Dal prompt lineare a nodi, loop e multi-agenti: un modello pratico per orchestrare ragionamento, strumenti e verifiche in modo ripetibile.
La chat è un modello mentale lineare: scrivi un prompt → il modello “pensa” → ottieni una risposta. Funziona bene per richieste puntuali, ma si rompe quando chiedi qualcosa di più vicino al lavoro reale:
A quel punto non stai più “chattando”: stai eseguendo un workflow. E un workflow, per natura, è fatto di passi, dipendenze, ritorni indietro, controlli e condizioni di uscita.
Un agente moderno non aggiunge magia: aggiunge struttura attorno al modello.
In forma semplificata, un workflow agentico tende a somigliare a questo ciclo:
Il punto chiave è che l’iterazione non è un difetto, è il prodotto: il sistema migliora passando più volte su pianificazione → azione → verifica.
Quando introduci cicli e diramazioni, stai già descrivendo un grafo.
Molti team continuano però a pensarlo come “una sequenza di prompt”. Il salto concettuale del graph agentic coding è rendere esplicito che:
Un modo pratico per progettare nodi robusti è trattarli come piccole pagine “stile wiki”. In ogni nodo conservi tre elementi:
Perché funziona?
Se lavori con TypeScript/React (o qualsiasi codebase), l’analogia è immediata: seguire riferimenti tra definizioni e usi è già un modo di ragionare a grafo. Qui applichi lo stesso modello a istruzioni, contesto e decisioni.
Un’idea sorprendentemente potente è questa: invece di rappresentare i nodi come funzioni imperative, puoi rappresentarli come testo.
È una forma di “programmazione” dove la parte eseguibile non è solo codice: è anche una sequenza di istruzioni leggibili che un motore agentico può interpretare ed eseguire con strumenti.
La variante più interessante del modello a grafo arriva quando non hai un solo agente, ma più ruoli separati:
In un grafo, questo significa che:
L’impatto pratico è enorme: separare pianificazione ed esecuzione rende il sistema più controllabile, e separare la verifica rende il risultato più affidabile.
Molti workflow AI falliscono non perché il modello non sappia generare output, ma perché manca una disciplina di verifica ripetibile.
Nel graph agentic coding, la verifica non è un “passo finale”: è un nodo (o una sottosezione) con regole chiare:
In altre parole, è il pezzo che trasforma un assistente in un processo ingegneristico.
Se lavori su app web o React/React Native, questo approccio è particolarmente utile perché il tuo lavoro è già pieno di grafi impliciti:
Un workflow agentico a grafo ti permette di modellare esplicitamente questi passaggi e farli eseguire in loop controllati, invece di affidarti a tentativi manuali in chat.
Pensare “a grafo” significa smettere di inseguire il prompt perfetto e iniziare a progettare:
La conseguenza pratica è semplice: ottieni workflow più stabili, più debuggabili e più facili da far crescere nel tempo. Quando l’AI entra davvero nei processi di sviluppo, la differenza non la fa “quanto è bravo il modello”, ma quanto è ben disegnato il grafo che lo guida.
Articolo originale: https://frontendfacile.it/blog/graph-agentic-coding-quando-il-workflow-ai-diventa-un-grafo-e-smette-di-essere-u