[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:it":3,"public-menus:all":38,"post:generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing:it":205,"related:post:generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing:it:1":2237},{"statusCode":4,"data":5,"message":37},200,{"tenantId":6,"lang":7,"defaultLang":8,"siteUrl":9,"contactEmail":10,"brandName":11,"logoUrl":12,"siteName":11,"siteDescription":13,"ogImage":10,"robotsIndex":14,"socialLinks":10,"reservedSlugs":10,"seoPolicy":15},"stajic","it","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":16,"relatedContent":17,"crossDomainLinks":18},{"logoUrl":12},{"enabled":14},[19,22,25,28,31,34],{"url":20,"label":21,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":23,"label":24,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":26,"label":27,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.com","bazify.com",{"url":29,"label":30,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.de","bazify.de",{"url":32,"label":33,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.at","bazify.at",{"url":35,"label":36,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[39,45],{"id":40,"name":41,"location":42,"isActive":14,"isDefault":43,"items":44},1,"main-navigation","header",false,[],{"id":46,"name":47,"location":48,"isActive":14,"isDefault":14,"items":49},4,"main-menu","sidebar",[50,66,79,93,103,118,133],{"id":51,"title":52,"url":60,"target":61,"icon":62,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":64,"portfolioId":10,"children":65},"item-18",{"de":53,"en":54,"es":55,"fr":56,"it":54,"ru":57,"sr":58,"zh":59},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":67,"title":68,"url":75,"target":61,"icon":76,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":77,"portfolioId":10,"children":78},"item-22",{"de":69,"en":69,"es":70,"fr":69,"it":71,"ru":72,"sr":73,"zh":74},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":80,"title":81,"url":89,"target":61,"icon":90,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":91,"portfolioId":10,"children":92},"item-19",{"de":82,"en":83,"es":84,"fr":83,"it":85,"ru":86,"sr":87,"zh":88},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":94,"title":95,"url":99,"target":61,"icon":100,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":101,"portfolioId":10,"children":102},"item-23",{"de":96,"en":96,"es":96,"fr":96,"it":96,"ru":97,"sr":97,"zh":98},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":104,"title":105,"url":114,"target":61,"icon":115,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":116,"portfolioId":10,"children":117},"item-32",{"de":106,"en":107,"es":108,"fr":109,"it":110,"ru":111,"sr":112,"zh":113},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":119,"title":120,"url":129,"target":61,"icon":130,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":131,"portfolioId":10,"children":132},"item-20",{"de":121,"en":122,"es":123,"fr":124,"it":125,"ru":126,"sr":127,"zh":128},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":134,"title":135,"url":144,"target":61,"icon":145,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":147},"item-21",{"de":136,"en":137,"es":138,"fr":139,"it":140,"ru":141,"sr":142,"zh":143},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[148,161,175,181,193],{"id":149,"title":150,"url":144,"target":61,"icon":159,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":160},"item-24",{"de":151,"en":152,"es":153,"fr":154,"it":155,"ru":156,"sr":157,"zh":158},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":162,"title":163,"url":171,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":174},"item-29",{"de":164,"en":165,"es":166,"fr":167,"it":168,"ru":169,"sr":170,"zh":143},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":176,"title":177,"url":179,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":180},"item-28",{"de":178,"en":178,"es":178,"fr":178,"it":178,"ru":178,"sr":178,"zh":178},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":182,"title":183,"url":191,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":192},"item-27",{"de":184,"en":185,"es":186,"fr":187,"it":188,"ru":189,"sr":190,"zh":185},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":194,"title":195,"url":203,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":204},"item-31",{"de":196,"en":197,"es":198,"fr":199,"it":200,"ru":201,"sr":202,"zh":197},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":206,"message":2236},{"id":207,"title":208,"slug":209,"content":210,"contentJson":211,"excerpt":1067,"featuredImage":1068,"featuredImageAlt":1069,"featuredImageCaption":10,"featuredImageTitle":10,"featuredImageCopyright":10,"featuredImageAuthor":10,"featuredImageSourceUrl":10,"featuredImageLicense":10,"featuredImageIsAiGenerated":43,"status":1070,"publishedAt":1071,"createdAt":1072,"updatedAt":1073,"seoLocalePaths":1074,"categories":1083,"author":1104,"translations":1109},"481","L'IA generativa spiegata: modelli, recupero, strumenti e applicazioni non sono la stessa cosa","generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u003Cp>L'IA generativa non è un singolo componente. Un sistema di IA generativa in produzione di solito combina un modello generativo con codice applicativo che fornisce istruzioni e contesto, recupera conoscenza esterna quando necessario, espone strumenti per leggere o modificare sistemi esterni, gestisce lo stato di runtime e i permessi, e trasforma il risultato in un prodotto utilizzabile. Trattare modello, recupero, strumenti, contesto, runtime e applicazione come la stessa cosa nasconde i confini che determinano freschezza, sicurezza, affidabilità, costo e controllo.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Risposta diretta\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Il modello genera; il recupero trova evidenze esterne; gli strumenti accedono ai dati o eseguono azioni; il contesto è ciò che il modello può vedere per l'inferenza corrente; il runtime coordina l'esecuzione; l'applicazione possiede regole di prodotto, stato, permessi, persistenza ed esperienza utente.\u003C\u002Fstrong> Questi livelli possono essere confezionati insieme da un fornitore, ma le loro responsabilità restano diverse.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Nota su terminologia e versione\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Questo articolo definisce responsabilità architetturali durevoli piuttosto che un singolo stack di fornitore. Gli esempi di implementazione attuali sono stati ricontrollati l'\u003Cstrong>8 ottobre 2026\u003C\u002Fstrong>. Le API dei fornitori e i nomi dei prodotti possono cambiare; i confini di responsabilità sono più stabili di qualsiasi singolo SDK o endpoint.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Indice\">\u003Cstrong class=\"editorjs-toc__title\">Indice\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-5\" class=\"editorjs-toc__link\">Cosa significa realmente “IA generativa”?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-9\" class=\"editorjs-toc__link\">Il modello più semplice e utile di un sistema di IA generativa\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-13\" class=\"editorjs-toc__link\">I sei confini che contano\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">1. Il modello: la generazione è la sua responsabilità principale\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-19\" class=\"editorjs-toc__link\">2. Recupero: trovare prove esterne è un'operazione separata\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-24\" class=\"editorjs-toc__link\">3. Strumenti: accesso e azione non sono conoscenza del modello\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-29\" class=\"editorjs-toc__link\">4. Contesto: ciò che il modello può vedere in questo momento\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-33\" class=\"editorjs-toc__link\">5. Runtime e orchestrazione: coordinare il ciclo\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">6. L'applicazione: dove l'IA diventa un prodotto\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">Come le parti lavorano insieme in una richiesta reale\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-45\" class=\"editorjs-toc__link\">Diversi prodotti di IA usano combinazioni diverse\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">Evidenza di implementazione: Aaasaasa AI Client\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-55\" class=\"editorjs-toc__link\">Errori di categoria comuni\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-57\" class=\"editorjs-toc__link\">Modalità di guasto quando i confini collassano\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-60\" class=\"editorjs-toc__link\">Cosa è stabile e cosa è sensibile alla versione?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-64\" class=\"editorjs-toc__link\">Il test del confine dei componenti IA\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-67\" class=\"editorjs-toc__link\">Cosa non è l'IA generativa\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-71\" class=\"editorjs-toc__link\">Dove andare dopo nel grafo della conoscenza\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-75\" class=\"editorjs-toc__link\">Limitazioni\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-79\" class=\"editorjs-toc__link\">Cosa cambierebbe questa risposta?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-82\" class=\"editorjs-toc__link\">Conclusione\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-86\" class=\"editorjs-toc__link\">FAQ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-88\" class=\"editorjs-toc__link\">Glossario\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-90\" class=\"editorjs-toc__link\">Fonti primarie ed evidenze di implementazione\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-5\">Cosa significa realmente “IA generativa”?\u003C\u002Fh2>\n\u003Cp>A livello di modello, l'IA generativa si riferisce a modelli di IA che generano contenuti sintetici derivati come testo, immagini, audio, video, codice o altro output digitale. NIST AI 600-1 utilizza questo significato orientato al modello e discute separatamente i rischi a livello di modello, sistema, applicazione e caso d'uso.\u003C\u002Fp>\n\u003Cp>Questa distinzione è importante perché un modello di IA non è la stessa cosa del sistema di IA completo. Il glossario attuale del NIST definisce un modello di IA come un componente che produce output da input utilizzando tecniche computazionali, statistiche o di machine learning, mentre un sistema di IA può includere software, hardware, applicazioni, strumenti o utilità che operano utilizzando l'IA.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Un confine utile\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Modello generativo ≠ applicazione di IA generativa.\u003C\u002Fstrong>\u003Cbr>Un modello è un componente computazionale. Un prodotto di IA utilizzabile è un sistema costruito attorno a quel componente.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-9\">Il modello più semplice e utile di un sistema di IA generativa\u003C\u002Fh2>\n\u003Cp>Come primo modello mentale, immagina un assistente aziendale che risponde: “Questo cliente può ricevere un rimborso oggi?” Una risposta utile può richiedere diverse responsabilità. Il modello linguistico può interpretare la domanda e scrivere la spiegazione, ma lo stato attuale dell'ordine può provenire da uno strumento di database, la politica di rimborso può provenire dal recupero di documenti, i permessi possono essere applicati dall'applicazione, e l'azione finale può richiedere una chiamata API controllata.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Un percorso di esecuzione comune\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Richiesta dell'utente\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">L'applicazione riceve una domanda o un'attività in linguaggio naturale.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Politica e stato dell'applicazione\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Identità, tenant, permessi, stato attuale del flusso di lavoro e regole di prodotto definiscono cosa è consentito fare alla richiesta.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Recupero o accesso diretto ai dati\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Il sistema ottiene evidenze esterne o fatti attuali quando la conoscenza del modello è insufficiente.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Costruzione del contesto\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Istruzioni, input dell'utente, evidenze selezionate, stato rilevante e definizioni degli strumenti vengono assemblati per il modello.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Inferenza del modello\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Il modello generativo interpreta il contesto fornito e produce testo, output strutturato o una richiesta di strumento.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Esecuzione dello strumento quando necessario\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Il runtime o l'applicazione convalida ed esegue le chiamate agli strumenti approvate al di fuori del modello.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Osservazione e continuazione\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">I risultati degli strumenti possono tornare al modello come nuovo contesto per un altro passo di inferenza.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Validazione e output del prodotto\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">L'applicazione convalida il risultato, registra lo stato o i dati di audit richiesti, e presenta o esegue l'esito finale.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>I sistemi reali non seguono sempre esattamente questa sequenza. Il recupero può avvenire prima della prima chiamata al modello, gli strumenti possono essere selezionati durante un ciclo di agente, la logica applicativa deterministica può bypassare completamente il modello, e la validazione può avvenire in diverse fasi. Il punto è separare le responsabilità, non imporre un unico flusso di lavoro universale.\u003C\u002Fp>\n\u003Ch2 id=\"section-13\">I sei confini che contano\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Sei responsabilità all'interno di un prodotto di IA\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Compito principale\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Input tipici\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Non è la stessa cosa di\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Modello\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Recupero\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Strumenti\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Contesto\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Runtime \u002F orchestratore\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Applicazione\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-15\">1. Il modello: la generazione è la sua responsabilità principale\u003C\u002Fh2>\n\u003Cp>Un modello generativo mappa gli input forniti su output generati. Per un modello linguistico, ciò può includere testo in linguaggio naturale, JSON strutturato, codice, classificazioni, riassunti, piani o argomenti per chiamate a strumenti. I modelli generativi multimodali possono lavorare con ulteriori tipi di input e output.\u003C\u002Fp>\n\u003Cp>Il modello può contenere una conoscenza appresa sostanziale nei suoi parametri, ma la conoscenza parametrizzata non è un database live. Il modello non conosce automaticamente un documento creato cinque minuti fa, il livello attuale delle scorte, un record privato di un cliente o lo stato di un'applicazione, a meno che tali informazioni non vengano fornite attraverso il percorso di input corrente.\u003C\u002Fp>\n\u003Cp>Ecco perché cambiare il modello non risolve automaticamente conoscenza obsoleta, permessi mancanti, recupero non funzionante, proprietà dello stato errata o esecuzione non sicura degli strumenti. Questi guasti spesso appartengono ad altri livelli.\u003C\u002Fp>\n\u003Ch2 id=\"section-19\">2. Recupero: trovare prove esterne è un'operazione separata\u003C\u002Fh2>\n\u003Cp>Il recupero seleziona informazioni da una fonte esterna prima o durante la generazione. Il lavoro del 2020 sulla Retrieval-Augmented Generation di Lewis et al. ha reso esplicita la separazione combinando un modello generativo parametrico con una memoria non parametrica recuperata. I sistemi di produzione moderni utilizzano molte varianti di recupero, ma l'idea architetturale rimane: le prove utili possono essere recuperate al momento dell'inferenza invece di affidarsi solo a ciò che il modello ha appreso durante l'addestramento.\u003C\u002Fp>\n\u003Cp>Il recupero può utilizzare ricerca lessicale, embedding, ricerca vettoriale, ricerca ibrida, SQL, grafi di conoscenza, filtri sui metadati, API o altri meccanismi di selezione. Un database vettoriale è quindi una possibile componente di recupero, non la definizione di RAG.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">La rilevanza non è autorità\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un passaggio recuperato può essere altamente rilevante e comunque obsoleto, non autorizzato, proveniente dalla versione sbagliata o insufficiente a supportare un'affermazione. La qualità del recupero e la qualità delle prove devono essere valutate separatamente.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fit\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Cos'è il RAG? La spiegazione più semplice di come funziona\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">La spiegazione canonica in linguaggio semplice della generazione aumentata dal recupero, inclusa la separazione tra LLM, conoscenza, stato, memoria e strumenti.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leggi le basi del RAG →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-24\">3. Strumenti: accesso e azione non sono conoscenza del modello\u003C\u002Fh2>\n\u003Cp>Uno strumento è un'interfaccia attraverso la quale un runtime AI può richiedere funzionalità esterne al modello. Uno strumento può interrogare un database, cercare sul web, leggere un file, calcolare un valore, chiamare un servizio interno, creare un ticket, inviare un messaggio, modificare un record o attivare un'altra operazione controllata.\u003C\u002Fp>\n\u003Cp>L'attuale documentazione di OpenAI sul function calling rende esplicito questo confine: il function calling consente ai modelli di interfacciarsi con sistemi esterni e accedere a dati o azioni forniti dall'applicazione. Il modello può proporre o selezionare una chiamata, ma il sistema esterno esegue l'operazione reale.\u003C\u002Fp>\n\u003Cp>L'uso degli strumenti crea quindi due domande separate: il modello può richiedere questa capacità? e l'applicazione la autorizzerà ed eseguirà? Un sistema di produzione non dovrebbe confondere l'intento del modello con il permesso di causare un effetto collaterale.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">L'intento del modello non è autorità di esecuzione\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un modello può emettere una richiesta di strumento valida e comunque essere negato. Autorizzazione, validazione degli argomenti, limiti di velocità, regole transazionali, requisiti di audit e rollback appartengono all'esterno del modello.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-29\">4. Contesto: ciò che il modello può vedere in questo momento\u003C\u002Fh2>\n\u003Cp>Il contesto è l'informazione disponibile al modello per un particolare passo di inferenza. La guida di Anthropic sull'ingegneria del contesto descrive il contesto come l'insieme di token inclusi quando si campiona da un LLM. In pratica, quell'insieme può contenere istruzioni di sistema, messaggi utente, cronologia della conversazione, prove recuperate, definizioni di strumenti, risultati di strumenti, riassunti di memoria e stato applicativo selezionato.\u003C\u002Fp>\n\u003Cp>Il contesto non è quindi né la base di conoscenza completa né la memoria a lungo termine. Un'azienda può memorizzare dieci milioni di documenti mentre solo una manciata di passaggi entra in una singola chiamata al modello. Un runtime può persistere un anno di cronologia delle conversazioni esponendo solo i pezzi necessari per l'attività corrente.\u003C\u002Fp>\n\u003Cp>La finestra di contesto crea anche un vincolo ingegneristico. Aggiungere più testo non garantisce una risposta migliore; informazioni irrilevanti, obsolete, contraddittorie o di bassa autorità possono diluire le prove che contano davvero.\u003C\u002Fp>\n\u003Ch2 id=\"section-33\">5. Runtime e orchestrazione: coordinare il ciclo\u003C\u002Fh2>\n\u003Cp>Il runtime o livello di orchestrazione coordina come il modello partecipa a un'attività. A seconda dell'architettura, può gestire sessioni, richieste al modello, scoperta di strumenti, cicli di chiamata di strumenti, tentativi, passaggi di consegne, eventi in streaming, timeout, checkpoint, compattazione o ambienti di esecuzione.\u003C\u002Fp>\n\u003Cp>Alcuni runtime sono codice applicativo sottile attorno a un'API del modello. Altri sono harness di agenti completi. Un runtime gestito da un fornitore può possedere parte del ciclo mentre l'applicazione possiede ancora la verità di dominio, l'autorizzazione, gli effetti collaterali aziendali e il ciclo di vita del prodotto.\u003C\u002Fp>\n\u003Cp>Questo confine è importante perché dove viene eseguito il runtime e dove viene eseguita l'inferenza sono decisioni separate. Un client o processo agente in esecuzione locale può comunque chiamare un modello remoto, mentre un'applicazione remota può chiamare un modello ospitato su infrastruttura sotto il controllo dell'organizzazione.\u003C\u002Fp>\n\u003Ch2 id=\"section-37\">6. L'applicazione: dove l'IA diventa un prodotto\u003C\u002Fh2>\n\u003Cp>L'applicazione è il confine del prodotto attorno ai componenti di IA. Possiede l'esperienza utente, il modello di dominio, lo stato corrente, l'identità, l'ambito del tenant, i permessi, la persistenza, le integrazioni di servizio, la validazione, l'osservabilità, la logica di fatturazione o quota dove rilevante, e le regole che determinano ciò che l'IA è autorizzata a vedere o fare.\u003C\u002Fp>\n\u003Cp>Questo è lo strato che trasforma \"un modello può produrre output utili\" in \"un sistema può fornire una capacità affidabile\". Lo stesso modello può partecipare a un assistente di ricerca privato, a un flusso di lavoro di supporto, a un agente di codice o a un'applicazione commerciale perché l'applicazione circostante modifica i dati, gli strumenti, le politiche, lo stato e il contratto di esecuzione.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Il modello è sostituibile; il confine del prodotto no\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La sostituzione di provider e modello può essere un obiettivo architetturale. Lo stato autorevole, i permessi, le regole di dominio, la traccia di audit e il contratto utente dell'applicazione non possono semplicemente essere delegati al modello attualmente selezionato.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-41\">Come le parti lavorano insieme in una richiesta reale\u003C\u002Fh2>\n\u003Cp>Considera un assistente di supporto a cui viene chiesto: \"Rimborsa l'ordine 4711 se è ancora idoneo, e spiega perché\". La richiesta combina conoscenza, stato corrente, autorizzazione, ragionamento e un effetto collaterale.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Esigenza\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Strato corretto\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Perché\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Politica di rimborso\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Recupero\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il sistema deve trovare la politica applicabile corrente e preservarne la provenienza.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Stato dell'ordine 4711\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Accesso diretto ai dati\u002Fstrumenti\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il record corrente dell'ordine è stato autorevole volatile, non qualcosa da indovinare dalla conoscenza del modello.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autorità dell'utente a rimborsare\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Applicazione \u002F autorizzazione\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">I permessi devono essere applicati indipendentemente da ciò che il modello richiede.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Interpretare la politica rispetto ai fatti dell'ordine\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modello + contesto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il modello può ragionare sulle prove della politica e sullo stato corrente dell'ordine forniti.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eseguire il rimborso\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Strumento + regole di transazione dell'applicazione\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un'operazione esterna controllata modifica lo stato reale.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Spiegare il risultato\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modello\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il modello può generare la spiegazione rivolta all'utente dai risultati validati.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verificare cosa è successo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Applicazione \u002F runtime\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il sistema registra prove, chiamate, decisioni, effetti collaterali ed errori come richiesto.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Se l'assistente ha solo il modello linguistico, può discutere di rimborsi ma non può sapere in modo sicuro se l'ordine 4711 è attualmente idoneo o eseguire la transazione. Se ha solo il recupero, può trovare la politica ma manca comunque dello stato dell'ordine in tempo reale. Se ha strumenti senza autorizzazione dell'applicazione, può diventare capace ma non sicuro. L'affidabilità deriva dal comporre gli strati con una proprietà esplicita.\u003C\u002Fp>\n\u003Ch2 id=\"section-45\">Diversi prodotti di IA usano combinazioni diverse\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">La presenza di un modello non definisce l'intera architettura\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Recupero\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Strumenti\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Stato autorevole\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Capacità tipica\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Assistente solo modello\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Assistente basato su recupero\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Assistente che usa strumenti\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Applicazione agentica\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Questi sono modelli architetturali, non classifiche di maturità. Una funzionalità solo modello può essere il design corretto quando il compito non richiede fatti o azioni esterne. Aggiungere recupero, strumenti, memoria o un ciclo di agente è giustificato solo quando il compito richiede quelle capacità.\u003C\u002Fp>\n\u003Ch2 id=\"section-48\">Evidenza di implementazione: Aaasaasa AI Client\u003C\u002Fh2>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Evidenza di implementazione primaria\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La sezione seguente descrive un'implementazione che ho costruito e revisionato rispetto al codice e alla documentazione architetturale di Aaasaasa AI Client al \u003Cstrong>26 luglio 2026\u003C\u002Fstrong>. È evidenza dell'utilità di questi confini, non un'affermazione che un'implementazione sia uno standard universale o un prodotto enterprise distribuito commercialmente.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cp>Aaasaasa AI Client è uno spazio di lavoro IA desktop local-first costruito con Nuxt 4, Electron e TypeScript. Il suo AI Hub separa deliberatamente agente\u002Fclient, provider, modello, posizione runtime, permessi e client web invece di trattarli come un'unica impostazione \"IA\".\u003C\u002Fp>\n\u003Cp>Questa separazione crea un comportamento concreto. Direct Chat può parlare con i modelli senza strumenti di filesystem o shell. Un agente Codex può usare un workspace selezionato e un profilo di permessi. Ollama può fornire inferenza locale diretta, mentre LM Studio e endpoint configurabili compatibili con OpenAI rappresentano altri percorsi di provider. Un processo Codex in esecuzione locale può comunque usare un modello cloud, quindi l'interfaccia utente e l'architettura non equiparano runtime locale con inferenza locale.\u003C\u002Fp>\n\u003Cp>L'implementazione contiene anche supporto Qdrant\u002Fvettoriale, capacità di estrazione documenti e un broker MCP di directory autenticato. Questi componenti illustrano un altro confine: l'infrastruttura di recupero e l'accesso agli strumenti possono vivere nello stesso prodotto senza diventare proprietà del modello stesso.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Concetto A01\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Evidenza di implementazione di Aaasaasa AI Client\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modello\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un identificatore di modello specifico del provider è selezionato separatamente da provider e runtime.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Provider\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ollama, LM Studio, servizi compatibili con OpenAI e altri percorsi di provider sono rappresentati separatamente.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Runtime\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La posizione locale o remota dell'agente\u002Fruntime è tracciata indipendentemente dal modello.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Strumenti \u002F accesso\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Direct Chat non ha strumenti di filesystem o shell; l'accesso controllato alle directory è intermediato separatamente.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Permessi\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">I profili di permessi del workspace sono politiche dell'applicazione\u002Fsessione, non capacità del modello.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Infrastruttura di recupero\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il supporto vettoriale e l'estrazione documenti esistono come capacità di dati\u002Frecupero piuttosto che come funzionalità del modello.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Applicazione\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il prodotto Electron\u002FNuxt coordina UI, credenziali, provider, scoperta del runtime, permessi, strumenti e interazione con il modello.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Lezione di implementazione\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">L'architettura è diventata più facile da ragionare una volta che \u003Cstrong>modello, provider, runtime, permessi, strumenti, dati e client\u003C\u002Fstrong> hanno smesso di essere rappresentati come un'unica scelta di configurazione. La distinzione è operativa: determina cosa può essere eseguito localmente, cosa può accedere ai file, cosa può chiamare l'inferenza cloud a pagamento e quale strato possiede l'autorizzazione.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-55\">Errori di categoria comuni\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Errore di categoria\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Cosa sta effettivamente accadendo\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“L'IA conosce i nostri documenti.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'applicazione o il livello di recupero rende disponibile al modello il contenuto selezionato dei documenti.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“RAG è il nostro database vettoriale.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il database vettoriale può essere un indice o archivio utilizzato da una pipeline di recupero; RAG è il pattern di recupero più generazione.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Il modello ha chiamato il nostro CRM.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il modello ha prodotto una richiesta di strumento; il runtime\u002Fl'applicazione ha autorizzato ed eseguito la chiamata esterna.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“È IA locale perché l'agente desktop viene eseguito localmente.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La posizione del runtime e la posizione dell'inferenza sono separate. Un runtime locale può comunque invocare un modello remoto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Il modello ha il permesso di modificare i file.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'applicazione\u002Fil runtime concede una capacità di strumento secondo una politica di autorizzazione; il permesso non è una proprietà intrinseca del modello.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Più contesto significa più conoscenza.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il contesto è l'input finito reso disponibile per una singola inferenza. Un contesto più ampio può contenere più rumore, conflitti o informazioni obsolete.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Il chatbot è l'architettura IA.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">L'interfaccia chat è una sola interfaccia. Il sistema può includere anche identità, stato, recupero, strumenti, runtime, validazione, persistenza e osservabilità.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-57\">Modalità di guasto quando i confini collassano\u003C\u002Fh2>\n\u003Cp>Gli errori di confine non sono semplicemente problemi di terminologia. Creano guasti di produzione distinti che richiedono correzioni diverse.\u003C\u002Fp>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Diagnosticare il livello guasto prima di sostituire il modello\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Sintomo\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Probabile problema di confine\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Primo controllo architetturale\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Risposta obsoleta\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Fatto aziendale mancante\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Effetto collaterale non sicuro\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Risposta confusa con molto testo fornito\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Uso imprevisto del cloud\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">L'agente si blocca o si ripete\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-60\">Cosa è stabile e cosa è sensibile alla versione?\u003C\u002Fh2>\n\u003Cp>Le distinzioni architetturali in questo articolo sono intenzionalmente neutre rispetto al fornitore. Gli esempi attuali riportati di seguito sono fatti di implementazione che dovrebbero essere ricontrollati quando le API evolvono.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Area\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Idea architetturale stabile\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Esempio attuale verificato l'8 ottobre 2026\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modello IA vs sistema\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un modello è un componente all'interno di un sistema più ampio\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il glossario attuale del NIST definisce separatamente modello IA e sistema IA.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">RAG\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La generazione può essere condizionata da informazioni esterne recuperate\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La formulazione di Lewis et al. 2020 rimane il riferimento fondamentale; i metodi di recupero in produzione ora si estendono ben oltre un singolo design di indice denso.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Recupero ospitato\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il recupero può essere esposto come strumento gestito\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">OpenAI File Search è attualmente uno strumento dell'API Responses che cerca nelle basi di conoscenza di file caricati utilizzando il recupero semantico e per parole chiave.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Chiamata di funzione\u002Fstrumento\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un modello può richiedere capacità esterne definite dall'applicazione\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">OpenAI attualmente documenta la chiamata di funzione come interfaccia verso sistemi esterni, dati e azioni.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ingegneria del contesto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Il comportamento del modello dipende dalle informazioni finite fornite per l'inferenza corrente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La guida ingegneristica attuale di Anthropic definisce il contesto come l'insieme di token incluso durante il campionamento dall'LLM e si concentra sulla curatela di tale insieme.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">API dei fornitori\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">SDK, nomi degli strumenti, forme degli endpoint e funzionalità supportate cambiano\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Trattare la documentazione del fornitore come sensibile alla versione anche quando il confine di responsabilità rimane stabile.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Un articolo fonte di verità dovrebbe quindi preservare entrambi i livelli: concetti stabili per l'architettura e prove datate per le implementazioni attuali. Mescolare i due fa invecchiare un articolo inutilmente in fretta.\u003C\u002Fp>\n\u003Ch2 id=\"section-64\">Il test del confine dei componenti IA\u003C\u002Fh2>\n\u003Cp>Quando si valuta una funzionalità IA, porre le seguenti domande in ordine. Le risposte rivelano quali componenti il sistema ha effettivamente e quali responsabilità sono ancora implicite.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Sette domande per un design di produzione\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Cosa genera l'output?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Identificare il modello esatto e le modalità o gli output strutturati che fornisce.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Quali fatti sono autorevoli al di fuori del modello?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Identificare documenti, database, API, stato corrente e altre fonti di verità.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Come vengono selezionate le informazioni rilevanti?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Separare ricerca diretta, ricerca, recupero, ranking e costruzione del contesto.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Cosa può causare effetti collaterali reali?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Elencare strumenti e azioni esterne, quindi identificare chi li valida e li autorizza.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Cosa raggiunge il modello come contesto?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Rendere espliciti istruzioni, prove, stato, cronologia, memoria e definizioni degli strumenti.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Chi possiede il ciclo?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Identificare il runtime o l'harness che gestisce chiamate, eventi, tentativi, cicli di strumenti e sessioni.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Cosa rimane di responsabilità dell'applicazione?\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Rendere espliciti identità, permessi, stato del dominio, validazione, persistenza, osservabilità e UX.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-67\">Cosa non è l'IA generativa\u003C\u002Fh2>\n\u003Cp>L'IA generativa non è sinonimo di LLM, anche se gli LLM sono una classe importante di modelli generativi. Non è nemmeno sinonimo di RAG, di un database vettoriale, di un agente, di un protocollo di strumenti, di un'interfaccia chatbot o di un'applicazione.\u003C\u002Fp>\n\u003Cp>Questi concetti possono essere collegati, ma ciascuno risponde a una diversa domanda architetturale. Un LLM chiede come viene prodotto l'output linguistico. Il recupero chiede da dove provengono le prove esterne. Gli strumenti chiedono come vengono esposte le capacità esterne. Il contesto chiede cosa può vedere il modello. Il runtime chiede come viene coordinata l'esecuzione. L'applicazione chiede come la capacità diventa un prodotto controllato.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Se ricordi solo un modello\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Modello = genera.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Recupero = trova prove.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Strumenti = leggi o agisci al di fuori del modello.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Contesto = ciò che il modello vede ora.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Runtime = coordina l'esecuzione.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Applicazione = possiede il prodotto, lo stato, le regole e i permessi.\u003C\u002Fstrong>\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-71\">Dove andare dopo nel grafo della conoscenza\u003C\u002Fh2>\n\u003Cp>Una volta che questi confini sono chiari, i argomenti più profondi diventano più facili da collocare. RAG appartiene al recupero e alla costruzione del contesto. Il Trigger di Recupero decide quando sono richieste prove esterne. La memoria dell'agente riguarda ciò che persiste nel tempo. La chiamata di strumenti e MCP appartengono all'accesso alle capacità. Gli harness degli agenti appartengono all'orchestrazione del runtime. RBAC, l'isolamento dei tenant e l'autorizzazione del dominio appartengono al confine di sicurezza dell'applicazione e della piattaforma.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fit\u002Fblog\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Da dove prende i dati un LLM? Fonti di dati RAG in Python\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Una continuazione pratica che mostra come file, SQL, API, ricerca full-text, embedding e assemblaggio del contesto colleghino dati esterni a un LLM.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Vedi il percorso dei dati nel codice →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fit\u002Fblog\u002Fwhen-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Quando dovrebbe un'IA smettere di fidarsi della propria conoscenza? — Il trigger di retrieval\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Un modello decisionale per stabilire quando un sistema di IA dovrebbe smettere di basarsi solo sulla conoscenza del modello e ottenere evidenze esterne.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leggi il modello decisionale di retrieval →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-75\">Limitazioni\u003C\u002Fh2>\n\u003Cp>Il modello a sei livelli è una mappa delle responsabilità, non un requisito che ogni prodotto debba distribuire sei servizi separati. Una piccola applicazione può implementare la costruzione del contesto, il retrieval e l'orchestrazione all'interno di un unico processo. Una piattaforma gestita può raggruppare diverse responsabilità dietro una sola API. La distribuzione fisica può essere combinata mentre la titolarità semantica rimane distinta.\u003C\u002Fp>\n\u003Cp>Anche la terminologia varia tra fornitori e ricerca. \"Agente\", \"runtime\", \"memoria\", \"strumento\", \"connettore\" e \"contesto\" possono essere definiti in modo diverso. Le definizioni qui scelte servono a rendere espliciti la titolarità operativa e la diagnosi dei guasti, non a sostenere che ogni framework utilizzi un vocabolario identico.\u003C\u002Fp>\n\u003Cp>La sezione Aaasaasa AI Client documenta un modello di implementazione. Dimostra che confini espliciti sono praticabili, ma non prova che la stessa disposizione dei componenti sia ottimale per ogni prodotto di IA.\u003C\u002Fp>\n\u003Ch2 id=\"section-79\">Cosa cambierebbe questa risposta?\u003C\u002Fh2>\n\u003Cp>La mappa delle responsabilità richiederebbe una revisione se le architetture dei modelli stesse iniziassero a possedere stato esterno autorevole, permessi, effetti collaterali transazionali durevoli e accesso verificabile alle fonti come proprietà intrinseche anziché come capacità fornite da un sistema circostante. Le attuali architetture di produzione non rendono sicura questa assunzione generale.\u003C\u002Fp>\n\u003Cp>I singoli esempi di implementazione cambieranno molto prima. Gli strumenti di retrieval ospitati, le API per agenti, le integrazioni MCP, le funzionalità di gestione del contesto e le capacità dei fornitori si evolvono rapidamente. Questi dettagli dovrebbero essere aggiornati senza far collassare le distinzioni di fondo tra generazione, evidenza, accesso alle capacità, contesto, esecuzione e controllo dell'applicazione.\u003C\u002Fp>\n\u003Ch2 id=\"section-82\">Conclusione\u003C\u002Fh2>\n\u003Cp>L'IA generativa diventa più facile da progettare una volta che \"l'IA\" smette di essere trattata come un'unica scatola nera. Il modello è il componente generativo, non il prodotto completo. Il retrieval fornisce evidenze esterne. Gli strumenti espongono capacità. Il contesto porta informazioni selezionate nell'inferenza corrente. Il runtime coordina l'esecuzione. L'applicazione possiede il confine autorevole del prodotto.\u003C\u002Fp>\n\u003Cp>Questa separazione è utile più che per la sola spiegazione. Indica agli ingegneri da dove provengono i fatti obsoleti, dove risiede l'autorizzazione, perché un runtime locale può comunque usare l'inferenza cloud, perché RAG non equivale a un database vettoriale, perché le chiamate agli strumenti richiedono validazione e perché cambiare il modello non può riparare ogni guasto del sistema.\u003C\u002Fp>\n\u003Cp>La domanda architetturale durevole non è quindi \"Quale modello di IA stiamo usando?\". È: quale responsabilità possiede ciascun componente, quali evidenze attraversano ciascun confine e quale livello è autorizzato a modificare lo stato reale?\u003C\u002Fp>\n\u003Ch2 id=\"section-86\">FAQ\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Confini dei sistemi di IA generativa\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">L'IA generativa è la stessa cosa di un LLM?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. Un LLM è un tipo di modello generativo. L'IA generativa include anche altre modalità, e un sistema di IA generativa in produzione può includere retrieval, strumenti, logica di runtime, stato dell'applicazione, permessi, persistenza e interfacce utente attorno al modello.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Il RAG fa parte del modello?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Di solito no. Il RAG è un pattern applicativo\u002Fdi sistema che recupera informazioni esterne e fornisce evidenze selezionate al modello. Alcune piattaforme integrano strettamente il retrieval con le API del modello, ma la responsabilità rimane distinta.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">È necessario un database vettoriale per il RAG?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. Il RAG può utilizzare ricerca vettoriale, ricerca lessicale, retrieval ibrido, SQL, API, grafi di conoscenza o altri metodi. La proprietà che lo definisce è il recupero di informazioni esterne per la generazione, non una specifica tecnologia di archiviazione.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Gli strumenti sono la stessa cosa del contesto?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. Uno strumento è una capacità esterna. La sua definizione può essere rappresentata nel contesto, e il suo risultato può successivamente entrare nel contesto, ma la capacità effettiva viene eseguita al di fuori del modello.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Eseguire un client di IA localmente significa che il modello è locale?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. La posizione del runtime e la posizione dell'inferenza sono separate. Un'applicazione desktop locale o un agente può chiamare un modello remoto, mentre un'applicazione remota può chiamare un modello ospitato internamente.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq6\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Chi dovrebbe applicare i permessi per gli strumenti di IA?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Il confine di sicurezza dell'applicazione o del runtime dovrebbe applicare l'autorizzazione. Un modello può richiedere un'operazione, ma l'intento del modello non dovrebbe mai essere considerato autorità di esecuzione sufficiente.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq7\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Dove dovrebbe risiedere lo stato corrente dell'applicazione?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Lo stato volatile autorevole dovrebbe normalmente rimanere nell'applicazione o nel sistema di dominio che lo possiede. L'IA può ricevere lo stato rilevante tramite contesto controllato o accesso agli strumenti quando necessario.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-88\">Glossario\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Termini principali\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"generative-model\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Modello generativo\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Un modello di IA progettato per generare contenuti sintetici derivati come testo, immagini, audio, video, codice o output strutturato.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"retrieval\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Retrieval\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Il processo di selezione di informazioni rilevanti da una fonte o archivio esterno per l'attività corrente.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"rag\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">RAG\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Retrieval-Augmented Generation: un pattern in cui informazioni esterne recuperate vengono fornite a un modello generativo per migliorare l'output corrente.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"tool\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Strumento\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Una capacità esposta a un runtime di IA per leggere dati, calcolare, cercare o eseguire un'azione esterna.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"context\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Contesto\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Le informazioni disponibili al modello per uno specifico passo di inferenza.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"runtime-orchestrator\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Runtime \u002F orchestratore\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Lo strato software che coordina chiamate al modello, chiamate a strumenti, cicli di attività, sessioni, tentativi, eventi o ambienti di esecuzione.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"application\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Applicazione\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Il prodotto e lo strato di dominio che possiede interazione utente, stato autorevole, permessi, validazione, persistenza e comportamento di business.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"provider\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Fornitore\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Il servizio o runtime che espone l'accesso a uno o più modelli; l'identità del fornitore e l'identità del modello sono questioni separate.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-90\">Fonti primarie ed evidenze di implementazione\u003C\u002Fh2>\n\u003Cp>Le definizioni stabili di seguito sono ancorate a standard\u002Fricerca; gli esempi di implementazione in rapida evoluzione utilizzano la documentazione ingegneristica ufficiale corrente. Aaasaasa AI Client è una prova di implementazione originale ed è stato verificato rispetto allo stato del suo codice\u002Fdocumentazione datato 26 luglio 2026.\u003C\u002Fp>\n\u003Ca href=\"https:\u002F\u002Fnvlpubs.nist.gov\u002Fnistpubs\u002Fai\u002FNIST.AI.600-1.pdf\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NIST AI 600-1 — Profilo di Intelligenza Artificiale Generativa\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Il profilo di IA generativa del NIST, che include la definizione di IA generativa e la distinzione esplicita tra questioni a livello di modello, sistema, applicazione e caso d'uso.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_model\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NIST — Modello di Intelligenza Artificiale\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Definizione attuale del glossario NIST di un modello di IA come componente di un sistema informativo che produce output da input utilizzando tecniche di IA.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_system\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">NIST — Sistema di Intelligenza Artificiale\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Definizione attuale del glossario NIST che mostra che un sistema di IA può includere sistemi dati, software, hardware, applicazioni, strumenti o utilità che utilizzano l'IA.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11401\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Lewis et al. — Generazione Aumentata dal Recupero per Compiti NLP ad Alta Intensità di Conoscenza\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Il documento del 2020 che introduce la formulazione RAG che combina un modello generativo con memoria non parametrica recuperata.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ftools-file-search\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Ricerca File\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Documentazione ufficiale attuale per il recupero di file ospitato nell'API Responses utilizzando basi di conoscenza di file caricati, ricerca semantica e ricerca per parole chiave.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ffunction-calling\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Chiamata di Funzioni\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Documentazione ufficiale attuale che descrive la chiamata di strumenti\u002Ffunzioni come interfaccia tra modelli e sistemi esterni, dati e azioni.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Ingegneria Efficace del Contesto per Agenti IA\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Linee guida ingegneristiche che definiscono il contesto come l'insieme di token disponibili durante il campionamento LLM e spiegano perché la selezione del contesto è un problema di risorse finite.\u003C\u002Fp>\u003C\u002Fa>",{"time":212,"blocks":213,"version":1066},1791475668098,[214,220,228,235,243,248,253,258,265,270,275,307,312,317,360,365,370,375,380,385,390,395,402,411,416,421,426,431,437,442,447,452,457,462,467,472,477,482,487,492,498,503,508,543,548,553,584,589,594,600,605,610,615,642,648,653,682,687,692,732,737,742,775,780,785,790,817,822,827,832,838,843,848,856,864,869,874,879,884,889,894,899,904,909,914,919,924,958,963,992,997,1002,1012,1021,1030,1039,1048,1057],{"id":215,"data":216,"type":218,"tunes":219},"intro",{"text":217},"L'IA generativa non è un singolo componente. Un sistema di IA generativa in produzione di solito combina un modello generativo con codice applicativo che fornisce istruzioni e contesto, recupera conoscenza esterna quando necessario, espone strumenti per leggere o modificare sistemi esterni, gestisce lo stato di runtime e i permessi, e trasforma il risultato in un prodotto utilizzabile. Trattare modello, recupero, strumenti, contesto, runtime e applicazione come la stessa cosa nasconde i confini che determinano freschezza, sicurezza, affidabilità, costo e controllo.","paragraph",{},{"id":221,"data":222,"type":226,"tunes":227},"direct",{"body":223,"title":224,"variant":225},"\u003Cstrong>Il modello genera; il recupero trova evidenze esterne; gli strumenti accedono ai dati o eseguono azioni; il contesto è ciò che il modello può vedere per l'inferenza corrente; il runtime coordina l'esecuzione; l'applicazione possiede regole di prodotto, stato, permessi, persistenza ed esperienza utente.\u003C\u002Fstrong> Questi livelli possono essere confezionati insieme da un fornitore, ma le loro responsabilità restano diverse.","Risposta diretta","info","callout",{},{"id":229,"data":230,"type":226,"tunes":234},"scope-note",{"body":231,"title":232,"variant":233},"Questo articolo definisce responsabilità architetturali durevoli piuttosto che un singolo stack di fornitore. Gli esempi di implementazione attuali sono stati ricontrollati l'\u003Cstrong>8 ottobre 2026\u003C\u002Fstrong>. Le API dei fornitori e i nomi dei prodotti possono cambiare; i confini di responsabilità sono più stabili di qualsiasi singolo SDK o endpoint.","Nota su terminologia e versione","note",{},{"id":236,"data":237,"type":241,"tunes":242},"toc",{"title":238,"maxLevel":239,"minLevel":240},"Indice",3,2,"tableOfContents",{},{"id":244,"data":245,"type":42,"tunes":247},"h-meaning",{"text":246,"level":240},"Cosa significa realmente “IA generativa”?",{},{"id":249,"data":250,"type":218,"tunes":252},"p-meaning-1",{"text":251},"A livello di modello, l'IA generativa si riferisce a modelli di IA che generano contenuti sintetici derivati come testo, immagini, audio, video, codice o altro output digitale. NIST AI 600-1 utilizza questo significato orientato al modello e discute separatamente i rischi a livello di modello, sistema, applicazione e caso d'uso.",{},{"id":254,"data":255,"type":218,"tunes":257},"p-meaning-2",{"text":256},"Questa distinzione è importante perché un modello di IA non è la stessa cosa del sistema di IA completo. Il glossario attuale del NIST definisce un modello di IA come un componente che produce output da input utilizzando tecniche computazionali, statistiche o di machine learning, mentre un sistema di IA può includere software, hardware, applicazioni, strumenti o utilità che operano utilizzando l'IA.",{},{"id":259,"data":260,"type":226,"tunes":264},"model-system-rule",{"body":261,"title":262,"variant":263},"\u003Cstrong>Modello generativo ≠ applicazione di IA generativa.\u003C\u002Fstrong>\u003Cbr>Un modello è un componente computazionale. Un prodotto di IA utilizzabile è un sistema costruito attorno a quel componente.","Un confine utile","success",{},{"id":266,"data":267,"type":42,"tunes":269},"h-simple",{"text":268,"level":240},"Il modello più semplice e utile di un sistema di IA generativa",{},{"id":271,"data":272,"type":218,"tunes":274},"p-simple-1",{"text":273},"Come primo modello mentale, immagina un assistente aziendale che risponde: “Questo cliente può ricevere un rimborso oggi?” Una risposta utile può richiedere diverse responsabilità. Il modello linguistico può interpretare la domanda e scrivere la spiegazione, ma lo stato attuale dell'ordine può provenire da uno strumento di database, la politica di rimborso può provenire dal recupero di documenti, i permessi possono essere applicati dall'applicazione, e l'azione finale può richiedere una chiamata API controllata.",{},{"id":276,"data":277,"type":305,"tunes":306},"simple-flow",{"steps":278,"title":303,"orientation":304},[279,282,285,288,291,294,297,300],{"label":280,"description":281},"1. Richiesta dell'utente","L'applicazione riceve una domanda o un'attività in linguaggio naturale.",{"label":283,"description":284},"2. Politica e stato dell'applicazione","Identità, tenant, permessi, stato attuale del flusso di lavoro e regole di prodotto definiscono cosa è consentito fare alla richiesta.",{"label":286,"description":287},"3. Recupero o accesso diretto ai dati","Il sistema ottiene evidenze esterne o fatti attuali quando la conoscenza del modello è insufficiente.",{"label":289,"description":290},"4. Costruzione del contesto","Istruzioni, input dell'utente, evidenze selezionate, stato rilevante e definizioni degli strumenti vengono assemblati per il modello.",{"label":292,"description":293},"5. Inferenza del modello","Il modello generativo interpreta il contesto fornito e produce testo, output strutturato o una richiesta di strumento.",{"label":295,"description":296},"6. Esecuzione dello strumento quando necessario","Il runtime o l'applicazione convalida ed esegue le chiamate agli strumenti approvate al di fuori del modello.",{"label":298,"description":299},"7. Osservazione e continuazione","I risultati degli strumenti possono tornare al modello come nuovo contesto per un altro passo di inferenza.",{"label":301,"description":302},"8. Validazione e output del prodotto","L'applicazione convalida il risultato, registra lo stato o i dati di audit richiesti, e presenta o esegue l'esito finale.","Un percorso di esecuzione comune","auto","processFlow",{},{"id":308,"data":309,"type":218,"tunes":311},"p-simple-2",{"text":310},"I sistemi reali non seguono sempre esattamente questa sequenza. Il recupero può avvenire prima della prima chiamata al modello, gli strumenti possono essere selezionati durante un ciclo di agente, la logica applicativa deterministica può bypassare completamente il modello, e la validazione può avvenire in diverse fasi. Il punto è separare le responsabilità, non imporre un unico flusso di lavoro universale.",{},{"id":313,"data":314,"type":42,"tunes":316},"h-boundaries",{"text":315,"level":240},"I sei confini che contano",{},{"id":318,"data":319,"type":358,"tunes":359},"boundary-comparison",{"rows":320,"title":346,"layout":347,"columns":348},[321,326,330,334,338,342],{"id":322,"label":323,"values":324},"model","Modello",[325,325,325],"",{"id":327,"label":328,"values":329},"retrieval","Recupero",[325,325,325],{"id":331,"label":332,"values":333},"tools","Strumenti",[325,325,325],{"id":335,"label":336,"values":337},"context","Contesto",[325,325,325],{"id":339,"label":340,"values":341},"runtime","Runtime \u002F orchestratore",[325,325,325],{"id":343,"label":344,"values":345},"application","Applicazione",[325,325,325],"Sei responsabilità all'interno di un prodotto di IA","table",[349,352,355],{"id":350,"label":351},"job","Compito principale",{"id":353,"label":354},"input","Input tipici",{"id":356,"label":357},"not","Non è la stessa cosa di","comparison",{},{"id":361,"data":362,"type":42,"tunes":364},"h-model",{"text":363,"level":240},"1. Il modello: la generazione è la sua responsabilità principale",{},{"id":366,"data":367,"type":218,"tunes":369},"p-model-1",{"text":368},"Un modello generativo mappa gli input forniti su output generati. Per un modello linguistico, ciò può includere testo in linguaggio naturale, JSON strutturato, codice, classificazioni, riassunti, piani o argomenti per chiamate a strumenti. I modelli generativi multimodali possono lavorare con ulteriori tipi di input e output.",{},{"id":371,"data":372,"type":218,"tunes":374},"p-model-2",{"text":373},"Il modello può contenere una conoscenza appresa sostanziale nei suoi parametri, ma la conoscenza parametrizzata non è un database live. Il modello non conosce automaticamente un documento creato cinque minuti fa, il livello attuale delle scorte, un record privato di un cliente o lo stato di un'applicazione, a meno che tali informazioni non vengano fornite attraverso il percorso di input corrente.",{},{"id":376,"data":377,"type":218,"tunes":379},"p-model-3",{"text":378},"Ecco perché cambiare il modello non risolve automaticamente conoscenza obsoleta, permessi mancanti, recupero non funzionante, proprietà dello stato errata o esecuzione non sicura degli strumenti. Questi guasti spesso appartengono ad altri livelli.",{},{"id":381,"data":382,"type":42,"tunes":384},"h-retrieval",{"text":383,"level":240},"2. Recupero: trovare prove esterne è un'operazione separata",{},{"id":386,"data":387,"type":218,"tunes":389},"p-retrieval-1",{"text":388},"Il recupero seleziona informazioni da una fonte esterna prima o durante la generazione. Il lavoro del 2020 sulla Retrieval-Augmented Generation di Lewis et al. ha reso esplicita la separazione combinando un modello generativo parametrico con una memoria non parametrica recuperata. I sistemi di produzione moderni utilizzano molte varianti di recupero, ma l'idea architetturale rimane: le prove utili possono essere recuperate al momento dell'inferenza invece di affidarsi solo a ciò che il modello ha appreso durante l'addestramento.",{},{"id":391,"data":392,"type":218,"tunes":394},"p-retrieval-2",{"text":393},"Il recupero può utilizzare ricerca lessicale, embedding, ricerca vettoriale, ricerca ibrida, SQL, grafi di conoscenza, filtri sui metadati, API o altri meccanismi di selezione. Un database vettoriale è quindi una possibile componente di recupero, non la definizione di RAG.",{},{"id":396,"data":397,"type":226,"tunes":401},"retrieval-rule",{"body":398,"title":399,"variant":400},"Un passaggio recuperato può essere altamente rilevante e comunque obsoleto, non autorizzato, proveniente dalla versione sbagliata o insufficiente a supportare un'affermazione. La qualità del recupero e la qualità delle prove devono essere valutate separatamente.","La rilevanza non è autorità","warning",{},{"id":403,"data":404,"type":409,"tunes":410},"ref-rag",{"url":405,"title":406,"excerpt":407,"ctaLabel":408},"https:\u002F\u002Fstajic.de\u002Fit\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","Cos'è il RAG? La spiegazione più semplice di come funziona","La spiegazione canonica in linguaggio semplice della generazione aumentata dal recupero, inclusa la separazione tra LLM, conoscenza, stato, memoria e strumenti.","Leggi le basi del RAG","referralArticle",{},{"id":412,"data":413,"type":42,"tunes":415},"h-tools",{"text":414,"level":240},"3. Strumenti: accesso e azione non sono conoscenza del modello",{},{"id":417,"data":418,"type":218,"tunes":420},"p-tools-1",{"text":419},"Uno strumento è un'interfaccia attraverso la quale un runtime AI può richiedere funzionalità esterne al modello. Uno strumento può interrogare un database, cercare sul web, leggere un file, calcolare un valore, chiamare un servizio interno, creare un ticket, inviare un messaggio, modificare un record o attivare un'altra operazione controllata.",{},{"id":422,"data":423,"type":218,"tunes":425},"p-tools-2",{"text":424},"L'attuale documentazione di OpenAI sul function calling rende esplicito questo confine: il function calling consente ai modelli di interfacciarsi con sistemi esterni e accedere a dati o azioni forniti dall'applicazione. Il modello può proporre o selezionare una chiamata, ma il sistema esterno esegue l'operazione reale.",{},{"id":427,"data":428,"type":218,"tunes":430},"p-tools-3",{"text":429},"L'uso degli strumenti crea quindi due domande separate: il modello può richiedere questa capacità? e l'applicazione la autorizzerà ed eseguirà? Un sistema di produzione non dovrebbe confondere l'intento del modello con il permesso di causare un effetto collaterale.",{},{"id":432,"data":433,"type":226,"tunes":436},"tool-rule",{"body":434,"title":435,"variant":263},"Un modello può emettere una richiesta di strumento valida e comunque essere negato. Autorizzazione, validazione degli argomenti, limiti di velocità, regole transazionali, requisiti di audit e rollback appartengono all'esterno del modello.","L'intento del modello non è autorità di esecuzione",{},{"id":438,"data":439,"type":42,"tunes":441},"h-context",{"text":440,"level":240},"4. Contesto: ciò che il modello può vedere in questo momento",{},{"id":443,"data":444,"type":218,"tunes":446},"p-context-1",{"text":445},"Il contesto è l'informazione disponibile al modello per un particolare passo di inferenza. La guida di Anthropic sull'ingegneria del contesto descrive il contesto come l'insieme di token inclusi quando si campiona da un LLM. In pratica, quell'insieme può contenere istruzioni di sistema, messaggi utente, cronologia della conversazione, prove recuperate, definizioni di strumenti, risultati di strumenti, riassunti di memoria e stato applicativo selezionato.",{},{"id":448,"data":449,"type":218,"tunes":451},"p-context-2",{"text":450},"Il contesto non è quindi né la base di conoscenza completa né la memoria a lungo termine. Un'azienda può memorizzare dieci milioni di documenti mentre solo una manciata di passaggi entra in una singola chiamata al modello. Un runtime può persistere un anno di cronologia delle conversazioni esponendo solo i pezzi necessari per l'attività corrente.",{},{"id":453,"data":454,"type":218,"tunes":456},"p-context-3",{"text":455},"La finestra di contesto crea anche un vincolo ingegneristico. Aggiungere più testo non garantisce una risposta migliore; informazioni irrilevanti, obsolete, contraddittorie o di bassa autorità possono diluire le prove che contano davvero.",{},{"id":458,"data":459,"type":42,"tunes":461},"h-runtime",{"text":460,"level":240},"5. Runtime e orchestrazione: coordinare il ciclo",{},{"id":463,"data":464,"type":218,"tunes":466},"p-runtime-1",{"text":465},"Il runtime o livello di orchestrazione coordina come il modello partecipa a un'attività. A seconda dell'architettura, può gestire sessioni, richieste al modello, scoperta di strumenti, cicli di chiamata di strumenti, tentativi, passaggi di consegne, eventi in streaming, timeout, checkpoint, compattazione o ambienti di esecuzione.",{},{"id":468,"data":469,"type":218,"tunes":471},"p-runtime-2",{"text":470},"Alcuni runtime sono codice applicativo sottile attorno a un'API del modello. Altri sono harness di agenti completi. Un runtime gestito da un fornitore può possedere parte del ciclo mentre l'applicazione possiede ancora la verità di dominio, l'autorizzazione, gli effetti collaterali aziendali e il ciclo di vita del prodotto.",{},{"id":473,"data":474,"type":218,"tunes":476},"p-runtime-3",{"text":475},"Questo confine è importante perché dove viene eseguito il runtime e dove viene eseguita l'inferenza sono decisioni separate. Un client o processo agente in esecuzione locale può comunque chiamare un modello remoto, mentre un'applicazione remota può chiamare un modello ospitato su infrastruttura sotto il controllo dell'organizzazione.",{},{"id":478,"data":479,"type":42,"tunes":481},"h-application",{"text":480,"level":240},"6. L'applicazione: dove l'IA diventa un prodotto",{},{"id":483,"data":484,"type":218,"tunes":486},"p-app-1",{"text":485},"L'applicazione è il confine del prodotto attorno ai componenti di IA. Possiede l'esperienza utente, il modello di dominio, lo stato corrente, l'identità, l'ambito del tenant, i permessi, la persistenza, le integrazioni di servizio, la validazione, l'osservabilità, la logica di fatturazione o quota dove rilevante, e le regole che determinano ciò che l'IA è autorizzata a vedere o fare.",{},{"id":488,"data":489,"type":218,"tunes":491},"p-app-2",{"text":490},"Questo è lo strato che trasforma \"un modello può produrre output utili\" in \"un sistema può fornire una capacità affidabile\". Lo stesso modello può partecipare a un assistente di ricerca privato, a un flusso di lavoro di supporto, a un agente di codice o a un'applicazione commerciale perché l'applicazione circostante modifica i dati, gli strumenti, le politiche, lo stato e il contratto di esecuzione.",{},{"id":493,"data":494,"type":226,"tunes":497},"app-rule",{"body":495,"title":496,"variant":225},"La sostituzione di provider e modello può essere un obiettivo architetturale. Lo stato autorevole, i permessi, le regole di dominio, la traccia di audit e il contratto utente dell'applicazione non possono semplicemente essere delegati al modello attualmente selezionato.","Il modello è sostituibile; il confine del prodotto no",{},{"id":499,"data":500,"type":42,"tunes":502},"h-work-together",{"text":501,"level":240},"Come le parti lavorano insieme in una richiesta reale",{},{"id":504,"data":505,"type":218,"tunes":507},"p-together-1",{"text":506},"Considera un assistente di supporto a cui viene chiesto: \"Rimborsa l'ordine 4711 se è ancora idoneo, e spiega perché\". La richiesta combina conoscenza, stato corrente, autorizzazione, ragionamento e un effetto collaterale.",{},{"id":509,"data":510,"type":347,"tunes":542},"support-table",{"content":511,"stretched":43,"withHeadings":14},[512,516,519,523,527,531,535,538],[513,514,515],"Esigenza","Strato corretto","Perché",[517,328,518],"Politica di rimborso","Il sistema deve trovare la politica applicabile corrente e preservarne la provenienza.",[520,521,522],"Stato dell'ordine 4711","Accesso diretto ai dati\u002Fstrumenti","Il record corrente dell'ordine è stato autorevole volatile, non qualcosa da indovinare dalla conoscenza del modello.",[524,525,526],"Autorità dell'utente a rimborsare","Applicazione \u002F autorizzazione","I permessi devono essere applicati indipendentemente da ciò che il modello richiede.",[528,529,530],"Interpretare la politica rispetto ai fatti dell'ordine","Modello + contesto","Il modello può ragionare sulle prove della politica e sullo stato corrente dell'ordine forniti.",[532,533,534],"Eseguire il rimborso","Strumento + regole di transazione dell'applicazione","Un'operazione esterna controllata modifica lo stato reale.",[536,323,537],"Spiegare il risultato","Il modello può generare la spiegazione rivolta all'utente dai risultati validati.",[539,540,541],"Verificare cosa è successo","Applicazione \u002F runtime","Il sistema registra prove, chiamate, decisioni, effetti collaterali ed errori come richiesto.",{},{"id":544,"data":545,"type":218,"tunes":547},"p-together-2",{"text":546},"Se l'assistente ha solo il modello linguistico, può discutere di rimborsi ma non può sapere in modo sicuro se l'ordine 4711 è attualmente idoneo o eseguire la transazione. Se ha solo il recupero, può trovare la politica ma manca comunque dello stato dell'ordine in tempo reale. Se ha strumenti senza autorizzazione dell'applicazione, può diventare capace ma non sicuro. L'affidabilità deriva dal comporre gli strati con una proprietà esplicita.",{},{"id":549,"data":550,"type":42,"tunes":552},"h-configs",{"text":551,"level":240},"Diversi prodotti di IA usano combinazioni diverse",{},{"id":554,"data":555,"type":358,"tunes":583},"config-comparison",{"rows":556,"title":573,"layout":347,"columns":574},[557,561,565,569],{"id":558,"label":559,"values":560},"bare","Assistente solo modello",[325,325,325,325],{"id":562,"label":563,"values":564},"rag","Assistente basato su recupero",[325,325,325,325],{"id":566,"label":567,"values":568},"tool","Assistente che usa strumenti",[325,325,325,325],{"id":570,"label":571,"values":572},"agent","Applicazione agentica",[325,325,325,325],"La presenza di un modello non definisce l'intera architettura",[575,576,577,580],{"id":327,"label":328},{"id":331,"label":332},{"id":578,"label":579},"state","Stato autorevole",{"id":581,"label":582},"result","Capacità tipica",{},{"id":585,"data":586,"type":218,"tunes":588},"p-configs-1",{"text":587},"Questi sono modelli architetturali, non classifiche di maturità. Una funzionalità solo modello può essere il design corretto quando il compito non richiede fatti o azioni esterne. Aggiungere recupero, strumenti, memoria o un ciclo di agente è giustificato solo quando il compito richiede quelle capacità.",{},{"id":590,"data":591,"type":42,"tunes":593},"h-implementation",{"text":592,"level":240},"Evidenza di implementazione: Aaasaasa AI Client",{},{"id":595,"data":596,"type":226,"tunes":599},"implementation-scope",{"body":597,"title":598,"variant":233},"La sezione seguente descrive un'implementazione che ho costruito e revisionato rispetto al codice e alla documentazione architetturale di Aaasaasa AI Client al \u003Cstrong>26 luglio 2026\u003C\u002Fstrong>. È evidenza dell'utilità di questi confini, non un'affermazione che un'implementazione sia uno standard universale o un prodotto enterprise distribuito commercialmente.","Evidenza di implementazione primaria",{},{"id":601,"data":602,"type":218,"tunes":604},"p-impl-1",{"text":603},"Aaasaasa AI Client è uno spazio di lavoro IA desktop local-first costruito con Nuxt 4, Electron e TypeScript. Il suo AI Hub separa deliberatamente agente\u002Fclient, provider, modello, posizione runtime, permessi e client web invece di trattarli come un'unica impostazione \"IA\".",{},{"id":606,"data":607,"type":218,"tunes":609},"p-impl-2",{"text":608},"Questa separazione crea un comportamento concreto. Direct Chat può parlare con i modelli senza strumenti di filesystem o shell. Un agente Codex può usare un workspace selezionato e un profilo di permessi. Ollama può fornire inferenza locale diretta, mentre LM Studio e endpoint configurabili compatibili con OpenAI rappresentano altri percorsi di provider. Un processo Codex in esecuzione locale può comunque usare un modello cloud, quindi l'interfaccia utente e l'architettura non equiparano runtime locale con inferenza locale.",{},{"id":611,"data":612,"type":218,"tunes":614},"p-impl-3",{"text":613},"L'implementazione contiene anche supporto Qdrant\u002Fvettoriale, capacità di estrazione documenti e un broker MCP di directory autenticato. Questi componenti illustrano un altro confine: l'infrastruttura di recupero e l'accesso agli strumenti possono vivere nello stesso prodotto senza diventare proprietà del modello stesso.",{},{"id":616,"data":617,"type":347,"tunes":641},"impl-map",{"content":618,"stretched":43,"withHeadings":14},[619,622,624,627,630,633,636,639],[620,621],"Concetto A01","Evidenza di implementazione di Aaasaasa AI Client",[323,623],"Un identificatore di modello specifico del provider è selezionato separatamente da provider e runtime.",[625,626],"Provider","Ollama, LM Studio, servizi compatibili con OpenAI e altri percorsi di provider sono rappresentati separatamente.",[628,629],"Runtime","La posizione locale o remota dell'agente\u002Fruntime è tracciata indipendentemente dal modello.",[631,632],"Strumenti \u002F accesso","Direct Chat non ha strumenti di filesystem o shell; l'accesso controllato alle directory è intermediato separatamente.",[634,635],"Permessi","I profili di permessi del workspace sono politiche dell'applicazione\u002Fsessione, non capacità del modello.",[637,638],"Infrastruttura di recupero","Il supporto vettoriale e l'estrazione documenti esistono come capacità di dati\u002Frecupero piuttosto che come funzionalità del modello.",[344,640],"Il prodotto Electron\u002FNuxt coordina UI, credenziali, provider, scoperta del runtime, permessi, strumenti e interazione con il modello.",{},{"id":643,"data":644,"type":226,"tunes":647},"impl-lesson",{"body":645,"title":646,"variant":263},"L'architettura è diventata più facile da ragionare una volta che \u003Cstrong>modello, provider, runtime, permessi, strumenti, dati e client\u003C\u002Fstrong> hanno smesso di essere rappresentati come un'unica scelta di configurazione. La distinzione è operativa: determina cosa può essere eseguito localmente, cosa può accedere ai file, cosa può chiamare l'inferenza cloud a pagamento e quale strato possiede l'autorizzazione.","Lezione di implementazione",{},{"id":649,"data":650,"type":42,"tunes":652},"h-errors",{"text":651,"level":240},"Errori di categoria comuni",{},{"id":654,"data":655,"type":347,"tunes":681},"errors-table",{"content":656,"stretched":43,"withHeadings":14},[657,660,663,666,669,672,675,678],[658,659],"Errore di categoria","Cosa sta effettivamente accadendo",[661,662],"“L'IA conosce i nostri documenti.”","L'applicazione o il livello di recupero rende disponibile al modello il contenuto selezionato dei documenti.",[664,665],"“RAG è il nostro database vettoriale.”","Il database vettoriale può essere un indice o archivio utilizzato da una pipeline di recupero; RAG è il pattern di recupero più generazione.",[667,668],"“Il modello ha chiamato il nostro CRM.”","Il modello ha prodotto una richiesta di strumento; il runtime\u002Fl'applicazione ha autorizzato ed eseguito la chiamata esterna.",[670,671],"“È IA locale perché l'agente desktop viene eseguito localmente.”","La posizione del runtime e la posizione dell'inferenza sono separate. Un runtime locale può comunque invocare un modello remoto.",[673,674],"“Il modello ha il permesso di modificare i file.”","L'applicazione\u002Fil runtime concede una capacità di strumento secondo una politica di autorizzazione; il permesso non è una proprietà intrinseca del modello.",[676,677],"“Più contesto significa più conoscenza.”","Il contesto è l'input finito reso disponibile per una singola inferenza. Un contesto più ampio può contenere più rumore, conflitti o informazioni obsolete.",[679,680],"“Il chatbot è l'architettura IA.”","L'interfaccia chat è una sola interfaccia. Il sistema può includere anche identità, stato, recupero, strumenti, runtime, validazione, persistenza e osservabilità.",{},{"id":683,"data":684,"type":42,"tunes":686},"h-failures",{"text":685,"level":240},"Modalità di guasto quando i confini collassano",{},{"id":688,"data":689,"type":218,"tunes":691},"p-failure-intro",{"text":690},"Gli errori di confine non sono semplicemente problemi di terminologia. Creano guasti di produzione distinti che richiedono correzioni diverse.",{},{"id":693,"data":694,"type":358,"tunes":731},"failure-comparison",{"rows":695,"title":720,"layout":347,"columns":721},[696,700,704,708,712,716],{"id":697,"label":698,"values":699},"stale","Risposta obsoleta",[325,325,325],{"id":701,"label":702,"values":703},"missing","Fatto aziendale mancante",[325,325,325],{"id":705,"label":706,"values":707},"unsafe","Effetto collaterale non sicuro",[325,325,325],{"id":709,"label":710,"values":711},"noise","Risposta confusa con molto testo fornito",[325,325,325],{"id":713,"label":714,"values":715},"route","Uso imprevisto del cloud",[325,325,325],{"id":717,"label":718,"values":719},"loop","L'agente si blocca o si ripete",[325,325,325],"Diagnosticare il livello guasto prima di sostituire il modello",[722,725,728],{"id":723,"label":724},"symptom","Sintomo",{"id":726,"label":727},"likely","Probabile problema di confine",{"id":729,"label":730},"fix","Primo controllo architetturale",{},{"id":733,"data":734,"type":42,"tunes":736},"h-version",{"text":735,"level":240},"Cosa è stabile e cosa è sensibile alla versione?",{},{"id":738,"data":739,"type":218,"tunes":741},"p-version-1",{"text":740},"Le distinzioni architetturali in questo articolo sono intenzionalmente neutre rispetto al fornitore. Gli esempi attuali riportati di seguito sono fatti di implementazione che dovrebbero essere ricontrollati quando le API evolvono.",{},{"id":743,"data":744,"type":347,"tunes":774},"version-table",{"content":745,"stretched":43,"withHeadings":14},[746,750,754,758,762,766,770],[747,748,749],"Area","Idea architetturale stabile","Esempio attuale verificato l'8 ottobre 2026",[751,752,753],"Modello IA vs sistema","Un modello è un componente all'interno di un sistema più ampio","Il glossario attuale del NIST definisce separatamente modello IA e sistema IA.",[755,756,757],"RAG","La generazione può essere condizionata da informazioni esterne recuperate","La formulazione di Lewis et al. 2020 rimane il riferimento fondamentale; i metodi di recupero in produzione ora si estendono ben oltre un singolo design di indice denso.",[759,760,761],"Recupero ospitato","Il recupero può essere esposto come strumento gestito","OpenAI File Search è attualmente uno strumento dell'API Responses che cerca nelle basi di conoscenza di file caricati utilizzando il recupero semantico e per parole chiave.",[763,764,765],"Chiamata di funzione\u002Fstrumento","Un modello può richiedere capacità esterne definite dall'applicazione","OpenAI attualmente documenta la chiamata di funzione come interfaccia verso sistemi esterni, dati e azioni.",[767,768,769],"Ingegneria del contesto","Il comportamento del modello dipende dalle informazioni finite fornite per l'inferenza corrente","La guida ingegneristica attuale di Anthropic definisce il contesto come l'insieme di token incluso durante il campionamento dall'LLM e si concentra sulla curatela di tale insieme.",[771,772,773],"API dei fornitori","SDK, nomi degli strumenti, forme degli endpoint e funzionalità supportate cambiano","Trattare la documentazione del fornitore come sensibile alla versione anche quando il confine di responsabilità rimane stabile.",{},{"id":776,"data":777,"type":218,"tunes":779},"p-version-2",{"text":778},"Un articolo fonte di verità dovrebbe quindi preservare entrambi i livelli: concetti stabili per l'architettura e prove datate per le implementazioni attuali. Mescolare i due fa invecchiare un articolo inutilmente in fretta.",{},{"id":781,"data":782,"type":42,"tunes":784},"h-test",{"text":783,"level":240},"Il test del confine dei componenti IA",{},{"id":786,"data":787,"type":218,"tunes":789},"p-test-1",{"text":788},"Quando si valuta una funzionalità IA, porre le seguenti domande in ordine. Le risposte rivelano quali componenti il sistema ha effettivamente e quali responsabilità sono ancora implicite.",{},{"id":791,"data":792,"type":305,"tunes":816},"boundary-test",{"steps":793,"title":815,"orientation":304},[794,797,800,803,806,809,812],{"label":795,"description":796},"1. Cosa genera l'output?","Identificare il modello esatto e le modalità o gli output strutturati che fornisce.",{"label":798,"description":799},"2. Quali fatti sono autorevoli al di fuori del modello?","Identificare documenti, database, API, stato corrente e altre fonti di verità.",{"label":801,"description":802},"3. Come vengono selezionate le informazioni rilevanti?","Separare ricerca diretta, ricerca, recupero, ranking e costruzione del contesto.",{"label":804,"description":805},"4. Cosa può causare effetti collaterali reali?","Elencare strumenti e azioni esterne, quindi identificare chi li valida e li autorizza.",{"label":807,"description":808},"5. Cosa raggiunge il modello come contesto?","Rendere espliciti istruzioni, prove, stato, cronologia, memoria e definizioni degli strumenti.",{"label":810,"description":811},"6. Chi possiede il ciclo?","Identificare il runtime o l'harness che gestisce chiamate, eventi, tentativi, cicli di strumenti e sessioni.",{"label":813,"description":814},"7. Cosa rimane di responsabilità dell'applicazione?","Rendere espliciti identità, permessi, stato del dominio, validazione, persistenza, osservabilità e UX.","Sette domande per un design di produzione",{},{"id":818,"data":819,"type":42,"tunes":821},"h-not",{"text":820,"level":240},"Cosa non è l'IA generativa",{},{"id":823,"data":824,"type":218,"tunes":826},"p-not-1",{"text":825},"L'IA generativa non è sinonimo di LLM, anche se gli LLM sono una classe importante di modelli generativi. Non è nemmeno sinonimo di RAG, di un database vettoriale, di un agente, di un protocollo di strumenti, di un'interfaccia chatbot o di un'applicazione.",{},{"id":828,"data":829,"type":218,"tunes":831},"p-not-2",{"text":830},"Questi concetti possono essere collegati, ma ciascuno risponde a una diversa domanda architetturale. Un LLM chiede come viene prodotto l'output linguistico. Il recupero chiede da dove provengono le prove esterne. Gli strumenti chiedono come vengono esposte le capacità esterne. Il contesto chiede cosa può vedere il modello. Il runtime chiede come viene coordinata l'esecuzione. L'applicazione chiede come la capacità diventa un prodotto controllato.",{},{"id":833,"data":834,"type":226,"tunes":837},"remember",{"body":835,"title":836,"variant":263},"\u003Cstrong>Modello = genera.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Recupero = trova prove.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Strumenti = leggi o agisci al di fuori del modello.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Contesto = ciò che il modello vede ora.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Runtime = coordina l'esecuzione.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Applicazione = possiede il prodotto, lo stato, le regole e i permessi.\u003C\u002Fstrong>","Se ricordi solo un modello",{},{"id":839,"data":840,"type":42,"tunes":842},"h-next",{"text":841,"level":240},"Dove andare dopo nel grafo della conoscenza",{},{"id":844,"data":845,"type":218,"tunes":847},"p-next-1",{"text":846},"Una volta che questi confini sono chiari, i argomenti più profondi diventano più facili da collocare. RAG appartiene al recupero e alla costruzione del contesto. Il Trigger di Recupero decide quando sono richieste prove esterne. La memoria dell'agente riguarda ciò che persiste nel tempo. La chiamata di strumenti e MCP appartengono all'accesso alle capacità. Gli harness degli agenti appartengono all'orchestrazione del runtime. RBAC, l'isolamento dei tenant e l'autorizzazione del dominio appartengono al confine di sicurezza dell'applicazione e della piattaforma.",{},{"id":849,"data":850,"type":409,"tunes":855},"ref-data",{"url":851,"title":852,"excerpt":853,"ctaLabel":854},"https:\u002F\u002Fstajic.de\u002Fit\u002Fblog\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python","Da dove prende i dati un LLM? Fonti di dati RAG in Python","Una continuazione pratica che mostra come file, SQL, API, ricerca full-text, embedding e assemblaggio del contesto colleghino dati esterni a un LLM.","Vedi il percorso dei dati nel codice",{},{"id":857,"data":858,"type":409,"tunes":863},"ref-trigger",{"url":859,"title":860,"excerpt":861,"ctaLabel":862},"https:\u002F\u002Fstajic.de\u002Fit\u002Fblog\u002Fwhen-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger","Quando dovrebbe un'IA smettere di fidarsi della propria conoscenza? — Il trigger di retrieval","Un modello decisionale per stabilire quando un sistema di IA dovrebbe smettere di basarsi solo sulla conoscenza del modello e ottenere evidenze esterne.","Leggi il modello decisionale di retrieval",{},{"id":865,"data":866,"type":42,"tunes":868},"h-limit",{"text":867,"level":240},"Limitazioni",{},{"id":870,"data":871,"type":218,"tunes":873},"p-limit-1",{"text":872},"Il modello a sei livelli è una mappa delle responsabilità, non un requisito che ogni prodotto debba distribuire sei servizi separati. Una piccola applicazione può implementare la costruzione del contesto, il retrieval e l'orchestrazione all'interno di un unico processo. Una piattaforma gestita può raggruppare diverse responsabilità dietro una sola API. La distribuzione fisica può essere combinata mentre la titolarità semantica rimane distinta.",{},{"id":875,"data":876,"type":218,"tunes":878},"p-limit-2",{"text":877},"Anche la terminologia varia tra fornitori e ricerca. \"Agente\", \"runtime\", \"memoria\", \"strumento\", \"connettore\" e \"contesto\" possono essere definiti in modo diverso. Le definizioni qui scelte servono a rendere espliciti la titolarità operativa e la diagnosi dei guasti, non a sostenere che ogni framework utilizzi un vocabolario identico.",{},{"id":880,"data":881,"type":218,"tunes":883},"p-limit-3",{"text":882},"La sezione Aaasaasa AI Client documenta un modello di implementazione. Dimostra che confini espliciti sono praticabili, ma non prova che la stessa disposizione dei componenti sia ottimale per ogni prodotto di IA.",{},{"id":885,"data":886,"type":42,"tunes":888},"h-change",{"text":887,"level":240},"Cosa cambierebbe questa risposta?",{},{"id":890,"data":891,"type":218,"tunes":893},"p-change-1",{"text":892},"La mappa delle responsabilità richiederebbe una revisione se le architetture dei modelli stesse iniziassero a possedere stato esterno autorevole, permessi, effetti collaterali transazionali durevoli e accesso verificabile alle fonti come proprietà intrinseche anziché come capacità fornite da un sistema circostante. Le attuali architetture di produzione non rendono sicura questa assunzione generale.",{},{"id":895,"data":896,"type":218,"tunes":898},"p-change-2",{"text":897},"I singoli esempi di implementazione cambieranno molto prima. Gli strumenti di retrieval ospitati, le API per agenti, le integrazioni MCP, le funzionalità di gestione del contesto e le capacità dei fornitori si evolvono rapidamente. Questi dettagli dovrebbero essere aggiornati senza far collassare le distinzioni di fondo tra generazione, evidenza, accesso alle capacità, contesto, esecuzione e controllo dell'applicazione.",{},{"id":900,"data":901,"type":42,"tunes":903},"h-conclusion",{"text":902,"level":240},"Conclusione",{},{"id":905,"data":906,"type":218,"tunes":908},"p-conclusion-1",{"text":907},"L'IA generativa diventa più facile da progettare una volta che \"l'IA\" smette di essere trattata come un'unica scatola nera. Il modello è il componente generativo, non il prodotto completo. Il retrieval fornisce evidenze esterne. Gli strumenti espongono capacità. Il contesto porta informazioni selezionate nell'inferenza corrente. Il runtime coordina l'esecuzione. L'applicazione possiede il confine autorevole del prodotto.",{},{"id":910,"data":911,"type":218,"tunes":913},"p-conclusion-2",{"text":912},"Questa separazione è utile più che per la sola spiegazione. Indica agli ingegneri da dove provengono i fatti obsoleti, dove risiede l'autorizzazione, perché un runtime locale può comunque usare l'inferenza cloud, perché RAG non equivale a un database vettoriale, perché le chiamate agli strumenti richiedono validazione e perché cambiare il modello non può riparare ogni guasto del sistema.",{},{"id":915,"data":916,"type":218,"tunes":918},"p-conclusion-3",{"text":917},"La domanda architetturale durevole non è quindi \"Quale modello di IA stiamo usando?\". È: quale responsabilità possiede ciascun componente, quali evidenze attraversano ciascun confine e quale livello è autorizzato a modificare lo stato reale?",{},{"id":920,"data":921,"type":42,"tunes":923},"h-faq",{"text":922,"level":240},"FAQ",{},{"id":925,"data":926,"type":925,"tunes":957},"faq",{"items":927,"title":956},[928,932,936,940,944,948,952],{"id":929,"answer":930,"question":931},"faq1","No. Un LLM è un tipo di modello generativo. L'IA generativa include anche altre modalità, e un sistema di IA generativa in produzione può includere retrieval, strumenti, logica di runtime, stato dell'applicazione, permessi, persistenza e interfacce utente attorno al modello.","L'IA generativa è la stessa cosa di un LLM?",{"id":933,"answer":934,"question":935},"faq2","Di solito no. Il RAG è un pattern applicativo\u002Fdi sistema che recupera informazioni esterne e fornisce evidenze selezionate al modello. Alcune piattaforme integrano strettamente il retrieval con le API del modello, ma la responsabilità rimane distinta.","Il RAG fa parte del modello?",{"id":937,"answer":938,"question":939},"faq3","No. Il RAG può utilizzare ricerca vettoriale, ricerca lessicale, retrieval ibrido, SQL, API, grafi di conoscenza o altri metodi. La proprietà che lo definisce è il recupero di informazioni esterne per la generazione, non una specifica tecnologia di archiviazione.","È necessario un database vettoriale per il RAG?",{"id":941,"answer":942,"question":943},"faq4","No. Uno strumento è una capacità esterna. La sua definizione può essere rappresentata nel contesto, e il suo risultato può successivamente entrare nel contesto, ma la capacità effettiva viene eseguita al di fuori del modello.","Gli strumenti sono la stessa cosa del contesto?",{"id":945,"answer":946,"question":947},"faq5","No. La posizione del runtime e la posizione dell'inferenza sono separate. Un'applicazione desktop locale o un agente può chiamare un modello remoto, mentre un'applicazione remota può chiamare un modello ospitato internamente.","Eseguire un client di IA localmente significa che il modello è locale?",{"id":949,"answer":950,"question":951},"faq6","Il confine di sicurezza dell'applicazione o del runtime dovrebbe applicare l'autorizzazione. Un modello può richiedere un'operazione, ma l'intento del modello non dovrebbe mai essere considerato autorità di esecuzione sufficiente.","Chi dovrebbe applicare i permessi per gli strumenti di IA?",{"id":953,"answer":954,"question":955},"faq7","Lo stato volatile autorevole dovrebbe normalmente rimanere nell'applicazione o nel sistema di dominio che lo possiede. L'IA può ricevere lo stato rilevante tramite contesto controllato o accesso agli strumenti quando necessario.","Dove dovrebbe risiedere lo stato corrente dell'applicazione?","Confini dei sistemi di IA generativa",{},{"id":959,"data":960,"type":42,"tunes":962},"h-glossary",{"text":961,"level":240},"Glossario",{},{"id":964,"data":965,"type":964,"tunes":991},"glossary",{"title":966,"entries":967},"Termini principali",[968,972,975,977,980,982,985,987],{"term":969,"anchor":970,"definition":971},"Modello generativo","generative-model","Un modello di IA progettato per generare contenuti sintetici derivati come testo, immagini, audio, video, codice o output strutturato.",{"term":973,"anchor":327,"definition":974},"Retrieval","Il processo di selezione di informazioni rilevanti da una fonte o archivio esterno per l'attività corrente.",{"term":755,"anchor":562,"definition":976},"Retrieval-Augmented Generation: un pattern in cui informazioni esterne recuperate vengono fornite a un modello generativo per migliorare l'output corrente.",{"term":978,"anchor":566,"definition":979},"Strumento","Una capacità esposta a un runtime di IA per leggere dati, calcolare, cercare o eseguire un'azione esterna.",{"term":336,"anchor":335,"definition":981},"Le informazioni disponibili al modello per uno specifico passo di inferenza.",{"term":340,"anchor":983,"definition":984},"runtime-orchestrator","Lo strato software che coordina chiamate al modello, chiamate a strumenti, cicli di attività, sessioni, tentativi, eventi o ambienti di esecuzione.",{"term":344,"anchor":343,"definition":986},"Il prodotto e lo strato di dominio che possiede interazione utente, stato autorevole, permessi, validazione, persistenza e comportamento di business.",{"term":988,"anchor":989,"definition":990},"Fornitore","provider","Il servizio o runtime che espone l'accesso a uno o più modelli; l'identità del fornitore e l'identità del modello sono questioni separate.",{},{"id":993,"data":994,"type":42,"tunes":996},"h-sources",{"text":995,"level":240},"Fonti primarie ed evidenze di implementazione",{},{"id":998,"data":999,"type":218,"tunes":1001},"p-sources-note",{"text":1000},"Le definizioni stabili di seguito sono ancorate a standard\u002Fricerca; gli esempi di implementazione in rapida evoluzione utilizzano la documentazione ingegneristica ufficiale corrente. Aaasaasa AI Client è una prova di implementazione originale ed è stato verificato rispetto allo stato del suo codice\u002Fdocumentazione datato 26 luglio 2026.",{},{"id":1003,"data":1004,"type":1010,"tunes":1011},"src-nist-profile",{"link":1005,"meta":1006},"https:\u002F\u002Fnvlpubs.nist.gov\u002Fnistpubs\u002Fai\u002FNIST.AI.600-1.pdf",{"image":1007,"title":1008,"description":1009},{"url":325},"NIST AI 600-1 — Profilo di Intelligenza Artificiale Generativa","Il profilo di IA generativa del NIST, che include la definizione di IA generativa e la distinzione esplicita tra questioni a livello di modello, sistema, applicazione e caso d'uso.","linkTool",{},{"id":1013,"data":1014,"type":1010,"tunes":1020},"src-nist-model",{"link":1015,"meta":1016},"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_model",{"image":1017,"title":1018,"description":1019},{"url":325},"NIST — Modello di Intelligenza Artificiale","Definizione attuale del glossario NIST di un modello di IA come componente di un sistema informativo che produce output da input utilizzando tecniche di IA.",{},{"id":1022,"data":1023,"type":1010,"tunes":1029},"src-nist-system",{"link":1024,"meta":1025},"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_system",{"image":1026,"title":1027,"description":1028},{"url":325},"NIST — Sistema di Intelligenza Artificiale","Definizione attuale del glossario NIST che mostra che un sistema di IA può includere sistemi dati, software, hardware, applicazioni, strumenti o utilità che utilizzano l'IA.",{},{"id":1031,"data":1032,"type":1010,"tunes":1038},"src-rag-paper",{"link":1033,"meta":1034},"https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11401",{"image":1035,"title":1036,"description":1037},{"url":325},"Lewis et al. — Generazione Aumentata dal Recupero per Compiti NLP ad Alta Intensità di Conoscenza","Il documento del 2020 che introduce la formulazione RAG che combina un modello generativo con memoria non parametrica recuperata.",{},{"id":1040,"data":1041,"type":1010,"tunes":1047},"src-openai-file-search",{"link":1042,"meta":1043},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ftools-file-search",{"image":1044,"title":1045,"description":1046},{"url":325},"OpenAI — Ricerca File","Documentazione ufficiale attuale per il recupero di file ospitato nell'API Responses utilizzando basi di conoscenza di file caricati, ricerca semantica e ricerca per parole chiave.",{},{"id":1049,"data":1050,"type":1010,"tunes":1056},"src-openai-functions",{"link":1051,"meta":1052},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ffunction-calling",{"image":1053,"title":1054,"description":1055},{"url":325},"OpenAI — Chiamata di Funzioni","Documentazione ufficiale attuale che descrive la chiamata di strumenti\u002Ffunzioni come interfaccia tra modelli e sistemi esterni, dati e azioni.",{},{"id":1058,"data":1059,"type":1010,"tunes":1065},"src-anthropic-context",{"link":1060,"meta":1061},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":1062,"title":1063,"description":1064},{"url":325},"Anthropic — Ingegneria Efficace del Contesto per Agenti IA","Linee guida ingegneristiche che definiscono il contesto come l'insieme di token disponibili durante il campionamento LLM e spiegano perché la selezione del contesto è un problema di risorse finite.",{},"2.31","L'IA generativa è più di un modello. Scopri come modelli, recupero, strumenti, contesto, runtime e applicazioni si integrano nei sistemi di IA in produzione.","\u002Fuploads\u002F2026\u002F10\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing-1791475411822-pp0dvz.webp","generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing-1791475411822-pp0dvz","PUBLISHED","2026-10-08T12:00:00.000Z","2026-10-08T16:00:39.350Z","2026-10-08T16:10:51.437Z",{"en":1075,"de":1076,"sr":1077,"es":1078,"fr":1079,"it":1080,"ru":1081,"zh":1082},"\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fde\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fsr\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fes\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Ffr\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fit\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fru\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","\u002Fzh\u002Fblog\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing",[1084,1088,1092,1096,1100],{"id":1085,"name":1086,"slug":1087},84,"Policy e limiti dati","policy-and-data",{"id":1089,"name":1090,"slug":1091},57,"Limiti dei dati","data-boundaries",{"id":1093,"name":1094,"slug":1095},80,"Accesso e identità","access-and-identity",{"id":1097,"name":1098,"slug":1099},68,"Rischi, controlli e prove","risks-and-controls",{"id":1101,"name":1102,"slug":1103},54,"Modello di minaccia","threat-model",{"id":1105,"login":1106,"email":1107,"displayName":1108},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[1110,1808],{"lang":1111,"title":1112,"content":1113,"contentJson":1114,"excerpt":1807},"en","Generative AI Explained: Models, Retrieval, Tools and Applications Are Not the Same Thing","{\"time\":1791475413504,\"blocks\":[{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Generative AI is not one component. A production generative AI system usually combines a generative model with application code that supplies instructions and context, retrieves external knowledge when needed, exposes tools for reading or changing external systems, manages runtime state and permissions, and turns the result into a usable product. Treating the model, retrieval, tools, context, runtime, and application as the same thing hides the boundaries that determine freshness, security, reliability, cost, and control.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"\u003Cstrong>The model generates; retrieval finds external evidence; tools access data or perform actions; context is what the model can see for the current inference; the runtime coordinates execution; the application owns product rules, state, permissions, persistence, and user experience.\u003C\u002Fstrong> These layers can be packaged together by a vendor, but their responsibilities remain different.\"},\"tunes\":{}},{\"id\":\"scope-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Terminology and version note\",\"body\":\"This article defines durable architectural responsibilities rather than one vendor stack. Current implementation examples were re-checked on \u003Cstrong>8 October 2026\u003C\u002Fstrong>. Vendor APIs and product names can change; the responsibility boundaries are more stable than any individual SDK or endpoint.\"},\"tunes\":{}},{\"id\":\"toc\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-meaning\",\"type\":\"header\",\"data\":{\"text\":\"What does “generative AI” actually mean?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-meaning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"At the model level, generative AI refers to AI models that generate derived synthetic content such as text, images, audio, video, code, or other digital output. NIST AI 600-1 uses this model-oriented meaning and separately discusses risks at model, system, application, and use-case levels.\"},\"tunes\":{}},{\"id\":\"p-meaning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"That distinction matters because an AI model is not the same thing as the complete AI system. NIST's current glossary defines an AI model as a component that produces outputs from inputs using computational, statistical, or machine-learning techniques, while an AI system can include software, hardware, applications, tools, or utilities that operate using AI.\"},\"tunes\":{}},{\"id\":\"model-system-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"A useful boundary\",\"body\":\"\u003Cstrong>Generative model ≠ generative AI application.\u003C\u002Fstrong>\u003Cbr>A model is one computational component. A usable AI product is a system built around that component.\"},\"tunes\":{}},{\"id\":\"h-simple\",\"type\":\"header\",\"data\":{\"text\":\"The simplest useful model of a generative AI system\",\"level\":2},\"tunes\":{}},{\"id\":\"p-simple-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"For a first mental model, imagine a company assistant answering: “Can this customer receive a refund today?” A useful answer may require several different responsibilities. The language model can interpret the question and write the explanation, but the current order state may come from a database tool, the refund policy may come from document retrieval, permissions may be enforced by the application, and the final action may require a controlled API call.\"},\"tunes\":{}},{\"id\":\"simple-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"One common execution path\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. User request\",\"description\":\"The application receives a natural-language question or task.\"},{\"label\":\"2. Application policy and state\",\"description\":\"Identity, tenant, permissions, current workflow state, and product rules define what the request is allowed to do.\"},{\"label\":\"3. Retrieval or direct data access\",\"description\":\"The system obtains external evidence or current facts when model knowledge is insufficient.\"},{\"label\":\"4. Context construction\",\"description\":\"Instructions, user input, selected evidence, relevant state, and tool definitions are assembled for the model.\"},{\"label\":\"5. Model inference\",\"description\":\"The generative model interprets the supplied context and produces text, structured output, or a tool request.\"},{\"label\":\"6. Tool execution when needed\",\"description\":\"The runtime or application validates and executes approved tool calls outside the model.\"},{\"label\":\"7. Observation and continuation\",\"description\":\"Tool results can return to the model as new context for another inference step.\"},{\"label\":\"8. Validation and product output\",\"description\":\"The application validates the result, records required state or audit data, and presents or executes the final outcome.\"}]},\"tunes\":{}},{\"id\":\"p-simple-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Real systems do not always follow this sequence exactly. Retrieval can happen before the first model call, tools can be selected during an agent loop, deterministic application logic can bypass the model entirely, and validation can occur at several stages. The point is to separate responsibilities, not to impose one universal workflow.\"},\"tunes\":{}},{\"id\":\"h-boundaries\",\"type\":\"header\",\"data\":{\"text\":\"The six boundaries that matter\",\"level\":2},\"tunes\":{}},{\"id\":\"boundary-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Six responsibilities inside one AI product\",\"layout\":\"table\",\"columns\":[{\"id\":\"job\",\"label\":\"Primary job\"},{\"id\":\"input\",\"label\":\"Typical inputs\"},{\"id\":\"not\",\"label\":\"Not the same as\"}],\"rows\":[{\"id\":\"model\",\"label\":\"Model\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"retrieval\",\"label\":\"Retrieval\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"tools\",\"label\":\"Tools\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"context\",\"label\":\"Context\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"runtime\",\"label\":\"Runtime \u002F orchestrator\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"application\",\"label\":\"Application\",\"values\":[\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"h-model\",\"type\":\"header\",\"data\":{\"text\":\"1. The model: generation is its core responsibility\",\"level\":2},\"tunes\":{}},{\"id\":\"p-model-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A generative model maps supplied inputs to generated outputs. For a language model, that can include natural-language text, structured JSON, code, classifications, summaries, plans, or tool-call arguments. Multimodal generative models can work with additional input and output types.\"},\"tunes\":{}},{\"id\":\"p-model-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The model can contain substantial learned knowledge in its parameters, but parameterized knowledge is not a live database. The model does not automatically know a document created five minutes ago, the current stock level, a private customer record, or the state of an application unless that information is supplied through the current input path.\"},\"tunes\":{}},{\"id\":\"p-model-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is why changing the model does not automatically solve stale knowledge, missing permissions, broken retrieval, incorrect state ownership, or unsafe tool execution. Those failures often belong to other layers.\"},\"tunes\":{}},{\"id\":\"h-retrieval\",\"type\":\"header\",\"data\":{\"text\":\"2. Retrieval: finding external evidence is a separate operation\",\"level\":2},\"tunes\":{}},{\"id\":\"p-retrieval-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retrieval selects information from an external source before or during generation. The 2020 Retrieval-Augmented Generation work by Lewis et al. made the separation explicit by combining a parametric generative model with retrieved non-parametric memory. Modern production systems use many retrieval variants, but the architectural idea remains: useful evidence can be fetched at inference time instead of relying only on what the model learned during training.\"},\"tunes\":{}},{\"id\":\"p-retrieval-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retrieval can use lexical search, embeddings, vector search, hybrid search, SQL, knowledge graphs, metadata filters, APIs, or other selection mechanisms. A vector database is therefore one possible retrieval component, not the definition of RAG.\"},\"tunes\":{}},{\"id\":\"retrieval-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Relevance is not authority\",\"body\":\"A retrieved passage can be highly relevant and still be stale, unauthorized, from the wrong version, or insufficient to support a claim. Retrieval quality and evidence quality must be evaluated separately.\"},\"tunes\":{}},{\"id\":\"ref-rag\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\",\"title\":\"What Is RAG? The Simplest Explanation of How It Works\",\"excerpt\":\"The canonical plain-English explanation of retrieval-augmented generation, including the separation between LLM, knowledge, state, memory and tools.\",\"ctaLabel\":\"Read the RAG foundation\"},\"tunes\":{}},{\"id\":\"h-tools\",\"type\":\"header\",\"data\":{\"text\":\"3. Tools: access and action are not model knowledge\",\"level\":2},\"tunes\":{}},{\"id\":\"p-tools-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A tool is an interface through which an AI runtime can request functionality outside the model. A tool can query a database, search the web, read a file, calculate a value, call an internal service, create a ticket, send a message, modify a record, or trigger another controlled operation.\"},\"tunes\":{}},{\"id\":\"p-tools-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current function-calling documentation makes this boundary explicit: function calling lets models interface with external systems and access data or actions provided by the application. The model can propose or select a call, but the external system performs the real operation.\"},\"tunes\":{}},{\"id\":\"p-tools-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool use therefore creates two separate questions: Can the model request this capability? and Will the application authorize and execute it? A production system should not confuse model intent with permission to cause a side effect.\"},\"tunes\":{}},{\"id\":\"tool-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Model intent is not execution authority\",\"body\":\"A model can emit a valid tool request and still be denied. Authorization, argument validation, rate limits, transaction rules, audit requirements, and rollback belong outside the model.\"},\"tunes\":{}},{\"id\":\"h-context\",\"type\":\"header\",\"data\":{\"text\":\"4. Context: what the model can see right now\",\"level\":2},\"tunes\":{}},{\"id\":\"p-context-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context is the information available to the model for a particular inference step. Anthropic's context-engineering guidance describes context as the set of tokens included when sampling from an LLM. In practice, that set can contain system instructions, user messages, conversation history, retrieved evidence, tool definitions, tool results, memory summaries, and selected application state.\"},\"tunes\":{}},{\"id\":\"p-context-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context is therefore neither the complete knowledge base nor long-term memory. A company may store ten million documents while only a handful of passages enter one model call. A runtime may persist a year of conversation history while exposing only the pieces needed for the current task.\"},\"tunes\":{}},{\"id\":\"p-context-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The context window also creates an engineering constraint. Adding more text does not guarantee a better answer; irrelevant, stale, contradictory, or low-authority information can dilute the evidence that actually matters.\"},\"tunes\":{}},{\"id\":\"h-runtime\",\"type\":\"header\",\"data\":{\"text\":\"5. Runtime and orchestration: coordinating the loop\",\"level\":2},\"tunes\":{}},{\"id\":\"p-runtime-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The runtime or orchestration layer coordinates how the model participates in a task. Depending on the architecture, it can manage sessions, model requests, tool discovery, tool-call loops, retries, handoffs, streaming events, timeouts, checkpoints, compaction, or execution environments.\"},\"tunes\":{}},{\"id\":\"p-runtime-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some runtimes are thin application code around a model API. Others are full agent harnesses. A managed vendor runtime can own part of the loop while the application still owns domain truth, authorization, business side effects, and product lifecycle.\"},\"tunes\":{}},{\"id\":\"p-runtime-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This boundary is important because where the runtime runs and where inference runs are separate decisions. A locally running client or agent process can still call a remote model, while a remote application can call a model hosted on infrastructure under the organization's control.\"},\"tunes\":{}},{\"id\":\"h-application\",\"type\":\"header\",\"data\":{\"text\":\"6. The application: where AI becomes a product\",\"level\":2},\"tunes\":{}},{\"id\":\"p-app-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The application is the product boundary around the AI components. It owns the user experience, domain model, current state, identity, tenant scope, permissions, persistence, service integrations, validation, observability, billing or quota logic where relevant, and the rules that determine what the AI is allowed to see or do.\"},\"tunes\":{}},{\"id\":\"p-app-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is the layer that turns “a model can produce useful output” into “a system can deliver a reliable capability.” The same model can participate in a private research assistant, a support workflow, a code agent, or a commerce application because the surrounding application changes the data, tools, policies, state, and execution contract.\"},\"tunes\":{}},{\"id\":\"app-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"The model is replaceable; the product boundary is not\",\"body\":\"Provider and model substitution can be an architectural goal. The application's authoritative state, permissions, domain rules, audit trail, and user contract cannot simply be delegated to whichever model is currently selected.\"},\"tunes\":{}},{\"id\":\"h-work-together\",\"type\":\"header\",\"data\":{\"text\":\"How the parts work together in a real request\",\"level\":2},\"tunes\":{}},{\"id\":\"p-together-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Consider a support assistant asked: “Refund order 4711 if it is still eligible, and explain why.” The request combines knowledge, current state, authorization, reasoning, and a side effect.\"},\"tunes\":{}},{\"id\":\"support-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Need\",\"Correct layer\",\"Why\"],[\"Refund policy\",\"Retrieval\",\"The system must find the current applicable policy and preserve its provenance.\"],[\"Order 4711 status\",\"Direct data\u002Ftool access\",\"The current order record is volatile authoritative state, not something to guess from model knowledge.\"],[\"User's authority to refund\",\"Application \u002F authorization\",\"Permissions must be enforced independently of what the model asks for.\"],[\"Interpret policy against order facts\",\"Model + context\",\"The model can reason over the policy evidence and current order state supplied to it.\"],[\"Execute refund\",\"Tool + application transaction rules\",\"A controlled external operation changes real state.\"],[\"Explain outcome\",\"Model\",\"The model can generate the user-facing explanation from validated results.\"],[\"Audit what happened\",\"Application \u002F runtime\",\"The system records evidence, calls, decisions, side effects, and errors as required.\"]]},\"tunes\":{}},{\"id\":\"p-together-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"If the assistant only has the language model, it can discuss refunds but cannot safely know whether order 4711 is currently eligible or perform the transaction. If it only has retrieval, it may find the policy but still lack live order state. If it has tools without application authorization, it may become capable but unsafe. Reliability comes from composing the layers with explicit ownership.\"},\"tunes\":{}},{\"id\":\"h-configs\",\"type\":\"header\",\"data\":{\"text\":\"Different AI products use different combinations\",\"level\":2},\"tunes\":{}},{\"id\":\"config-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"The presence of a model does not define the whole architecture\",\"layout\":\"table\",\"columns\":[{\"id\":\"retrieval\",\"label\":\"Retrieval\"},{\"id\":\"tools\",\"label\":\"Tools\"},{\"id\":\"state\",\"label\":\"Authoritative state\"},{\"id\":\"result\",\"label\":\"Typical capability\"}],\"rows\":[{\"id\":\"bare\",\"label\":\"Model-only assistant\",\"values\":[\"\",\"\",\"\",\"\"]},{\"id\":\"rag\",\"label\":\"Retrieval-grounded assistant\",\"values\":[\"\",\"\",\"\",\"\"]},{\"id\":\"tool\",\"label\":\"Tool-using assistant\",\"values\":[\"\",\"\",\"\",\"\"]},{\"id\":\"agent\",\"label\":\"Agentic application\",\"values\":[\"\",\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"p-configs-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"These are architecture patterns, not maturity rankings. A model-only feature can be the correct design when the task needs no external facts or actions. Adding retrieval, tools, memory, or an agent loop is justified only when the task requires those capabilities.\"},\"tunes\":{}},{\"id\":\"h-implementation\",\"type\":\"header\",\"data\":{\"text\":\"Implementation evidence: Aaasaasa AI Client\",\"level\":2},\"tunes\":{}},{\"id\":\"implementation-scope\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Primary implementation evidence\",\"body\":\"The following section describes an implementation I built and reviewed against the Aaasaasa AI Client codebase and architecture documentation as of \u003Cstrong>26 July 2026\u003C\u002Fstrong>. It is evidence for the usefulness of these boundaries, not a claim that one implementation is a universal standard or a commercially deployed enterprise product.\"},\"tunes\":{}},{\"id\":\"p-impl-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Aaasaasa AI Client is a local-first desktop AI workspace built with Nuxt 4, Electron and TypeScript. Its AI Hub deliberately separates agent\u002Fclient, provider, model, runtime location, permissions, and web client instead of treating them as one “AI” setting.\"},\"tunes\":{}},{\"id\":\"p-impl-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"That separation creates concrete behavior. Direct Chat can talk to models without filesystem or shell tools. A Codex agent can use a selected workspace and permission profile. Ollama can provide direct local inference, while LM Studio and configurable OpenAI-compatible endpoints represent other provider paths. A locally running Codex process can still use a cloud model, so the UI and architecture do not equate local runtime with local inference.\"},\"tunes\":{}},{\"id\":\"p-impl-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The implementation also contains Qdrant\u002Fvector support, document-extraction capabilities and an authenticated directory MCP broker. Those components illustrate another boundary: retrieval infrastructure and tool access can live in the same product without becoming properties of the model itself.\"},\"tunes\":{}},{\"id\":\"impl-map\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"A01 concept\",\"Aaasaasa AI Client implementation evidence\"],[\"Model\",\"A provider-specific model identifier is selected separately from provider and runtime.\"],[\"Provider\",\"Ollama, LM Studio, OpenAI-compatible services and other provider paths are represented separately.\"],[\"Runtime\",\"Local or remote agent\u002Fruntime location is tracked independently of the model.\"],[\"Tools \u002F access\",\"Direct Chat has no filesystem or shell tools; controlled directory access is brokered separately.\"],[\"Permissions\",\"Workspace permission profiles are application\u002Fsession policy, not model capability.\"],[\"Retrieval infrastructure\",\"Vector support and document extraction exist as data\u002Fretrieval capabilities rather than model features.\"],[\"Application\",\"The Electron\u002FNuxt product coordinates UI, credentials, providers, runtime discovery, permissions, tools and model interaction.\"]]},\"tunes\":{}},{\"id\":\"impl-lesson\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Implementation lesson\",\"body\":\"The architecture became easier to reason about once \u003Cstrong>model, provider, runtime, permissions, tools, data and client\u003C\u002Fstrong> stopped being represented as one configuration choice. The distinction is operational: it determines what can run locally, what can access files, what may call paid cloud inference, and which layer owns authorization.\"},\"tunes\":{}},{\"id\":\"h-errors\",\"type\":\"header\",\"data\":{\"text\":\"Common category errors\",\"level\":2},\"tunes\":{}},{\"id\":\"errors-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Category error\",\"What is actually happening\"],[\"“The AI knows our documents.”\",\"The application or retrieval layer makes selected document content available to the model.\"],[\"“RAG is our vector database.”\",\"The vector database can be one index or store used by a retrieval pipeline; RAG is the retrieval-plus-generation pattern.\"],[\"“The model called our CRM.”\",\"The model produced a tool request; the runtime\u002Fapplication authorized and executed the external call.\"],[\"“It is local AI because the desktop agent runs locally.”\",\"Runtime location and inference location are separate. A local runtime can still invoke a remote model.\"],[\"“The model has permission to edit files.”\",\"The application\u002Fruntime grants a tool capability under a permission policy; permission is not an intrinsic model property.\"],[\"“More context means more knowledge.”\",\"Context is the finite input made available for one inference. Larger context can contain more noise, conflict or stale information.\"],[\"“The chatbot is the AI architecture.”\",\"The chat UI is one interface. The system can also include identity, state, retrieval, tools, runtime, validation, persistence and observability.\"]]},\"tunes\":{}},{\"id\":\"h-failures\",\"type\":\"header\",\"data\":{\"text\":\"Failure modes when the boundaries collapse\",\"level\":2},\"tunes\":{}},{\"id\":\"p-failure-intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Boundary mistakes are not merely terminology problems. They create distinct production failures that require different fixes.\"},\"tunes\":{}},{\"id\":\"failure-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Diagnose the failing layer before replacing the model\",\"layout\":\"table\",\"columns\":[{\"id\":\"symptom\",\"label\":\"Symptom\"},{\"id\":\"likely\",\"label\":\"Likely boundary problem\"},{\"id\":\"fix\",\"label\":\"First architectural check\"}],\"rows\":[{\"id\":\"stale\",\"label\":\"Stale answer\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"missing\",\"label\":\"Missing company fact\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"unsafe\",\"label\":\"Unsafe side effect\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"noise\",\"label\":\"Confused answer with lots of supplied text\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"route\",\"label\":\"Unexpected cloud use\",\"values\":[\"\",\"\",\"\"]},{\"id\":\"loop\",\"label\":\"Agent stalls or repeats\",\"values\":[\"\",\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"h-version\",\"type\":\"header\",\"data\":{\"text\":\"What is stable and what is version-sensitive?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-version-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architectural distinctions in this article are intentionally vendor-neutral. The current examples below are implementation facts that should be re-checked when APIs evolve.\"},\"tunes\":{}},{\"id\":\"version-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Area\",\"Stable architectural idea\",\"Verified current example on 8 Oct 2026\"],[\"AI model vs system\",\"A model is a component inside a broader system\",\"NIST's current glossary separately defines AI model and AI system.\"],[\"RAG\",\"Generation can be conditioned on retrieved external information\",\"The Lewis et al. 2020 formulation remains the foundational reference; production retrieval methods now extend far beyond one dense index design.\"],[\"Hosted retrieval\",\"Retrieval can be exposed as a managed tool\",\"OpenAI File Search is currently a Responses API tool that searches uploaded-file knowledge bases using semantic and keyword retrieval.\"],[\"Function\u002Ftool calling\",\"A model can request application-defined external capabilities\",\"OpenAI currently documents function calling as an interface to external systems, data and actions.\"],[\"Context engineering\",\"Model behavior depends on the finite information supplied for the current inference\",\"Anthropic's current engineering guidance defines context as the token set included when sampling from the LLM and focuses on curating that set.\"],[\"Vendor APIs\",\"SDKs, tool names, endpoint shapes and supported features change\",\"Treat vendor documentation as version-sensitive even when the responsibility boundary remains stable.\"]]},\"tunes\":{}},{\"id\":\"p-version-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A source-of-truth article should therefore preserve both levels: stable concepts for architecture, and dated evidence for current implementations. Mixing the two makes an article age unnecessarily fast.\"},\"tunes\":{}},{\"id\":\"h-test\",\"type\":\"header\",\"data\":{\"text\":\"The AI component-boundary test\",\"level\":2},\"tunes\":{}},{\"id\":\"p-test-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"When evaluating an AI feature, ask the following questions in order. The answers reveal which components the system actually has and which responsibilities are still implicit.\"},\"tunes\":{}},{\"id\":\"boundary-test\",\"type\":\"processFlow\",\"data\":{\"title\":\"Seven questions for a production design\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. What generates the output?\",\"description\":\"Identify the exact model and the modalities or structured outputs it provides.\"},{\"label\":\"2. What facts are authoritative outside the model?\",\"description\":\"Identify documents, databases, APIs, current state and other sources of truth.\"},{\"label\":\"3. How is relevant information selected?\",\"description\":\"Separate direct lookup, search, retrieval, ranking and context construction.\"},{\"label\":\"4. What can cause real side effects?\",\"description\":\"List tools and external actions, then identify who validates and authorizes them.\"},{\"label\":\"5. What reaches the model as context?\",\"description\":\"Make instructions, evidence, state, history, memory and tool definitions explicit.\"},{\"label\":\"6. Who owns the loop?\",\"description\":\"Identify the runtime or harness that manages calls, events, retries, tool loops and sessions.\"},{\"label\":\"7. What remains the application's responsibility?\",\"description\":\"Make identity, permissions, domain state, validation, persistence, observability and UX explicit.\"}]},\"tunes\":{}},{\"id\":\"h-not\",\"type\":\"header\",\"data\":{\"text\":\"What generative AI is not\",\"level\":2},\"tunes\":{}},{\"id\":\"p-not-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Generative AI is not synonymous with an LLM, even though LLMs are a major class of generative model. It is also not synonymous with RAG, a vector database, an agent, a tool protocol, a chatbot UI, or an application.\"},\"tunes\":{}},{\"id\":\"p-not-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Those concepts can be connected, but each answers a different architectural question. An LLM asks how language output is produced. Retrieval asks where external evidence comes from. Tools ask how external capabilities are exposed. Context asks what the model can see. Runtime asks how execution is coordinated. The application asks how the capability becomes a controlled product.\"},\"tunes\":{}},{\"id\":\"remember\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"If you remember only one model\",\"body\":\"\u003Cstrong>Model = generate.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Retrieval = find evidence.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Tools = read or act outside the model.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Context = what the model sees now.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Runtime = coordinate execution.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Application = own the product, state, rules and permissions.\u003C\u002Fstrong>\"},\"tunes\":{}},{\"id\":\"h-next\",\"type\":\"header\",\"data\":{\"text\":\"Where to go next in the knowledge graph\",\"level\":2},\"tunes\":{}},{\"id\":\"p-next-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Once these boundaries are clear, deeper topics become easier to place. RAG belongs in retrieval and context construction. Retrieval Trigger decides when external evidence is required. Agent memory concerns what persists across time. Tool calling and MCP belong to capability access. Agent harnesses belong to runtime orchestration. RBAC, tenant isolation and domain authorization belong to the application and platform security boundary.\"},\"tunes\":{}},{\"id\":\"ref-data\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python\",\"title\":\"Where Does an LLM Get Its Data? RAG Data Sources in Python\",\"excerpt\":\"A practical continuation showing how files, SQL, APIs, full-text search, embeddings and context assembly connect external data to an LLM.\",\"ctaLabel\":\"See the data path in code\"},\"tunes\":{}},{\"id\":\"ref-trigger\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhen-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger\",\"title\":\"When Should an AI Stop Trusting Its Own Knowledge? — The Retrieval Trigger\",\"excerpt\":\"A decision model for when an AI system should stop relying only on model knowledge and obtain external evidence.\",\"ctaLabel\":\"Read the retrieval decision model\"},\"tunes\":{}},{\"id\":\"h-limit\",\"type\":\"header\",\"data\":{\"text\":\"Limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-limit-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The six-layer model is a responsibility map, not a requirement that every product deploy six separate services. A small application may implement context construction, retrieval and orchestration inside one process. A managed platform may bundle several responsibilities behind one API. Physical deployment can be combined while semantic ownership remains distinct.\"},\"tunes\":{}},{\"id\":\"p-limit-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Terminology also varies across vendors and research. “Agent,” “runtime,” “memory,” “tool,” “connector,” and “context” can be defined differently. The definitions here are chosen to make operational ownership and failure diagnosis explicit rather than to claim that every framework uses identical vocabulary.\"},\"tunes\":{}},{\"id\":\"p-limit-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Aaasaasa AI Client section documents one implementation pattern. It demonstrates that explicit boundaries are practical, but it does not prove that the same component layout is optimal for every AI product.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The responsibility map would need revision if model architectures themselves began to own authoritative external state, permissions, durable transactional side effects, and verifiable source access as intrinsic properties rather than capabilities supplied by a surrounding system. Current production architectures do not make that a safe general assumption.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Individual implementation examples will change much sooner. Hosted retrieval tools, agent APIs, MCP integrations, context-management features and provider capabilities evolve quickly. Those details should be updated without collapsing the underlying distinctions between generation, evidence, capability access, context, execution and application control.\"},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Generative AI becomes easier to design once “the AI” stops being treated as one black box. The model is the generative component, not the complete product. Retrieval provides external evidence. Tools expose capabilities. Context carries selected information into the current inference. The runtime coordinates execution. The application owns the authoritative product boundary.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"That separation is useful for more than explanation. It tells engineers where stale facts originate, where authorization belongs, why a local runtime can still use cloud inference, why RAG does not equal a vector database, why tool calls require validation, and why changing the model cannot repair every system failure.\"},\"tunes\":{}},{\"id\":\"p-conclusion-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The durable architecture question is therefore not “Which AI model are we using?” It is: Which responsibility does each component own, what evidence crosses each boundary, and which layer is allowed to change real state?\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"FAQ\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"Generative AI system boundaries\",\"items\":[{\"id\":\"faq1\",\"question\":\"Is generative AI the same as an LLM?\",\"answer\":\"No. An LLM is one type of generative model. Generative AI also includes other modalities, and a production generative AI system can include retrieval, tools, runtime logic, application state, permissions, persistence and user interfaces around the model.\"},{\"id\":\"faq2\",\"question\":\"Is RAG part of the model?\",\"answer\":\"Usually no. RAG is an application\u002Fsystem pattern that retrieves external information and supplies selected evidence to the model. Some platforms package retrieval tightly with model APIs, but the responsibility remains distinct.\"},{\"id\":\"faq3\",\"question\":\"Is a vector database required for RAG?\",\"answer\":\"No. RAG can use vector search, lexical search, hybrid retrieval, SQL, APIs, knowledge graphs or other methods. The defining property is retrieval of external information for generation, not one storage technology.\"},{\"id\":\"faq4\",\"question\":\"Are tools the same as context?\",\"answer\":\"No. A tool is an external capability. Its definition may be represented in context, and its result may later enter context, but the actual capability executes outside the model.\"},{\"id\":\"faq5\",\"question\":\"Does running an AI client locally mean the model is local?\",\"answer\":\"No. Runtime location and inference location are separate. A local desktop application or agent can call a remote model, while a remote application can call an internally hosted model.\"},{\"id\":\"faq6\",\"question\":\"Who should enforce permissions for AI tools?\",\"answer\":\"The application or runtime security boundary should enforce authorization. A model can request an operation, but model intent should never be treated as sufficient execution authority.\"},{\"id\":\"faq7\",\"question\":\"Where does current application state belong?\",\"answer\":\"Authoritative volatile state should normally remain in the application or domain system that owns it. The AI can receive the relevant state through controlled context or tool access when needed.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Core terms\",\"entries\":[{\"term\":\"Generative model\",\"definition\":\"An AI model designed to generate derived synthetic content such as text, images, audio, video, code or structured output.\",\"anchor\":\"generative-model\"},{\"term\":\"Retrieval\",\"definition\":\"The process of selecting relevant information from an external source or store for the current task.\",\"anchor\":\"retrieval\"},{\"term\":\"RAG\",\"definition\":\"Retrieval-Augmented Generation: a pattern in which retrieved external information is supplied to a generative model to improve the current output.\",\"anchor\":\"rag\"},{\"term\":\"Tool\",\"definition\":\"A capability exposed to an AI runtime for reading data, calculating, searching, or performing an external action.\",\"anchor\":\"tool\"},{\"term\":\"Context\",\"definition\":\"The information available to the model for a particular inference step.\",\"anchor\":\"context\"},{\"term\":\"Runtime \u002F orchestrator\",\"definition\":\"The software layer that coordinates model calls, tool calls, task loops, sessions, retries, events or execution environments.\",\"anchor\":\"runtime-orchestrator\"},{\"term\":\"Application\",\"definition\":\"The product and domain layer that owns user interaction, authoritative state, permissions, validation, persistence and business behavior.\",\"anchor\":\"application\"},{\"term\":\"Provider\",\"definition\":\"The service or runtime that exposes access to one or more models; provider identity and model identity are separate concerns.\",\"anchor\":\"provider\"}]},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and implementation evidence\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sources-note\",\"type\":\"paragraph\",\"data\":{\"text\":\"Stable definitions below are anchored in standards\u002Fresearch; fast-moving implementation examples use current official engineering documentation. Aaasaasa AI Client is original implementation evidence and was checked against its codebase\u002Fdocumentation state dated 26 July 2026.\"},\"tunes\":{}},{\"id\":\"src-nist-profile\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fnvlpubs.nist.gov\u002Fnistpubs\u002Fai\u002FNIST.AI.600-1.pdf\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"NIST AI 600-1 — Generative Artificial Intelligence Profile\",\"description\":\"NIST's Generative AI profile, including the generative-AI definition and explicit distinction between model-, system-, application- and use-case-level concerns.\"}},\"tunes\":{}},{\"id\":\"src-nist-model\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_model\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"NIST — Artificial Intelligence Model\",\"description\":\"Current NIST glossary definition of an AI model as a component of an information system that produces outputs from inputs using AI techniques.\"}},\"tunes\":{}},{\"id\":\"src-nist-system\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fcsrc.nist.gov\u002Fglossary\u002Fterm\u002Fartificial_intelligence_system\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"NIST — Artificial Intelligence System\",\"description\":\"Current NIST glossary definition showing that an AI system can include data systems, software, hardware, applications, tools or utilities using AI.\"}},\"tunes\":{}},{\"id\":\"src-rag-paper\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.11401\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Lewis et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks\",\"description\":\"The 2020 paper introducing the RAG formulation that combines a generative model with retrieved non-parametric memory.\"}},\"tunes\":{}},{\"id\":\"src-openai-file-search\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ftools-file-search\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — File Search\",\"description\":\"Current official documentation for hosted file retrieval in the Responses API using uploaded-file knowledge bases, semantic search and keyword search.\"}},\"tunes\":{}},{\"id\":\"src-openai-functions\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ffunction-calling\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Function Calling\",\"description\":\"Current official documentation describing tool\u002Ffunction calling as the interface between models and external systems, data and actions.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-context\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective Context Engineering for AI Agents\",\"description\":\"Engineering guidance defining context as the token set available during LLM sampling and explaining why context selection is a finite-resource problem.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":1115,"blocks":1116,"version":1806},1791475413504,[1117,1121,1126,1131,1135,1139,1143,1147,1152,1156,1160,1189,1193,1197,1226,1230,1234,1238,1242,1246,1250,1254,1259,1266,1270,1274,1278,1282,1287,1291,1295,1299,1303,1307,1311,1315,1319,1323,1327,1331,1336,1340,1344,1378,1382,1386,1410,1414,1418,1423,1427,1431,1435,1459,1464,1468,1496,1500,1504,1534,1538,1542,1572,1576,1580,1584,1610,1614,1618,1622,1627,1631,1635,1642,1649,1653,1657,1661,1665,1669,1673,1677,1681,1685,1689,1693,1696,1722,1726,1749,1753,1757,1764,1771,1778,1785,1792,1799],{"id":215,"data":1118,"type":218,"tunes":1120},{"text":1119},"Generative AI is not one component. A production generative AI system usually combines a generative model with application code that supplies instructions and context, retrieves external knowledge when needed, exposes tools for reading or changing external systems, manages runtime state and permissions, and turns the result into a usable product. Treating the model, retrieval, tools, context, runtime, and application as the same thing hides the boundaries that determine freshness, security, reliability, cost, and control.",{},{"id":221,"data":1122,"type":226,"tunes":1125},{"body":1123,"title":1124,"variant":225},"\u003Cstrong>The model generates; retrieval finds external evidence; tools access data or perform actions; context is what the model can see for the current inference; the runtime coordinates execution; the application owns product rules, state, permissions, persistence, and user experience.\u003C\u002Fstrong> These layers can be packaged together by a vendor, but their responsibilities remain different.","Direct answer",{},{"id":229,"data":1127,"type":226,"tunes":1130},{"body":1128,"title":1129,"variant":233},"This article defines durable architectural responsibilities rather than one vendor stack. Current implementation examples were re-checked on \u003Cstrong>8 October 2026\u003C\u002Fstrong>. Vendor APIs and product names can change; the responsibility boundaries are more stable than any individual SDK or endpoint.","Terminology and version note",{},{"id":236,"data":1132,"type":241,"tunes":1134},{"title":1133,"maxLevel":239,"minLevel":240},"Contents",{},{"id":244,"data":1136,"type":42,"tunes":1138},{"text":1137,"level":240},"What does “generative AI” actually mean?",{},{"id":249,"data":1140,"type":218,"tunes":1142},{"text":1141},"At the model level, generative AI refers to AI models that generate derived synthetic content such as text, images, audio, video, code, or other digital output. NIST AI 600-1 uses this model-oriented meaning and separately discusses risks at model, system, application, and use-case levels.",{},{"id":254,"data":1144,"type":218,"tunes":1146},{"text":1145},"That distinction matters because an AI model is not the same thing as the complete AI system. NIST's current glossary defines an AI model as a component that produces outputs from inputs using computational, statistical, or machine-learning techniques, while an AI system can include software, hardware, applications, tools, or utilities that operate using AI.",{},{"id":259,"data":1148,"type":226,"tunes":1151},{"body":1149,"title":1150,"variant":263},"\u003Cstrong>Generative model ≠ generative AI application.\u003C\u002Fstrong>\u003Cbr>A model is one computational component. A usable AI product is a system built around that component.","A useful boundary",{},{"id":266,"data":1153,"type":42,"tunes":1155},{"text":1154,"level":240},"The simplest useful model of a generative AI system",{},{"id":271,"data":1157,"type":218,"tunes":1159},{"text":1158},"For a first mental model, imagine a company assistant answering: “Can this customer receive a refund today?” A useful answer may require several different responsibilities. The language model can interpret the question and write the explanation, but the current order state may come from a database tool, the refund policy may come from document retrieval, permissions may be enforced by the application, and the final action may require a controlled API call.",{},{"id":276,"data":1161,"type":305,"tunes":1188},{"steps":1162,"title":1187,"orientation":304},[1163,1166,1169,1172,1175,1178,1181,1184],{"label":1164,"description":1165},"1. User request","The application receives a natural-language question or task.",{"label":1167,"description":1168},"2. Application policy and state","Identity, tenant, permissions, current workflow state, and product rules define what the request is allowed to do.",{"label":1170,"description":1171},"3. Retrieval or direct data access","The system obtains external evidence or current facts when model knowledge is insufficient.",{"label":1173,"description":1174},"4. Context construction","Instructions, user input, selected evidence, relevant state, and tool definitions are assembled for the model.",{"label":1176,"description":1177},"5. Model inference","The generative model interprets the supplied context and produces text, structured output, or a tool request.",{"label":1179,"description":1180},"6. Tool execution when needed","The runtime or application validates and executes approved tool calls outside the model.",{"label":1182,"description":1183},"7. Observation and continuation","Tool results can return to the model as new context for another inference step.",{"label":1185,"description":1186},"8. Validation and product output","The application validates the result, records required state or audit data, and presents or executes the final outcome.","One common execution path",{},{"id":308,"data":1190,"type":218,"tunes":1192},{"text":1191},"Real systems do not always follow this sequence exactly. Retrieval can happen before the first model call, tools can be selected during an agent loop, deterministic application logic can bypass the model entirely, and validation can occur at several stages. The point is to separate responsibilities, not to impose one universal workflow.",{},{"id":313,"data":1194,"type":42,"tunes":1196},{"text":1195,"level":240},"The six boundaries that matter",{},{"id":318,"data":1198,"type":358,"tunes":1225},{"rows":1199,"title":1217,"layout":347,"columns":1218},[1200,1203,1205,1208,1211,1214],{"id":322,"label":1201,"values":1202},"Model",[325,325,325],{"id":327,"label":973,"values":1204},[325,325,325],{"id":331,"label":1206,"values":1207},"Tools",[325,325,325],{"id":335,"label":1209,"values":1210},"Context",[325,325,325],{"id":339,"label":1212,"values":1213},"Runtime \u002F orchestrator",[325,325,325],{"id":343,"label":1215,"values":1216},"Application",[325,325,325],"Six responsibilities inside one AI product",[1219,1221,1223],{"id":350,"label":1220},"Primary job",{"id":353,"label":1222},"Typical inputs",{"id":356,"label":1224},"Not the same as",{},{"id":361,"data":1227,"type":42,"tunes":1229},{"text":1228,"level":240},"1. The model: generation is its core responsibility",{},{"id":366,"data":1231,"type":218,"tunes":1233},{"text":1232},"A generative model maps supplied inputs to generated outputs. For a language model, that can include natural-language text, structured JSON, code, classifications, summaries, plans, or tool-call arguments. Multimodal generative models can work with additional input and output types.",{},{"id":371,"data":1235,"type":218,"tunes":1237},{"text":1236},"The model can contain substantial learned knowledge in its parameters, but parameterized knowledge is not a live database. The model does not automatically know a document created five minutes ago, the current stock level, a private customer record, or the state of an application unless that information is supplied through the current input path.",{},{"id":376,"data":1239,"type":218,"tunes":1241},{"text":1240},"This is why changing the model does not automatically solve stale knowledge, missing permissions, broken retrieval, incorrect state ownership, or unsafe tool execution. Those failures often belong to other layers.",{},{"id":381,"data":1243,"type":42,"tunes":1245},{"text":1244,"level":240},"2. Retrieval: finding external evidence is a separate operation",{},{"id":386,"data":1247,"type":218,"tunes":1249},{"text":1248},"Retrieval selects information from an external source before or during generation. The 2020 Retrieval-Augmented Generation work by Lewis et al. made the separation explicit by combining a parametric generative model with retrieved non-parametric memory. Modern production systems use many retrieval variants, but the architectural idea remains: useful evidence can be fetched at inference time instead of relying only on what the model learned during training.",{},{"id":391,"data":1251,"type":218,"tunes":1253},{"text":1252},"Retrieval can use lexical search, embeddings, vector search, hybrid search, SQL, knowledge graphs, metadata filters, APIs, or other selection mechanisms. A vector database is therefore one possible retrieval component, not the definition of RAG.",{},{"id":396,"data":1255,"type":226,"tunes":1258},{"body":1256,"title":1257,"variant":400},"A retrieved passage can be highly relevant and still be stale, unauthorized, from the wrong version, or insufficient to support a claim. Retrieval quality and evidence quality must be evaluated separately.","Relevance is not authority",{},{"id":403,"data":1260,"type":409,"tunes":1265},{"url":1261,"title":1262,"excerpt":1263,"ctaLabel":1264},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","What Is RAG? The Simplest Explanation of How It Works","The canonical plain-English explanation of retrieval-augmented generation, including the separation between LLM, knowledge, state, memory and tools.","Read the RAG foundation",{},{"id":412,"data":1267,"type":42,"tunes":1269},{"text":1268,"level":240},"3. Tools: access and action are not model knowledge",{},{"id":417,"data":1271,"type":218,"tunes":1273},{"text":1272},"A tool is an interface through which an AI runtime can request functionality outside the model. A tool can query a database, search the web, read a file, calculate a value, call an internal service, create a ticket, send a message, modify a record, or trigger another controlled operation.",{},{"id":422,"data":1275,"type":218,"tunes":1277},{"text":1276},"OpenAI's current function-calling documentation makes this boundary explicit: function calling lets models interface with external systems and access data or actions provided by the application. The model can propose or select a call, but the external system performs the real operation.",{},{"id":427,"data":1279,"type":218,"tunes":1281},{"text":1280},"Tool use therefore creates two separate questions: Can the model request this capability? and Will the application authorize and execute it? A production system should not confuse model intent with permission to cause a side effect.",{},{"id":432,"data":1283,"type":226,"tunes":1286},{"body":1284,"title":1285,"variant":263},"A model can emit a valid tool request and still be denied. Authorization, argument validation, rate limits, transaction rules, audit requirements, and rollback belong outside the model.","Model intent is not execution authority",{},{"id":438,"data":1288,"type":42,"tunes":1290},{"text":1289,"level":240},"4. Context: what the model can see right now",{},{"id":443,"data":1292,"type":218,"tunes":1294},{"text":1293},"Context is the information available to the model for a particular inference step. Anthropic's context-engineering guidance describes context as the set of tokens included when sampling from an LLM. In practice, that set can contain system instructions, user messages, conversation history, retrieved evidence, tool definitions, tool results, memory summaries, and selected application state.",{},{"id":448,"data":1296,"type":218,"tunes":1298},{"text":1297},"Context is therefore neither the complete knowledge base nor long-term memory. A company may store ten million documents while only a handful of passages enter one model call. A runtime may persist a year of conversation history while exposing only the pieces needed for the current task.",{},{"id":453,"data":1300,"type":218,"tunes":1302},{"text":1301},"The context window also creates an engineering constraint. Adding more text does not guarantee a better answer; irrelevant, stale, contradictory, or low-authority information can dilute the evidence that actually matters.",{},{"id":458,"data":1304,"type":42,"tunes":1306},{"text":1305,"level":240},"5. Runtime and orchestration: coordinating the loop",{},{"id":463,"data":1308,"type":218,"tunes":1310},{"text":1309},"The runtime or orchestration layer coordinates how the model participates in a task. Depending on the architecture, it can manage sessions, model requests, tool discovery, tool-call loops, retries, handoffs, streaming events, timeouts, checkpoints, compaction, or execution environments.",{},{"id":468,"data":1312,"type":218,"tunes":1314},{"text":1313},"Some runtimes are thin application code around a model API. Others are full agent harnesses. A managed vendor runtime can own part of the loop while the application still owns domain truth, authorization, business side effects, and product lifecycle.",{},{"id":473,"data":1316,"type":218,"tunes":1318},{"text":1317},"This boundary is important because where the runtime runs and where inference runs are separate decisions. A locally running client or agent process can still call a remote model, while a remote application can call a model hosted on infrastructure under the organization's control.",{},{"id":478,"data":1320,"type":42,"tunes":1322},{"text":1321,"level":240},"6. The application: where AI becomes a product",{},{"id":483,"data":1324,"type":218,"tunes":1326},{"text":1325},"The application is the product boundary around the AI components. It owns the user experience, domain model, current state, identity, tenant scope, permissions, persistence, service integrations, validation, observability, billing or quota logic where relevant, and the rules that determine what the AI is allowed to see or do.",{},{"id":488,"data":1328,"type":218,"tunes":1330},{"text":1329},"This is the layer that turns “a model can produce useful output” into “a system can deliver a reliable capability.” The same model can participate in a private research assistant, a support workflow, a code agent, or a commerce application because the surrounding application changes the data, tools, policies, state, and execution contract.",{},{"id":493,"data":1332,"type":226,"tunes":1335},{"body":1333,"title":1334,"variant":225},"Provider and model substitution can be an architectural goal. The application's authoritative state, permissions, domain rules, audit trail, and user contract cannot simply be delegated to whichever model is currently selected.","The model is replaceable; the product boundary is not",{},{"id":499,"data":1337,"type":42,"tunes":1339},{"text":1338,"level":240},"How the parts work together in a real request",{},{"id":504,"data":1341,"type":218,"tunes":1343},{"text":1342},"Consider a support assistant asked: “Refund order 4711 if it is still eligible, and explain why.” The request combines knowledge, current state, authorization, reasoning, and a side effect.",{},{"id":509,"data":1345,"type":347,"tunes":1377},{"content":1346,"stretched":43,"withHeadings":14},[1347,1351,1354,1358,1362,1366,1370,1373],[1348,1349,1350],"Need","Correct layer","Why",[1352,973,1353],"Refund policy","The system must find the current applicable policy and preserve its provenance.",[1355,1356,1357],"Order 4711 status","Direct data\u002Ftool access","The current order record is volatile authoritative state, not something to guess from model knowledge.",[1359,1360,1361],"User's authority to refund","Application \u002F authorization","Permissions must be enforced independently of what the model asks for.",[1363,1364,1365],"Interpret policy against order facts","Model + context","The model can reason over the policy evidence and current order state supplied to it.",[1367,1368,1369],"Execute refund","Tool + application transaction rules","A controlled external operation changes real state.",[1371,1201,1372],"Explain outcome","The model can generate the user-facing explanation from validated results.",[1374,1375,1376],"Audit what happened","Application \u002F runtime","The system records evidence, calls, decisions, side effects, and errors as required.",{},{"id":544,"data":1379,"type":218,"tunes":1381},{"text":1380},"If the assistant only has the language model, it can discuss refunds but cannot safely know whether order 4711 is currently eligible or perform the transaction. If it only has retrieval, it may find the policy but still lack live order state. If it has tools without application authorization, it may become capable but unsafe. Reliability comes from composing the layers with explicit ownership.",{},{"id":549,"data":1383,"type":42,"tunes":1385},{"text":1384,"level":240},"Different AI products use different combinations",{},{"id":554,"data":1387,"type":358,"tunes":1409},{"rows":1388,"title":1401,"layout":347,"columns":1402},[1389,1392,1395,1398],{"id":558,"label":1390,"values":1391},"Model-only assistant",[325,325,325,325],{"id":562,"label":1393,"values":1394},"Retrieval-grounded assistant",[325,325,325,325],{"id":566,"label":1396,"values":1397},"Tool-using assistant",[325,325,325,325],{"id":570,"label":1399,"values":1400},"Agentic application",[325,325,325,325],"The presence of a model does not define the whole architecture",[1403,1404,1405,1407],{"id":327,"label":973},{"id":331,"label":1206},{"id":578,"label":1406},"Authoritative state",{"id":581,"label":1408},"Typical capability",{},{"id":585,"data":1411,"type":218,"tunes":1413},{"text":1412},"These are architecture patterns, not maturity rankings. A model-only feature can be the correct design when the task needs no external facts or actions. Adding retrieval, tools, memory, or an agent loop is justified only when the task requires those capabilities.",{},{"id":590,"data":1415,"type":42,"tunes":1417},{"text":1416,"level":240},"Implementation evidence: Aaasaasa AI Client",{},{"id":595,"data":1419,"type":226,"tunes":1422},{"body":1420,"title":1421,"variant":233},"The following section describes an implementation I built and reviewed against the Aaasaasa AI Client codebase and architecture documentation as of \u003Cstrong>26 July 2026\u003C\u002Fstrong>. It is evidence for the usefulness of these boundaries, not a claim that one implementation is a universal standard or a commercially deployed enterprise product.","Primary implementation evidence",{},{"id":601,"data":1424,"type":218,"tunes":1426},{"text":1425},"Aaasaasa AI Client is a local-first desktop AI workspace built with Nuxt 4, Electron and TypeScript. Its AI Hub deliberately separates agent\u002Fclient, provider, model, runtime location, permissions, and web client instead of treating them as one “AI” setting.",{},{"id":606,"data":1428,"type":218,"tunes":1430},{"text":1429},"That separation creates concrete behavior. Direct Chat can talk to models without filesystem or shell tools. A Codex agent can use a selected workspace and permission profile. Ollama can provide direct local inference, while LM Studio and configurable OpenAI-compatible endpoints represent other provider paths. A locally running Codex process can still use a cloud model, so the UI and architecture do not equate local runtime with local inference.",{},{"id":611,"data":1432,"type":218,"tunes":1434},{"text":1433},"The implementation also contains Qdrant\u002Fvector support, document-extraction capabilities and an authenticated directory MCP broker. Those components illustrate another boundary: retrieval infrastructure and tool access can live in the same product without becoming properties of the model itself.",{},{"id":616,"data":1436,"type":347,"tunes":1458},{"content":1437,"stretched":43,"withHeadings":14},[1438,1441,1443,1445,1447,1450,1453,1456],[1439,1440],"A01 concept","Aaasaasa AI Client implementation evidence",[1201,1442],"A provider-specific model identifier is selected separately from provider and runtime.",[625,1444],"Ollama, LM Studio, OpenAI-compatible services and other provider paths are represented separately.",[628,1446],"Local or remote agent\u002Fruntime location is tracked independently of the model.",[1448,1449],"Tools \u002F access","Direct Chat has no filesystem or shell tools; controlled directory access is brokered separately.",[1451,1452],"Permissions","Workspace permission profiles are application\u002Fsession policy, not model capability.",[1454,1455],"Retrieval infrastructure","Vector support and document extraction exist as data\u002Fretrieval capabilities rather than model features.",[1215,1457],"The Electron\u002FNuxt product coordinates UI, credentials, providers, runtime discovery, permissions, tools and model interaction.",{},{"id":643,"data":1460,"type":226,"tunes":1463},{"body":1461,"title":1462,"variant":263},"The architecture became easier to reason about once \u003Cstrong>model, provider, runtime, permissions, tools, data and client\u003C\u002Fstrong> stopped being represented as one configuration choice. The distinction is operational: it determines what can run locally, what can access files, what may call paid cloud inference, and which layer owns authorization.","Implementation lesson",{},{"id":649,"data":1465,"type":42,"tunes":1467},{"text":1466,"level":240},"Common category errors",{},{"id":654,"data":1469,"type":347,"tunes":1495},{"content":1470,"stretched":43,"withHeadings":14},[1471,1474,1477,1480,1483,1486,1489,1492],[1472,1473],"Category error","What is actually happening",[1475,1476],"“The AI knows our documents.”","The application or retrieval layer makes selected document content available to the model.",[1478,1479],"“RAG is our vector database.”","The vector database can be one index or store used by a retrieval pipeline; RAG is the retrieval-plus-generation pattern.",[1481,1482],"“The model called our CRM.”","The model produced a tool request; the runtime\u002Fapplication authorized and executed the external call.",[1484,1485],"“It is local AI because the desktop agent runs locally.”","Runtime location and inference location are separate. A local runtime can still invoke a remote model.",[1487,1488],"“The model has permission to edit files.”","The application\u002Fruntime grants a tool capability under a permission policy; permission is not an intrinsic model property.",[1490,1491],"“More context means more knowledge.”","Context is the finite input made available for one inference. Larger context can contain more noise, conflict or stale information.",[1493,1494],"“The chatbot is the AI architecture.”","The chat UI is one interface. The system can also include identity, state, retrieval, tools, runtime, validation, persistence and observability.",{},{"id":683,"data":1497,"type":42,"tunes":1499},{"text":1498,"level":240},"Failure modes when the boundaries collapse",{},{"id":688,"data":1501,"type":218,"tunes":1503},{"text":1502},"Boundary mistakes are not merely terminology problems. They create distinct production failures that require different fixes.",{},{"id":693,"data":1505,"type":358,"tunes":1533},{"rows":1506,"title":1525,"layout":347,"columns":1526},[1507,1510,1513,1516,1519,1522],{"id":697,"label":1508,"values":1509},"Stale answer",[325,325,325],{"id":701,"label":1511,"values":1512},"Missing company fact",[325,325,325],{"id":705,"label":1514,"values":1515},"Unsafe side effect",[325,325,325],{"id":709,"label":1517,"values":1518},"Confused answer with lots of supplied text",[325,325,325],{"id":713,"label":1520,"values":1521},"Unexpected cloud use",[325,325,325],{"id":717,"label":1523,"values":1524},"Agent stalls or repeats",[325,325,325],"Diagnose the failing layer before replacing the model",[1527,1529,1531],{"id":723,"label":1528},"Symptom",{"id":726,"label":1530},"Likely boundary problem",{"id":729,"label":1532},"First architectural check",{},{"id":733,"data":1535,"type":42,"tunes":1537},{"text":1536,"level":240},"What is stable and what is version-sensitive?",{},{"id":738,"data":1539,"type":218,"tunes":1541},{"text":1540},"The architectural distinctions in this article are intentionally vendor-neutral. The current examples below are implementation facts that should be re-checked when APIs evolve.",{},{"id":743,"data":1543,"type":347,"tunes":1571},{"content":1544,"stretched":43,"withHeadings":14},[1545,1548,1552,1555,1559,1563,1567],[747,1546,1547],"Stable architectural idea","Verified current example on 8 Oct 2026",[1549,1550,1551],"AI model vs system","A model is a component inside a broader system","NIST's current glossary separately defines AI model and AI system.",[755,1553,1554],"Generation can be conditioned on retrieved external information","The Lewis et al. 2020 formulation remains the foundational reference; production retrieval methods now extend far beyond one dense index design.",[1556,1557,1558],"Hosted retrieval","Retrieval can be exposed as a managed tool","OpenAI File Search is currently a Responses API tool that searches uploaded-file knowledge bases using semantic and keyword retrieval.",[1560,1561,1562],"Function\u002Ftool calling","A model can request application-defined external capabilities","OpenAI currently documents function calling as an interface to external systems, data and actions.",[1564,1565,1566],"Context engineering","Model behavior depends on the finite information supplied for the current inference","Anthropic's current engineering guidance defines context as the token set included when sampling from the LLM and focuses on curating that set.",[1568,1569,1570],"Vendor APIs","SDKs, tool names, endpoint shapes and supported features change","Treat vendor documentation as version-sensitive even when the responsibility boundary remains stable.",{},{"id":776,"data":1573,"type":218,"tunes":1575},{"text":1574},"A source-of-truth article should therefore preserve both levels: stable concepts for architecture, and dated evidence for current implementations. Mixing the two makes an article age unnecessarily fast.",{},{"id":781,"data":1577,"type":42,"tunes":1579},{"text":1578,"level":240},"The AI component-boundary test",{},{"id":786,"data":1581,"type":218,"tunes":1583},{"text":1582},"When evaluating an AI feature, ask the following questions in order. The answers reveal which components the system actually has and which responsibilities are still implicit.",{},{"id":791,"data":1585,"type":305,"tunes":1609},{"steps":1586,"title":1608,"orientation":304},[1587,1590,1593,1596,1599,1602,1605],{"label":1588,"description":1589},"1. What generates the output?","Identify the exact model and the modalities or structured outputs it provides.",{"label":1591,"description":1592},"2. What facts are authoritative outside the model?","Identify documents, databases, APIs, current state and other sources of truth.",{"label":1594,"description":1595},"3. How is relevant information selected?","Separate direct lookup, search, retrieval, ranking and context construction.",{"label":1597,"description":1598},"4. What can cause real side effects?","List tools and external actions, then identify who validates and authorizes them.",{"label":1600,"description":1601},"5. What reaches the model as context?","Make instructions, evidence, state, history, memory and tool definitions explicit.",{"label":1603,"description":1604},"6. Who owns the loop?","Identify the runtime or harness that manages calls, events, retries, tool loops and sessions.",{"label":1606,"description":1607},"7. What remains the application's responsibility?","Make identity, permissions, domain state, validation, persistence, observability and UX explicit.","Seven questions for a production design",{},{"id":818,"data":1611,"type":42,"tunes":1613},{"text":1612,"level":240},"What generative AI is not",{},{"id":823,"data":1615,"type":218,"tunes":1617},{"text":1616},"Generative AI is not synonymous with an LLM, even though LLMs are a major class of generative model. It is also not synonymous with RAG, a vector database, an agent, a tool protocol, a chatbot UI, or an application.",{},{"id":828,"data":1619,"type":218,"tunes":1621},{"text":1620},"Those concepts can be connected, but each answers a different architectural question. An LLM asks how language output is produced. Retrieval asks where external evidence comes from. Tools ask how external capabilities are exposed. Context asks what the model can see. Runtime asks how execution is coordinated. The application asks how the capability becomes a controlled product.",{},{"id":833,"data":1623,"type":226,"tunes":1626},{"body":1624,"title":1625,"variant":263},"\u003Cstrong>Model = generate.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Retrieval = find evidence.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Tools = read or act outside the model.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Context = what the model sees now.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Runtime = coordinate execution.\u003C\u002Fstrong>\u003Cbr>\u003Cstrong>Application = own the product, state, rules and permissions.\u003C\u002Fstrong>","If you remember only one model",{},{"id":839,"data":1628,"type":42,"tunes":1630},{"text":1629,"level":240},"Where to go next in the knowledge graph",{},{"id":844,"data":1632,"type":218,"tunes":1634},{"text":1633},"Once these boundaries are clear, deeper topics become easier to place. RAG belongs in retrieval and context construction. Retrieval Trigger decides when external evidence is required. Agent memory concerns what persists across time. Tool calling and MCP belong to capability access. Agent harnesses belong to runtime orchestration. RBAC, tenant isolation and domain authorization belong to the application and platform security boundary.",{},{"id":849,"data":1636,"type":409,"tunes":1641},{"url":1637,"title":1638,"excerpt":1639,"ctaLabel":1640},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python","Where Does an LLM Get Its Data? RAG Data Sources in Python","A practical continuation showing how files, SQL, APIs, full-text search, embeddings and context assembly connect external data to an LLM.","See the data path in code",{},{"id":857,"data":1643,"type":409,"tunes":1648},{"url":1644,"title":1645,"excerpt":1646,"ctaLabel":1647},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhen-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger","When Should an AI Stop Trusting Its Own Knowledge? — The Retrieval Trigger","A decision model for when an AI system should stop relying only on model knowledge and obtain external evidence.","Read the retrieval decision model",{},{"id":865,"data":1650,"type":42,"tunes":1652},{"text":1651,"level":240},"Limitations",{},{"id":870,"data":1654,"type":218,"tunes":1656},{"text":1655},"The six-layer model is a responsibility map, not a requirement that every product deploy six separate services. A small application may implement context construction, retrieval and orchestration inside one process. A managed platform may bundle several responsibilities behind one API. Physical deployment can be combined while semantic ownership remains distinct.",{},{"id":875,"data":1658,"type":218,"tunes":1660},{"text":1659},"Terminology also varies across vendors and research. “Agent,” “runtime,” “memory,” “tool,” “connector,” and “context” can be defined differently. The definitions here are chosen to make operational ownership and failure diagnosis explicit rather than to claim that every framework uses identical vocabulary.",{},{"id":880,"data":1662,"type":218,"tunes":1664},{"text":1663},"The Aaasaasa AI Client section documents one implementation pattern. It demonstrates that explicit boundaries are practical, but it does not prove that the same component layout is optimal for every AI product.",{},{"id":885,"data":1666,"type":42,"tunes":1668},{"text":1667,"level":240},"What would change this answer?",{},{"id":890,"data":1670,"type":218,"tunes":1672},{"text":1671},"The responsibility map would need revision if model architectures themselves began to own authoritative external state, permissions, durable transactional side effects, and verifiable source access as intrinsic properties rather than capabilities supplied by a surrounding system. Current production architectures do not make that a safe general assumption.",{},{"id":895,"data":1674,"type":218,"tunes":1676},{"text":1675},"Individual implementation examples will change much sooner. Hosted retrieval tools, agent APIs, MCP integrations, context-management features and provider capabilities evolve quickly. Those details should be updated without collapsing the underlying distinctions between generation, evidence, capability access, context, execution and application control.",{},{"id":900,"data":1678,"type":42,"tunes":1680},{"text":1679,"level":240},"Conclusion",{},{"id":905,"data":1682,"type":218,"tunes":1684},{"text":1683},"Generative AI becomes easier to design once “the AI” stops being treated as one black box. The model is the generative component, not the complete product. Retrieval provides external evidence. Tools expose capabilities. Context carries selected information into the current inference. The runtime coordinates execution. The application owns the authoritative product boundary.",{},{"id":910,"data":1686,"type":218,"tunes":1688},{"text":1687},"That separation is useful for more than explanation. It tells engineers where stale facts originate, where authorization belongs, why a local runtime can still use cloud inference, why RAG does not equal a vector database, why tool calls require validation, and why changing the model cannot repair every system failure.",{},{"id":915,"data":1690,"type":218,"tunes":1692},{"text":1691},"The durable architecture question is therefore not “Which AI model are we using?” It is: Which responsibility does each component own, what evidence crosses each boundary, and which layer is allowed to change real state?",{},{"id":920,"data":1694,"type":42,"tunes":1695},{"text":922,"level":240},{},{"id":925,"data":1697,"type":925,"tunes":1721},{"items":1698,"title":1720},[1699,1702,1705,1708,1711,1714,1717],{"id":929,"answer":1700,"question":1701},"No. An LLM is one type of generative model. Generative AI also includes other modalities, and a production generative AI system can include retrieval, tools, runtime logic, application state, permissions, persistence and user interfaces around the model.","Is generative AI the same as an LLM?",{"id":933,"answer":1703,"question":1704},"Usually no. RAG is an application\u002Fsystem pattern that retrieves external information and supplies selected evidence to the model. Some platforms package retrieval tightly with model APIs, but the responsibility remains distinct.","Is RAG part of the model?",{"id":937,"answer":1706,"question":1707},"No. RAG can use vector search, lexical search, hybrid retrieval, SQL, APIs, knowledge graphs or other methods. The defining property is retrieval of external information for generation, not one storage technology.","Is a vector database required for RAG?",{"id":941,"answer":1709,"question":1710},"No. A tool is an external capability. Its definition may be represented in context, and its result may later enter context, but the actual capability executes outside the model.","Are tools the same as context?",{"id":945,"answer":1712,"question":1713},"No. Runtime location and inference location are separate. A local desktop application or agent can call a remote model, while a remote application can call an internally hosted model.","Does running an AI client locally mean the model is local?",{"id":949,"answer":1715,"question":1716},"The application or runtime security boundary should enforce authorization. A model can request an operation, but model intent should never be treated as sufficient execution authority.","Who should enforce permissions for AI tools?",{"id":953,"answer":1718,"question":1719},"Authoritative volatile state should normally remain in the application or domain system that owns it. The AI can receive the relevant state through controlled context or tool access when needed.","Where does current application state belong?","Generative AI system boundaries",{},{"id":959,"data":1723,"type":42,"tunes":1725},{"text":1724,"level":240},"Glossary",{},{"id":964,"data":1727,"type":964,"tunes":1748},{"title":1728,"entries":1729},"Core terms",[1730,1733,1735,1737,1740,1742,1744,1746],{"term":1731,"anchor":970,"definition":1732},"Generative model","An AI model designed to generate derived synthetic content such as text, images, audio, video, code or structured output.",{"term":973,"anchor":327,"definition":1734},"The process of selecting relevant information from an external source or store for the current task.",{"term":755,"anchor":562,"definition":1736},"Retrieval-Augmented Generation: a pattern in which retrieved external information is supplied to a generative model to improve the current output.",{"term":1738,"anchor":566,"definition":1739},"Tool","A capability exposed to an AI runtime for reading data, calculating, searching, or performing an external action.",{"term":1209,"anchor":335,"definition":1741},"The information available to the model for a particular inference step.",{"term":1212,"anchor":983,"definition":1743},"The software layer that coordinates model calls, tool calls, task loops, sessions, retries, events or execution environments.",{"term":1215,"anchor":343,"definition":1745},"The product and domain layer that owns user interaction, authoritative state, permissions, validation, persistence and business behavior.",{"term":625,"anchor":989,"definition":1747},"The service or runtime that exposes access to one or more models; provider identity and model identity are separate concerns.",{},{"id":993,"data":1750,"type":42,"tunes":1752},{"text":1751,"level":240},"Primary sources and implementation evidence",{},{"id":998,"data":1754,"type":218,"tunes":1756},{"text":1755},"Stable definitions below are anchored in standards\u002Fresearch; fast-moving implementation examples use current official engineering documentation. Aaasaasa AI Client is original implementation evidence and was checked against its codebase\u002Fdocumentation state dated 26 July 2026.",{},{"id":1003,"data":1758,"type":1010,"tunes":1763},{"link":1005,"meta":1759},{"image":1760,"title":1761,"description":1762},{"url":325},"NIST AI 600-1 — Generative Artificial Intelligence Profile","NIST's Generative AI profile, including the generative-AI definition and explicit distinction between model-, system-, application- and use-case-level concerns.",{},{"id":1013,"data":1765,"type":1010,"tunes":1770},{"link":1015,"meta":1766},{"image":1767,"title":1768,"description":1769},{"url":325},"NIST — Artificial Intelligence Model","Current NIST glossary definition of an AI model as a component of an information system that produces outputs from inputs using AI techniques.",{},{"id":1022,"data":1772,"type":1010,"tunes":1777},{"link":1024,"meta":1773},{"image":1774,"title":1775,"description":1776},{"url":325},"NIST — Artificial Intelligence System","Current NIST glossary definition showing that an AI system can include data systems, software, hardware, applications, tools or utilities using AI.",{},{"id":1031,"data":1779,"type":1010,"tunes":1784},{"link":1033,"meta":1780},{"image":1781,"title":1782,"description":1783},{"url":325},"Lewis et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks","The 2020 paper introducing the RAG formulation that combines a generative model with retrieved non-parametric memory.",{},{"id":1040,"data":1786,"type":1010,"tunes":1791},{"link":1042,"meta":1787},{"image":1788,"title":1789,"description":1790},{"url":325},"OpenAI — File Search","Current official documentation for hosted file retrieval in the Responses API using uploaded-file knowledge bases, semantic search and keyword search.",{},{"id":1049,"data":1793,"type":1010,"tunes":1798},{"link":1051,"meta":1794},{"image":1795,"title":1796,"description":1797},{"url":325},"OpenAI — Function Calling","Current official documentation describing tool\u002Ffunction calling as the interface between models and external systems, data and actions.",{},{"id":1058,"data":1800,"type":1010,"tunes":1805},{"link":1060,"meta":1801},{"image":1802,"title":1803,"description":1804},{"url":325},"Anthropic — Effective Context Engineering for AI Agents","Engineering guidance defining context as the token set available during LLM sampling and explaining why context selection is a finite-resource problem.",{},"2.31.6","Generative AI is more than a model. Learn how models, retrieval, tools, context, runtimes and applications fit together in production AI systems.",{"lang":7,"title":208,"content":210,"contentJson":1809,"excerpt":1067},{"time":212,"blocks":1810,"version":1066},[1811,1814,1817,1820,1823,1826,1829,1832,1835,1838,1841,1853,1856,1859,1879,1882,1885,1888,1891,1894,1897,1900,1903,1906,1909,1912,1915,1918,1921,1924,1927,1930,1933,1936,1939,1942,1945,1948,1951,1954,1957,1960,1963,1975,1978,1981,1998,2001,2004,2007,2010,2013,2016,2028,2031,2034,2046,2049,2052,2072,2075,2078,2089,2092,2095,2098,2109,2112,2115,2118,2121,2124,2127,2130,2133,2136,2139,2142,2145,2148,2151,2154,2157,2160,2163,2166,2169,2180,2183,2195,2198,2201,2206,2211,2216,2221,2226,2231],{"id":215,"data":1812,"type":218,"tunes":1813},{"text":217},{},{"id":221,"data":1815,"type":226,"tunes":1816},{"body":223,"title":224,"variant":225},{},{"id":229,"data":1818,"type":226,"tunes":1819},{"body":231,"title":232,"variant":233},{},{"id":236,"data":1821,"type":241,"tunes":1822},{"title":238,"maxLevel":239,"minLevel":240},{},{"id":244,"data":1824,"type":42,"tunes":1825},{"text":246,"level":240},{},{"id":249,"data":1827,"type":218,"tunes":1828},{"text":251},{},{"id":254,"data":1830,"type":218,"tunes":1831},{"text":256},{},{"id":259,"data":1833,"type":226,"tunes":1834},{"body":261,"title":262,"variant":263},{},{"id":266,"data":1836,"type":42,"tunes":1837},{"text":268,"level":240},{},{"id":271,"data":1839,"type":218,"tunes":1840},{"text":273},{},{"id":276,"data":1842,"type":305,"tunes":1852},{"steps":1843,"title":303,"orientation":304},[1844,1845,1846,1847,1848,1849,1850,1851],{"label":280,"description":281},{"label":283,"description":284},{"label":286,"description":287},{"label":289,"description":290},{"label":292,"description":293},{"label":295,"description":296},{"label":298,"description":299},{"label":301,"description":302},{},{"id":308,"data":1854,"type":218,"tunes":1855},{"text":310},{},{"id":313,"data":1857,"type":42,"tunes":1858},{"text":315,"level":240},{},{"id":318,"data":1860,"type":358,"tunes":1878},{"rows":1861,"title":346,"layout":347,"columns":1874},[1862,1864,1866,1868,1870,1872],{"id":322,"label":323,"values":1863},[325,325,325],{"id":327,"label":328,"values":1865},[325,325,325],{"id":331,"label":332,"values":1867},[325,325,325],{"id":335,"label":336,"values":1869},[325,325,325],{"id":339,"label":340,"values":1871},[325,325,325],{"id":343,"label":344,"values":1873},[325,325,325],[1875,1876,1877],{"id":350,"label":351},{"id":353,"label":354},{"id":356,"label":357},{},{"id":361,"data":1880,"type":42,"tunes":1881},{"text":363,"level":240},{},{"id":366,"data":1883,"type":218,"tunes":1884},{"text":368},{},{"id":371,"data":1886,"type":218,"tunes":1887},{"text":373},{},{"id":376,"data":1889,"type":218,"tunes":1890},{"text":378},{},{"id":381,"data":1892,"type":42,"tunes":1893},{"text":383,"level":240},{},{"id":386,"data":1895,"type":218,"tunes":1896},{"text":388},{},{"id":391,"data":1898,"type":218,"tunes":1899},{"text":393},{},{"id":396,"data":1901,"type":226,"tunes":1902},{"body":398,"title":399,"variant":400},{},{"id":403,"data":1904,"type":409,"tunes":1905},{"url":405,"title":406,"excerpt":407,"ctaLabel":408},{},{"id":412,"data":1907,"type":42,"tunes":1908},{"text":414,"level":240},{},{"id":417,"data":1910,"type":218,"tunes":1911},{"text":419},{},{"id":422,"data":1913,"type":218,"tunes":1914},{"text":424},{},{"id":427,"data":1916,"type":218,"tunes":1917},{"text":429},{},{"id":432,"data":1919,"type":226,"tunes":1920},{"body":434,"title":435,"variant":263},{},{"id":438,"data":1922,"type":42,"tunes":1923},{"text":440,"level":240},{},{"id":443,"data":1925,"type":218,"tunes":1926},{"text":445},{},{"id":448,"data":1928,"type":218,"tunes":1929},{"text":450},{},{"id":453,"data":1931,"type":218,"tunes":1932},{"text":455},{},{"id":458,"data":1934,"type":42,"tunes":1935},{"text":460,"level":240},{},{"id":463,"data":1937,"type":218,"tunes":1938},{"text":465},{},{"id":468,"data":1940,"type":218,"tunes":1941},{"text":470},{},{"id":473,"data":1943,"type":218,"tunes":1944},{"text":475},{},{"id":478,"data":1946,"type":42,"tunes":1947},{"text":480,"level":240},{},{"id":483,"data":1949,"type":218,"tunes":1950},{"text":485},{},{"id":488,"data":1952,"type":218,"tunes":1953},{"text":490},{},{"id":493,"data":1955,"type":226,"tunes":1956},{"body":495,"title":496,"variant":225},{},{"id":499,"data":1958,"type":42,"tunes":1959},{"text":501,"level":240},{},{"id":504,"data":1961,"type":218,"tunes":1962},{"text":506},{},{"id":509,"data":1964,"type":347,"tunes":1974},{"content":1965,"stretched":43,"withHeadings":14},[1966,1967,1968,1969,1970,1971,1972,1973],[513,514,515],[517,328,518],[520,521,522],[524,525,526],[528,529,530],[532,533,534],[536,323,537],[539,540,541],{},{"id":544,"data":1976,"type":218,"tunes":1977},{"text":546},{},{"id":549,"data":1979,"type":42,"tunes":1980},{"text":551,"level":240},{},{"id":554,"data":1982,"type":358,"tunes":1997},{"rows":1983,"title":573,"layout":347,"columns":1992},[1984,1986,1988,1990],{"id":558,"label":559,"values":1985},[325,325,325,325],{"id":562,"label":563,"values":1987},[325,325,325,325],{"id":566,"label":567,"values":1989},[325,325,325,325],{"id":570,"label":571,"values":1991},[325,325,325,325],[1993,1994,1995,1996],{"id":327,"label":328},{"id":331,"label":332},{"id":578,"label":579},{"id":581,"label":582},{},{"id":585,"data":1999,"type":218,"tunes":2000},{"text":587},{},{"id":590,"data":2002,"type":42,"tunes":2003},{"text":592,"level":240},{},{"id":595,"data":2005,"type":226,"tunes":2006},{"body":597,"title":598,"variant":233},{},{"id":601,"data":2008,"type":218,"tunes":2009},{"text":603},{},{"id":606,"data":2011,"type":218,"tunes":2012},{"text":608},{},{"id":611,"data":2014,"type":218,"tunes":2015},{"text":613},{},{"id":616,"data":2017,"type":347,"tunes":2027},{"content":2018,"stretched":43,"withHeadings":14},[2019,2020,2021,2022,2023,2024,2025,2026],[620,621],[323,623],[625,626],[628,629],[631,632],[634,635],[637,638],[344,640],{},{"id":643,"data":2029,"type":226,"tunes":2030},{"body":645,"title":646,"variant":263},{},{"id":649,"data":2032,"type":42,"tunes":2033},{"text":651,"level":240},{},{"id":654,"data":2035,"type":347,"tunes":2045},{"content":2036,"stretched":43,"withHeadings":14},[2037,2038,2039,2040,2041,2042,2043,2044],[658,659],[661,662],[664,665],[667,668],[670,671],[673,674],[676,677],[679,680],{},{"id":683,"data":2047,"type":42,"tunes":2048},{"text":685,"level":240},{},{"id":688,"data":2050,"type":218,"tunes":2051},{"text":690},{},{"id":693,"data":2053,"type":358,"tunes":2071},{"rows":2054,"title":720,"layout":347,"columns":2067},[2055,2057,2059,2061,2063,2065],{"id":697,"label":698,"values":2056},[325,325,325],{"id":701,"label":702,"values":2058},[325,325,325],{"id":705,"label":706,"values":2060},[325,325,325],{"id":709,"label":710,"values":2062},[325,325,325],{"id":713,"label":714,"values":2064},[325,325,325],{"id":717,"label":718,"values":2066},[325,325,325],[2068,2069,2070],{"id":723,"label":724},{"id":726,"label":727},{"id":729,"label":730},{},{"id":733,"data":2073,"type":42,"tunes":2074},{"text":735,"level":240},{},{"id":738,"data":2076,"type":218,"tunes":2077},{"text":740},{},{"id":743,"data":2079,"type":347,"tunes":2088},{"content":2080,"stretched":43,"withHeadings":14},[2081,2082,2083,2084,2085,2086,2087],[747,748,749],[751,752,753],[755,756,757],[759,760,761],[763,764,765],[767,768,769],[771,772,773],{},{"id":776,"data":2090,"type":218,"tunes":2091},{"text":778},{},{"id":781,"data":2093,"type":42,"tunes":2094},{"text":783,"level":240},{},{"id":786,"data":2096,"type":218,"tunes":2097},{"text":788},{},{"id":791,"data":2099,"type":305,"tunes":2108},{"steps":2100,"title":815,"orientation":304},[2101,2102,2103,2104,2105,2106,2107],{"label":795,"description":796},{"label":798,"description":799},{"label":801,"description":802},{"label":804,"description":805},{"label":807,"description":808},{"label":810,"description":811},{"label":813,"description":814},{},{"id":818,"data":2110,"type":42,"tunes":2111},{"text":820,"level":240},{},{"id":823,"data":2113,"type":218,"tunes":2114},{"text":825},{},{"id":828,"data":2116,"type":218,"tunes":2117},{"text":830},{},{"id":833,"data":2119,"type":226,"tunes":2120},{"body":835,"title":836,"variant":263},{},{"id":839,"data":2122,"type":42,"tunes":2123},{"text":841,"level":240},{},{"id":844,"data":2125,"type":218,"tunes":2126},{"text":846},{},{"id":849,"data":2128,"type":409,"tunes":2129},{"url":851,"title":852,"excerpt":853,"ctaLabel":854},{},{"id":857,"data":2131,"type":409,"tunes":2132},{"url":859,"title":860,"excerpt":861,"ctaLabel":862},{},{"id":865,"data":2134,"type":42,"tunes":2135},{"text":867,"level":240},{},{"id":870,"data":2137,"type":218,"tunes":2138},{"text":872},{},{"id":875,"data":2140,"type":218,"tunes":2141},{"text":877},{},{"id":880,"data":2143,"type":218,"tunes":2144},{"text":882},{},{"id":885,"data":2146,"type":42,"tunes":2147},{"text":887,"level":240},{},{"id":890,"data":2149,"type":218,"tunes":2150},{"text":892},{},{"id":895,"data":2152,"type":218,"tunes":2153},{"text":897},{},{"id":900,"data":2155,"type":42,"tunes":2156},{"text":902,"level":240},{},{"id":905,"data":2158,"type":218,"tunes":2159},{"text":907},{},{"id":910,"data":2161,"type":218,"tunes":2162},{"text":912},{},{"id":915,"data":2164,"type":218,"tunes":2165},{"text":917},{},{"id":920,"data":2167,"type":42,"tunes":2168},{"text":922,"level":240},{},{"id":925,"data":2170,"type":925,"tunes":2179},{"items":2171,"title":956},[2172,2173,2174,2175,2176,2177,2178],{"id":929,"answer":930,"question":931},{"id":933,"answer":934,"question":935},{"id":937,"answer":938,"question":939},{"id":941,"answer":942,"question":943},{"id":945,"answer":946,"question":947},{"id":949,"answer":950,"question":951},{"id":953,"answer":954,"question":955},{},{"id":959,"data":2181,"type":42,"tunes":2182},{"text":961,"level":240},{},{"id":964,"data":2184,"type":964,"tunes":2194},{"title":966,"entries":2185},[2186,2187,2188,2189,2190,2191,2192,2193],{"term":969,"anchor":970,"definition":971},{"term":973,"anchor":327,"definition":974},{"term":755,"anchor":562,"definition":976},{"term":978,"anchor":566,"definition":979},{"term":336,"anchor":335,"definition":981},{"term":340,"anchor":983,"definition":984},{"term":344,"anchor":343,"definition":986},{"term":988,"anchor":989,"definition":990},{},{"id":993,"data":2196,"type":42,"tunes":2197},{"text":995,"level":240},{},{"id":998,"data":2199,"type":218,"tunes":2200},{"text":1000},{},{"id":1003,"data":2202,"type":1010,"tunes":2205},{"link":1005,"meta":2203},{"image":2204,"title":1008,"description":1009},{"url":325},{},{"id":1013,"data":2207,"type":1010,"tunes":2210},{"link":1015,"meta":2208},{"image":2209,"title":1018,"description":1019},{"url":325},{},{"id":1022,"data":2212,"type":1010,"tunes":2215},{"link":1024,"meta":2213},{"image":2214,"title":1027,"description":1028},{"url":325},{},{"id":1031,"data":2217,"type":1010,"tunes":2220},{"link":1033,"meta":2218},{"image":2219,"title":1036,"description":1037},{"url":325},{},{"id":1040,"data":2222,"type":1010,"tunes":2225},{"link":1042,"meta":2223},{"image":2224,"title":1045,"description":1046},{"url":325},{},{"id":1049,"data":2227,"type":1010,"tunes":2230},{"link":1051,"meta":2228},{"image":2229,"title":1054,"description":1055},{"url":325},{},{"id":1058,"data":2232,"type":1010,"tunes":2235},{"link":1060,"meta":2233},{"image":2234,"title":1063,"description":1064},{"url":325},{},"Post erfolgreich abgerufen",{"items":2238,"source":2322,"manualIds":2323,"manualMatchedIds":2324},[2239,2246,2253,2260,2267,2274,2280,2287,2294,2301,2308,2315],{"id":2240,"slug":2241,"title":2242,"excerpt":2243,"featuredImage":2244,"publishedAt":2245},"476","mcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP vs A2A vs UCP vs AP2 vs A2UI: Lo stack di protocolli degli agenti spiegato","MCP, A2A, UCP, AP2 e A2UI sono spesso presentati come standard per agenti concorrenti. Per lo più risolvono problemi di interoperabilità diversi. Questa guida mappa ciascun protocollo sul confine che effettivamente standardizza—e mostra come possano lavorare insieme in un unico sistema di produzione.","\u002Fuploads\u002F2026\u002F09\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained-1790352625869-2ezle0.webp","2026-09-25T12:09:00.000Z",{"id":2247,"slug":2248,"title":2249,"excerpt":2250,"featuredImage":2251,"publishedAt":2252},"470","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","Cosa dovrebbe ricordare, dimenticare, ricalcolare o recuperare di nuovo un agente IA?","Gli agenti a lunga esecuzione non dovrebbero ricordare tutto. Questo articolo fornisce un modello pratico di ciclo di vita per decidere cosa appartiene alla memoria durevole, cosa dovrebbe essere recuperato di nuovo, cosa è più sicuro ricalcolare e cosa dovrebbe scadere o essere sostituito.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28.webp","2026-09-25T09:43:00.000Z",{"id":2254,"slug":2255,"title":2256,"excerpt":2257,"featuredImage":2258,"publishedAt":2259},"490","rbac-vs-tenant-isolation-two-different-security-boundaries","RBAC vs Isolamento dei Tenant: Due Confini di Sicurezza Diversi","Il controllo RBAC stabilisce cosa può fare un utente; l'isolamento dei tenant stabilisce a quali risorse di quale tenant può accedere tale azione. Scopri perché la sicurezza SaaS multi-tenant richiede entrambi i confini.","\u002Fuploads\u002F2026\u002F10\u002Frbac-vs-tenant-isolation-two-different-security-boundaries-1791485111528-qqtzby.webp","2026-10-08T14:43:00.000Z",{"id":2261,"slug":2262,"title":2263,"excerpt":2264,"featuredImage":2265,"publishedAt":2266},"485","enterprise-ai-architecture-what-changes-when-ai-enters-a-company","Architettura AI aziendale: cosa cambia quando l'AI entra in un'azienda","L'architettura AI aziendale spiega come l'AI cambia i sistemi aziendali attraverso autorità sui dati, identità, permessi, fornitori, rischio, governance, valutazione, conformità e operazioni.","\u002Fuploads\u002F2026\u002F10\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company-1791478161363-czrwaq.webp","2026-10-08T10:48:00.000Z",{"id":2268,"slug":2269,"title":2270,"excerpt":2271,"featuredImage":2272,"publishedAt":2273},"495","sovereign-ai-control-of-models-data-infrastructure-and-dependencies","IA sovrana: controllo di modelli, dati, infrastrutture e dipendenze","L'IA sovrana riguarda il controllo effettivo su modelli, dati, infrastrutture, software, operazioni e dipendenze strategiche — non semplicemente dove è ospitato un modello di IA.","\u002Fuploads\u002F2026\u002F10\u002Fsovereign-ai-control-of-models-data-infrastructure-and-dependencies-1791488833132-niy85x.webp","2026-10-08T15:45:00.000Z",{"id":2275,"slug":2276,"title":406,"excerpt":2277,"featuredImage":2278,"publishedAt":2279},"478","what-is-rag-the-simplest-explanation-of-how-it-works","RAG sembra complicato, ma l'idea è semplice: prima che un'IA risponda, cerca prima informazioni utili da una fonte di conoscenza e fornisce tali informazioni al modello linguistico. Questa guida spiega RAG, LLM, stato, memoria e strumenti utilizzando un semplice modello mentale.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works-1790377492124-khjagt.webp","2026-09-25T19:03:00.000Z",{"id":2281,"slug":2282,"title":2283,"excerpt":2284,"featuredImage":2285,"publishedAt":2286},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","La memoria dell'agente IA non è RAG: come separare memoria, recupero, stato e contesto","Memoria dell'agente, RAG, stato e contesto vengono spesso usati come se fossero intercambiabili. Non lo sono. Questo pratico modello architetturale separa i quattro livelli, mostra dove si colloca ciascuno e spiega cosa si rompe quando i sistemi li fanno collassare in uno solo.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z",{"id":2288,"slug":2289,"title":2290,"excerpt":2291,"featuredImage":2292,"publishedAt":2293},"467","the-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","Il confine della validità della risposta: il livello mancante tra rilevanza e risposte AI affidabili","Una fonte può essere pertinente, autorevole e comunque errata per la domanda posta. Il livello mancante è l'applicabilità: le condizioni alle quali una risposta è valida e i cambiamenti che ne impongono una riconsiderazione. Questo articolo introduce l'Answer Validity Boundary come modello di progettazione delle fonti per esseri umani, ricerca AI e sistemi RAG.","\u002Fuploads\u002F2026\u002F09\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers-1790272901306-1g5jly.webp","2026-09-24T11:59:00.000Z",{"id":2295,"slug":2296,"title":2297,"excerpt":2298,"featuredImage":2299,"publishedAt":2300},"471","how-to-know-whether-an-ai-agent-actually-used-the-right-evidence","Come sapere se un agente IA ha effettivamente usato le prove giuste","Un agente IA può citare fonti e comunque utilizzare le prove sbagliate. Questo articolo introduce un metodo pratico per verificare il supporto delle affermazioni, l'autorevolezza della fonte, l'applicabilità, la provenienza e se le prove abbiano effettivamente influenzato la risposta.","\u002Fuploads\u002F2026\u002F09\u002Fhow-to-know-whether-an-ai-agent-actually-used-the-right-evidence-1790351317188-o5z9ve.webp","2026-09-25T11:47:00.000Z",{"id":2302,"slug":2303,"title":2304,"excerpt":2305,"featuredImage":2306,"publishedAt":2307},"483","what-is-an-ai-solution-architect-system-boundaries-responsibilities-and-trade-offs","Che cos'è un AI Solution Architect? Confini del sistema, responsabilità e compromessi","Un Solution Architect AI trasforma i requisiti aziendali in un sistema AI pronto per la produzione, attraverso dati, modelli, strumenti, sicurezza, runtime, valutazione e operazioni.","\u002Fuploads\u002F2026\u002F10\u002Fwhat-is-an-ai-solution-architect-system-boundaries-responsibilities-and-trade-offs-1791476643267-1st5xz.webp","2026-10-08T12:23:00.000Z",{"id":2309,"slug":2310,"title":2311,"excerpt":2312,"featuredImage":2313,"publishedAt":2314},"489","agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","IA agentica spiegata: quando un sistema di IA può pianificare, usare strumenti e agire","L'IA agentica utilizza modelli all'interno di cicli di esecuzione a più passaggi, in cui possono scegliere strumenti, osservare i risultati, aggiornare lo stato e adattare l'azione successiva entro limiti espliciti di runtime e di autorizzazione.","\u002Fuploads\u002F2026\u002F10\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act-1791481499084-wnji2a.webp","2026-10-08T11:43:00.000Z",{"id":2316,"slug":2317,"title":2318,"excerpt":2319,"featuredImage":2320,"publishedAt":2321},"486","source-of-truth-in-ai-systems-where-reliable-knowledge-actually-comes-from","Fonte di verità nei sistemi di IA: da dove proviene realmente la conoscenza affidabile","Una Fonte di Verità definisce quale fonte è autorevole per un fatto o uno stato specifico. Scopri come si differenzia da RAG, provenienza, memoria, contesto, database vettoriali e sistemi di registrazione.","\u002Fuploads\u002F2026\u002F10\u002Fsource-of-truth-in-ai-systems-where-reliable-knowledge-actually-comes-from-1791479103235-6bq9em.webp","2026-10-08T13:02:00.000Z","fallback",[],[]]