> ## Documentation Index
> Fetch the complete documentation index at: https://docs.innochat.ch/llms.txt
> Use this file to discover all available pages before exploring further.
# Chatbot multi-agente
> Scopri come INNOCHAT utilizza un’architettura multi-agente per automazioni ad alte prestazioni.
INNOCHAT è il primo e più potente framework No-Code per chatbot AI a implementare un’architettura multi-agente.\
Più agenti AI lavorano insieme in un’orchestrazione coordinata per consentire automazioni avanzate dei flussi di lavoro.
Questa guida ha lo scopo di aiutarti a comprendere come collaborano i nostri agenti, fornendoti al contempo alcune best practice per progettare un chatbot multi-agente.
Tutti gli agenti hanno due stati:
* **Attivo:** L’agente è “Connected”. È online e attivo.
* **Inattivo:** L’agente è “Disabled”. Non esegue alcuna azione.
In qualsiasi momento, **solo un agente** interagisce direttamente con l’utente.\
Il nostro **supervisore AI** lavora in background in tempo reale e decide quale agente deve gestire la richiesta dell’utente.
Gli agenti sono completamente isolati tra loro.\
Ciò significa:
* Non puoi istruire l’agente B dall’agente A.
* Non puoi dire al supervisore AI di “passare il testimone”.
* Il supervisore AI non può essere istruito tramite linguaggio naturale.
Il supervisore AI distribuisce le richieste degli utenti agli agenti in base alla loro **descrizione dell’agente**.\
Se hai un solo agente, la descrizione è meno importante.\
Se invece lavori con più agenti, dovrebbe essere **il più chiara e precisa possibile**.
* **Agent Description** – Quali compiti deve svolgere l’agente?
* **Agent Prompt** – Come deve svolgere questi compiti?
La descrizione dell’agente è diversa dal prompt.\
La descrizione spiega al supervisore AI, a livello generale, quali tipi di richieste l’agente deve gestire.\
Il prompt, invece, contiene istruzioni dettagliate sul comportamento dell’agente.
Le buone descrizioni degli agenti rispondono alla domanda:\
**«Quali tipi di richieste deve gestire l’agente?»**
Dovrebbero includere tutte le **intenzioni dell’utente** rilevanti che l’agente deve coprire.
Le descrizioni degli agenti **non dovrebbero** spiegare *come* l’agente svolge i suoi compiti — questo spetta al prompt.
Ecco alcuni esempi di buone descrizioni degli agenti:
Incarnate the role of "INNOCHAT Expert," a specialized guide for INNOCHAT. Your main objective is to assist users with answering INNOCHAT-related questions related to:
* Use cases
* Features and capabilities
* Data security
* Pricing
* AI Agents and multi-Agent architecture
* User identity verification
* Chunk curation
* Function calling
* Partnership program
* Custom domains
* Tokens
All intents handled by this Agent should be related to INNOCHAT.
{" "}
The Product Expert handles any user queries related to Example Company's products.\
This includes questions regarding:
* Product availability
* Product specifications
* Price
* Shipping location
* Warranty
* Return policy
* Disclaimers, legal notices, and warning labels
{" "}
The Order Status Assistant handles any user queries related to an order's status. This includes:
* Product package tracking
* Current package location
* Estimated delivery time
* Late delivery compensation
Cosa rende efficace la progettazione di un chatbot multi-agente?\
Come assicurarsi che tutte le intenzioni degli utenti vengano gestite dall’agente giusto?
In generale, un’architettura multi-agente è ideale per far collaborare agenti AI specializzati come un team.\
Ogni agente può:
* accedere a dati di training diversi,
* essere alimentato da un LLM diverso,
* avere il proprio prompt,
* disporre dei propri strumenti (Functions).
Questo è molto più efficace rispetto a concentrare tutto in un singolo agente.
Dal punto di vista dell’utente, non è percepibile che siano coinvolti più agenti — l’orchestrazione avviene in modo completamente trasparente in background.\
Se configurato correttamente, il chat appare come una conversazione con una persona reale.\
Un chatbot multi-agente può essere significativamente più potente rispetto ai sistemi a singolo agente come ChatGPT.
Il nostro sistema di routing del supervisore AI utilizza un algoritmo che bilancia **latenza e precisione**.\
Non sarà sempre corretto al 100%, ma con una buona progettazione puoi avvicinarti molto.
## Debug del chatbot
Se il chatbot non reagisce come previsto, ci sono due possibili cause:
1. È stato selezionato l’agente sbagliato per elaborare la richiesta.
2. È stato selezionato l’agente corretto, ma non è configurato in modo ottimale.
Per verificare se è stato selezionato l’agente giusto, vai su **Inbox** e attiva la modalità di debug:
In **Active Agent** puoi vedere quale agente ha generato la risposta.\
Questa informazione viene visualizzata solo quando sono connessi più agenti.
Se ha risposto l’agente sbagliato, modifica la sua configurazione — nome, descrizione o prompt.
Se ha risposto l’agente giusto ma la risposta non è adeguata, il problema riguarda l’agente stesso.\
Il modo più semplice per migliorare è correggere direttamente la risposta:
Questo garantisce che in futuro il chatbot risponderà alla stessa domanda in base alla tua correzione, purché venga selezionato lo stesso agente.
Per rendere l’agente più robusto in generale, puoi:
* curare i dati di training,
* utilizzare un LLM più potente,
* rendere il prompt di base più preciso.
Ulteriori informazioni:
* Best practice per i dati di training: **[best practices for preparing training data](/best-practices)**
* Perfezionare le intenzioni degli agenti: **[Fine-Tuning Agent Intents](fine-tuning-agent-intents)**