Agenti e automazioni ripetibili con TuaGPT

Introduzione: non solo chat, ma compiti

In TuaGPT un agente non è un servizio cloud esterno: è un’esecuzione asincrona del modello sulla conversazione che hai scelto, guidata da un prompt (o da un obiettivo) e munita dei tool che hai abilitato. Puoi lanciarlo a mano da un tasto FN oppure lasciarlo ripartire da solo quando il Planner segnala la scadenza di una fase che l’agente stesso ha programmato.

Questo articolo accompagna il lettore dalla preparazione del compito — prompt, tool, limiti — fino alla schedulazione ripetibile e alla lettura degli esiti (completato, timeout, risorse insufficienti).

Cos’è un agente in TuaGPT

Nella pratica quotidiana distingui due modalità sullo stesso slot FN:

Un solo job attivo per conversazione: se clicchi di nuovo mentre gira, la richiesta entra in coda. Durante l’esecuzione la chat è in soft-lock (niente nuovi messaggi utente, modifiche RAG/file contestuali, eliminazione, ecc.) finché il compito non termina o non lo arresti dalla dashboard.

Il monitoraggio avviene dal Pannello agenti (menu contestuale lista chat o tasto FN): tab Attivi (stop/annulla, round eseguiti) e tab Storico (durata, token, esito, errori).

Preparare il compito: prompt, obiettivo, limiti

La qualità di un’automazione dipende quasi sempre dalla preparazione a monte, non dal “modello magico”.

1. Scrivere (o scegliere) un prompt dedicato

1. Apri Gestione Prompt e crea un template per il compito specifico (ruolo, vincoli, formato di output, cosa non fare).
2. Non usare prompt DiSistema: non sono assegnabili ai tasti FN né all’agente.
3. Premi Assegna FN per collegarlo al primo slot libero, oppure assegnalo dopo aver creato lo slot.

Esempio di intento chiaro nel prompt: «Sei un agente di monitoraggio prezzi. Usa solo i tool web abilitati, salva un riepilogo nella cartella sicura, aggiorna il diario Planner solo se il prezzo cambia oltre la soglia X, termina quando hai prodotto il file di report.»

2. Personalizzare lo slot FN

Tasto destro sul pulsante FN → Modifica etichetta e posizione…:

• Lancia Agente / Esegui in background — attiva la modalità agentica.
• Obiettivo e/o linee guida — testo multilinea opzionale; insieme a prompt e/o testo aggiuntivo costituisce il “contratto” del compito (ne serve almeno uno dei tre).
• Max passi (turni modello+tool) — tetto di round (default tipico 20, fino a 200). Ogni chiamata tool conta verso il limite.
• Etichetta del pulsante, posizione, eventuale testo append — utili per riconoscere lo slot in elenco.

Alla conferma di avvio TuaGPT mostra un riepilogo (modello, obiettivo, limiti) prima di mettere in coda il job. Il modello usato è quello selezionato nella barra strumenti (incluse le regole di Auto TGPT, se attive).

3. Contesto della conversazione

• Usa una chat non effimera: l’agente scrive messaggi e storico lì.
• Prepara file contestuali o archivio RAG se il compito deve ragionare su documenti già noti.
• Tieni presente che la cronologia della chat (fino ai limiti history/API) viene allegata al turno agentico: chat lunghe consumano contesto ancora prima dei tool.

Abilitare i tool necessari (solo ciò che serve)

Il master switch è Impostazioni → Tool LLM → Abilita Tool per LLM. Senza di esso il modello non riceve alcuna definizione di funzione. Poi abiliti i sotto-sistemi in base al perimetro del compito.

Regola pratica: abilita solo i tool del compito. Ogni famiglia di tool aggiunge schema JSON e un pezzo di system prompt: allarga il contesto fisso e aumenta le chance che il modello usi funzioni inutili.

Il modello deve dichiarare il supporto alle function call. Senza supporto tool, l’agente resta una lunga chat testuale.

Passi per istanziare l’agente (prima esecuzione)

1. Verifica connessione al server LLM e seleziona un modello con tool (e vision, se userai screenshot desktop/browser).
2. In Impostazioni → Tool LLM (e Estensioni se serve) abilita solo le famiglie necessarie; esegui i test di connessione/ping.
3. Crea o seleziona una conversazione permanente; prepara RAG/file contestuali se previsti.
4. In Gestione Prompt prepara il template e assegnalo a uno slot FN.
5. Personalizza lo slot: modalità agente, obiettivo, max passi; salva.
6. Con la chat selezionata, clicca il tasto FN, conferma il riepilogo e lascia partire il job.
7. Apri il Pannello agenti per seguire round e stato; al termine consulta lo storico (token, esito).

Se serve TuaAgent o l’estensione browser, avviali prima del job: altrimenti i tool correlati falliscono e consumano round inutili.

Planner: agenda, diario agenti e percorso di auto-istruzione

Il Planner è l’agenda locale di TuaGPT (eventi e task in database). Con i tool planner abilitati, il modello può consultarla e modificarla come faresti dal pannello grafico — stessi dati, stessa coerenza.

Cosa può fare il modello

• Elencare, cercare e leggere task senza data (inbox).
• Creare, aggiornare ed eliminare eventi/task (per le serie: ambito this / future / series).
• Calcolare intervalli occupati e slot liberi — senza inventare orari.
• Riassumere una giornata.
• Eseguire macro multi-step su web/planner (se il Workflow DSL è abilitato).

Due layer: agenda umana vs diario agenti

• Agenda utente — riunioni, scadenze reali, busy per il calcolo degli slot.
• Diario agenti — fasi operative del modello. In run agente le create finiscono di default nel diario. Non sostituisce l’agenda e non occupa gli slot “busy” umani.

Auto-fase / auto-resume (auto-istruzione)

Qui nasce l’automazione ripetibile. Se in Impostazioni è attiva l’opzione Consenti auto-avvio agenti da promemoria Planner, un agente in esecuzione può programmare la fase successiva così:

1. Crea (o aggiorna) un elemento nel diario agenti con data/ora di scadenza della fase.
2. Imposta notifiche per-elemento (non solo quelle globali) con profilo di scadenza dedicato.
3. Sul profilo di scadenza: attiva la richiesta al modello e scrivi le istruzioni di questa fase (non l’obiettivo permanente dello slot FN).
4. Indica slot FN e conversazione target: in run agente, se omessi, TuaGPT li auto-compila sullo slot e sulla chat correnti.
5. Allo scadere, con opt-in attivo, il servizio promemoria riparte l’agente in background sulla stessa conversazione, portando le istruzioni di fase nel contesto del nuovo job.

È il percorso di auto-istruzione: il modello non deve “restare acceso”; scrive sul Planner cosa farà dopo, quando e con quali istruzioni, poi si ferma. Alla scadenza riparte un nuovo ciclo controllato (sempre soggetto a coda, max round e soft-lock).

Schedulare e ripetere automaticamente

Per un compito ricorrente (es. ogni mattina: controlla fonti → aggiorna file → annota esito) il flusso consigliato è:

1. Istanzia lo slot FN agente con prompt stabile (missione permanente) e limiti realistici.
2. Abilita tool planner + auto-avvio agenti da Planner.
3. Nel prompt (o nell’obiettivo) istruisci esplicitamente: «Al termine, se il lavoro non è concluso o se serve un nuovo ciclo, crea una fase nel diario con scadenza e istruzioni di fase.»
4. Lascia TuaGPT in esecuzione (o assicurati che sia attivo quando scade la fase): il resume non può avvenire se il client è spento.
5. Monitora lo storico agenti e il diario Planner: se una fase fallisce, correggi istruzioni o tool prima del ciclo successivo.

Puoi anche creare a mano eventi/task nel pannello Planner con override di notifica e target slot/conversazione: utile per “kick-off” umani senza aspettare che sia il modello a scrivere la prima fase.

Per batch web/planner senza tanti round LLM intermedi, valuta le macro Workflow DSL: riducono round ma restano vincolate ai tool consentiti nella macro.

Ciclo di vita: compito raggiunto o interrotto

Ogni job termina in uno stato leggibile dalla dashboard:

Limiti di risorse tipici: contesto del modello saturo (overhead tool + history + risultati pagine), RAM/GPU del motore locale, timeout HTTP verso il server, cartella sicura piena, estensione browser non raggiungibile. In questi casi l’esito “non raggiunto” non è un bug dell’agente: è un segnale di ridimensionare il perimetro o di spezzare il lavoro nel diario Planner.

Stima dei token di contesto (portata delle risorse)

Prima ancora di eseguire un passo del compito, il modello riceve già un “peso fisso”: system prompt combinati (moduli abilitati) + elenco tool in JSON Schema + cronologia chat + messaggio di avvio del job. Le stime sotto usano l’euristica comune ~4 caratteri ≈ 1 token sui testi reali dei prompt di sistema e delle descrizioni tool di TuaGPT; la serializzazione JSON completa e i wrapper API aggiungono overhead (indicativamente +30–60%).

Overhead fisso per famiglia (ordine di grandezza)

Profili tipici di “ingresso”

Durante l’esecuzione

Ogni round aggiunge argomenti delle function call, risultati tool (testo pagine, snapshot browser, chunk RAG, elenchi Planner) ed eventuale reasoning del modello. Un compito da 15–30 round con estrazioni web può facilmente consumare ulteriori 20.000–80.000+ token cumulati nella finestra di contesto. Per questo spezzare in fasi Planner non è solo eleganza: è gestione risorse.

Consiglio: misura dai consumi token della chat e dallo storico agenti. Se l’overhead fisso da solo supera un terzo della finestra del modello, disattiva tool non usati o scegli un contesto più ampio in LM Studio / TuaGate.

Checklist operativa rapida

• Modello con function calling (e vision se serve)
• Tool master + solo famiglie necessarie + test estensioni
• Prompt compito in Gestione Prompt → Assegna FN
• Slot: agente, obiettivo chiaro, max passi coerenti
• Chat permanente + contesto RAG/file se previsti
• Per ripetizione: planner + auto-avvio agenti + istruzioni di fase nel prompt
• Contesto modello adeguato alla stima token del profilo
• Monitoraggio da Pannello agenti; arresto se fuori controllo

In sintesi

Un agente TuaGPT è un job controllato: prompt dedicato, tool giusti, limiti di round/tempo, chat dedicata. Il Planner non è solo un calendario: con diario agenti e auto-resume diventa il meccanismo con cui il modello si auto-istruisce nel tempo, schedulando fasi fino al raggiungimento dell’obiettivo — o fino a timeout, tetto turni, errori di risorsa o stop manuale. Dimensiona il contesto: con tutti i tool e i relativi prompt, l’ingresso da solo può valere decine di migliaia di token; le automazioni di livello alto richiedono modelli (e finestre) all’altezza, non solo “più passi”.