segnali: servono evidenze correlate da almeno due fonti indipendenti. L’Analysis Agent applica cinque criteri pesati (allineamento tematico 25%, tempismo 20%, engagement 20%, segnali di intento 20%, qualita’ del dato 15%) e un temporal decay che da’ peso 1.5x ai segnali sotto le 24 ore e 0.5x a quelli oltre i 7 giorni.
Swarm contro Graph
La parte piu’ interessante e’ il confronto tra due pattern di orchestrazione offerti da Strands. Con Swarm gli agenti si passano il controllo in modo dinamico tramite un tool di handoff e condividono una memoria comune, potendo tornare indietro se i dati sono scarsi. Con Graph il flusso e’ un grafo diretto fisso: Trend Research e Search Specialist partono in parallelo, Analysis attende entrambi e un edge condizionale attiva la generazione email solo se il punteggio supera 60.
Testati tre volte su 50 prospect da Hacker News, i numeri parlano chiaro. Graph e’ piu’ veloce (32s contro 45s di latenza media per prospect, P95 di 38s contro 78s) e piu’ economico (circa 8.500 token e 0,06 dollari a prospect, contro 12.000 token e 0,08 dollari di Swarm). Swarm produce pero’ email di qualita’ superiore secondo i revisori umani (8,2 contro 7,6), perche’ torna a raccogliere contesto quando i dati sono radi. Thrad.ai ha scelto Graph per l’elaborazione batch notturna e Swarm per l’analisi settimanale sui lead ad alto valore, tenendo entrambi nello stesso codice e commutando con un flag di configurazione.
Deploy e governance
In produzione i quattro agenti girano su Amazon Bedrock AgentCore, che gestisce Runtime (microVM isolate), Gateway (un unico endpoint MCP per i tool), Memory e Observability con tracce OpenTelemetry. Proprio l’analisi delle tracce ha rivelato che le chiamate all’API di YouTube pesavano per il 40% della latenza totale. La governance agisce su tre livelli: policy gate tramite edge condizionali, accesso ai tool limitato allo stretto necessario per ogni agente, e limiti di sicurezza sugli handoff dello Swarm per evitare loop e spesa incontrollata di token.
- Suddividere il problema in agenti specializzati con output validati rende gestibile una pipeline multi-fonte altrimenti fragile.
- Graph vince su costo e prevedibilita’ per il lavoro batch; Swarm vince sulla qualita’ quando i dati sono scarsi e serve adattarsi.
- Osservabilita’ e guardrail non sono opzionali: le tracce individuano i colli di bottiglia e i limiti sugli handoff contengono i costi.
Fonte: Multi-agent social intelligence with Strands Agents and Amazon Bedrock — https://aws.amazon.com/blogs/machine-learning/multi-agent-social-intelligence-with-strands-agents-and-amazon-bedrock/
Hai qualcosa da aggiungere? Unisciti alla discussione.