La pipeline di un agente temporale segue una logica di fondo semplice.
Suddividere l’input
Si parte da un documento, come la trascrizione di una riunione del consiglio di amministrazione o una relazione annuale. Lo si suddivide in parti gestibili, come gli interventi dei singoli relatori o i paragrafi.
Estrarre le affermazioni
Da ogni parte si ricavano affermazioni chiare e autonome, come: «L’azienda X è leader di mercato».
Assegnare il tipo
Fatto (verità oggettiva)
Opinione (soggettiva)
Previsione (pronostico o stima)
Statica (vera in un determinato momento)
Dinamica (può cambiare nel tempo)
Atemporale (fatto senza tempo)
Comprendere la dimensione temporale
L’agente rileva quando l’affermazione è diventata vera e, se necessario, quando ha smesso di esserlo, ossia quando è stata invalidata. Questo riguarda la validità delle informazioni contenute nell’affermazione, che può differire dal momento in cui l’affermazione è stata formulata o pubblicata.
Verificare eventuali contraddizioni (invalidazione)
Se una nuova affermazione ne contraddice una precedente, la voce più vecchia viene contrassegnata come scaduta e collegata a quella nuova, anziché eliminare del tutto dalla base di conoscenza l’informazione invalidata.
Questo processo è automatizzato e tracciabile: è quindi sempre possibile approfondire per capire cosa è cambiato e perché.
La buona notizia? Non serve riprogettare l’intero sistema. Spesso gli agenti temporali possono integrarsi direttamente nell’architettura RAG o nella pipeline di conoscenza esistente.
Componenti principali:
Segmentazione semantica: suddivide il testo grezzo in parti significative.
Estrazione dei fatti basata su LLM: usa gli LLM per identificare i fatti, rilevare le date e classificare i tipi di evento.
Classificazione temporale: usa gli LLM per classificare temporalmente le affermazioni e determinarne gli intervalli di validità.
Logica di invalidazione temporale: i nuovi fatti possono aggiornare o far scadere automaticamente quelli precedenti, senza gestione manuale delle versioni.
Archiviazione basata su triple: ogni fatto viene memorizzato come [Soggetto]—[Azione]—[Oggetto] + [Data di inizio, Data di fine] quando si usano grafi di conoscenza o database basati su grafi.
Con la configurazione giusta, anche i team più piccoli possono passare dal prototipo alla produzione in poche settimane. Per il prototipo si possono usare i modelli più grandi (GPT-4.1), per poi passare a versioni più veloci (GPT-4.1-mini o nano) una volta raggiunta la stabilità. Per un approfondimento più tecnico, consulta il Cookbook OpenAI sugli agenti temporali con grafi di conoscenza.
Ora il grafo di conoscenza sensibile alla dimensione temporale è pronto e i dati che contiene sono affidabili. Come trasformare questa solida base di dati in valore per l’azienda?
Recuperare le informazioni desiderate da basi di conoscenza di grandi dimensioni può essere difficile. Gli agenti di recupero multistep possono essere d’aiuto. Questi sistemi possono attraversare in modo intelligente la base di conoscenza mediante più query interconnesse, così da trovare le informazioni più pertinenti per rispondere alla richiesta.
Con la crescita del sistema, diventa essenziale mantenerne l’efficienza e ottimizzarne le prestazioni. L’integrazione di pianificatori può rendere più efficiente il recupero, concentrando le fasi successive della pipeline sulle informazioni davvero importanti. Anche perfezionare gli strumenti di ricerca e analisi accessibili al sistema centrale può produrre vantaggi, consentendo query più complesse su grandi grafi di conoscenza senza sacrificare velocità o qualità.
Per le implementazioni con volumi elevati, parallelizzare l’attraversamento del grafo, memorizzare nella cache i percorsi delle query frequenti e perfezionare ulteriormente i prompt e il fine-tuning può migliorare sensibilmente le prestazioni.
Per chi sta creando un agente temporale, abbiamo pubblicato come open source nel nostro OpenAI Cookbook sugli agenti temporali con grafi di conoscenza una guida tecnica completa, dalla logica di estrazione al ragionamento multihop, che include:
Codice completo e schemi delle pipeline
Indicazioni sui modelli e strategie di valutazione
Buone pratiche per passare dal prototipo alla produzione
Gli agenti temporali trasformano il modo in cui l’IA comprende il tuo mondo: non come un insieme di fatti statici, ma come una narrazione viva e in continua evoluzione.
Quando le decisioni dipendono non solo da cosa è successo, ma anche da quando, è il momento di adottare una prospettiva temporale.
E non devi realizzarla da solo. Se vuoi rendere i tuoi sistemi più consapevoli del contesto, più pronti a supportare le decisioni o semplicemente più aderenti alla realtà, saremo lieti di aiutarti.