giorno 1
Dalla chat all’azione
agenti AI, harness, skill, memoria, sistemi multi-agent
separare modello, agente, harness e sistema capire perché il contesto conta più della magia trattare l’AI come workflow, non come prompt singolo
Team1
team1 uni tour · catania · 3-day track
from AI agents to real products.
This page turns the full Team1 Catania material into something actually readable on the web. Not a slide dump. A browseable path through the three days: how AI agents work, why Avalanche matters, and what real products look like when you combine execution, trust, and operations.
3days stitched together
62slides re-mapped for the web
4product layers on day 3
1mental model from logic → infra → products
the arc
Day 1 explains the agent stack. Day 2 explains why blockchains matter once software starts acting. Day 3 closes the loop with actual products: consumer interfaces, execution engines, trust rails, and ops surfaces.
giorno 2
Avalanche come infrastruttura
identità, pagamenti, stato condiviso, finalità, coordinamento
l’AI pensa, la blockchain coordina wallet, pagamenti e track record rendono gli agenti utili bassa latenza e costi bassi cambiano la praticità dei workflow
giorno 3
Prodotti reali e casi d’uso
consumer, execution, trust, operations
gm10 come layer consumer Evalanche come execution layer Eva Protocol e Mission Control come trust + operations
giorno 1
Dalla chat all’azione
agenti AI, harness, skill, memoria, sistemi multi-agent
separare modello, agente, harness e sistema capire perché il contesto conta più della magia trattare l’AI come workflow, non come prompt singolo
25slides
3core ideas
1step in the sequence
infographic
an agent is not just a model
The cleanest mental model from day 1 is a stack. Language model at the core, then agency, then tools, then memory, then orchestration.
modelpredicts tokens, transforms language, generates options
agenttakes a goal, not just a prompt
skillsreads files, calls APIs, executes workflows
memoryholds context, state, history, constraints
systemmultiple roles, verification, handoffs, recovery
1 Dalla chat all’azione: perché gli agenti AI cambiano il lavoro
La lezione parte da un punto preciso: l’AI non va più spiegata soltanto come “chatbot che risponde”. Il passaggio importante è verso sistemi che ricevono un obiettivo, usano strumenti, tengono memoria e producono output operativi.
+
Dalla chat all’azione: perché gli agenti AI cambiano il lavoro
La lezione parte da un punto preciso: l’AI non va più spiegata soltanto come “chatbot che risponde”. Il passaggio importante è verso sistemi che ricevono un obiettivo, usano strumenti, tengono memoria e producono output operativi.
- Obiettivo della lezione: Capire la differenza tra modello linguistico, agente, harness, skill e sistema multi-agent.
- Perché conta: Se il costo di esecuzione scende, il valore si sposta verso progettazione, direzione e verifica.
- Output atteso: Alla fine lo studente deve saper descrivere un workflow AI affidabile e i suoi punti di rischio.
- Domanda guida: Che cosa cambia quando non chiediamo più “come si fa?”, ma “fallo tu”?
- Metodo: Definizioni → architettura → casi reali → esercizio.
- Ponte: Questa base servirà per capire identità, trust e pagamenti nel Day 2.
2 Il percorso didattico: dal modello al sistema operativo di agenti
Per evitare confusione, separiamo livelli diversi: il modello genera linguaggio; l’agente opera; il sistema multi-agent coordina più ruoli; il layer di controllo verifica che il processo resti affidabile.
+
Il percorso didattico: dal modello al sistema operativo di agenti
Per evitare confusione, separiamo livelli diversi: il modello genera linguaggio; l’agente opera; il sistema multi-agent coordina più ruoli; il layer di controllo verifica che il processo resti affidabile.
- 1. Fondamenti: Turing, software deterministico, reti neurali e LLM.
- 2. Agente: Agency, tool, memoria, identità e contesto.
- 3. Sistema: Più agenti specializzati che si passano task e responsabilità.
- 4. Applicazioni: Marketing, sviluppo web, SEO, dashboard e automazione continua.
- Per la classe: Non memorizzare solo tool names: memorizza il modello mentale.
- Errore comune: Confondere “AI potente” con “sistema affidabile”.
- Criterio di qualità: Un buon sistema produce output verificabili, non solo belli.
3 Da uso consultivo a uso esecutivo dell’AI
Nel transcript, gennaio 2026 viene raccontato come una soglia simbolica: non nasce l’AI, ma diventa evidente che l’integrazione tra modelli e strumenti rende possibile delegare parti intere del lavoro.
+
Da uso consultivo a uso esecutivo dell’AI
Nel transcript, gennaio 2026 viene raccontato come una soglia simbolica: non nasce l’AI, ma diventa evidente che l’integrazione tra modelli e strumenti rende possibile delegare parti intere del lavoro.
- Prima: L’utente chiedeva spiegazioni, bozze, suggerimenti o riassunti. Poi eseguiva manualmente.
- Ora: L’utente specifica risultato, vincoli e materiale. L’agente prova a completare più step.
- Conseguenza: La competenza si sposta da manualità ripetitiva a design del sistema e controllo qualità.
- Takeaway: Il salto non è solo “modello migliore”: è “modello inserito in un processo”.
- Esempio: Da “scrivimi un outline” a “leggi questi file e costruisci il deck”.
- Rischio: Delegare senza criteri produce errori più rapidi, non lavoro migliore.
4 Da Turing agli LLM: la lunga domanda sull’interazione intelligente
Il riferimento a Turing serve a dare contesto: il problema dell’intelligenza artificiale non è mai stato solo calcolo, ma capacità di sostenere interazioni utili, coerenti e apparentemente ragionate.
+
Da Turing agli LLM: la lunga domanda sull’interazione intelligente
Il riferimento a Turing serve a dare contesto: il problema dell’intelligenza artificiale non è mai stato solo calcolo, ma capacità di sostenere interazioni utili, coerenti e apparentemente ragionate.
- Turing test: Misura se una macchina può sostenere una conversazione indistinguibile da quella umana.
- Computer classico: Segue istruzioni deterministiche: stesso input, stesso output.
- LLM moderno: Genera risposte plausibili usando pattern statistici appresi su enormi quantità di testo.
- Perché è importante: Oggi molti sistemi superano il piano conversazionale, ma restano fragili sul piano della verità.
- Nota critica: Interazione credibile non significa comprensione perfetta.
- Domanda: Quale parte del ragionamento umano è imitata? Quale resta fuori?
5 Il software classico e i modelli neurali risolvono problemi diversi
Un punto utile per studenti tecnici: non bisogna opporre software tradizionale e AI. Il software deterministico è eccellente per regole chiare; l’AI probabilistica è utile quando input, linguaggio e contesto sono ambigui.
+
Il software classico e i modelli neurali risolvono problemi diversi
Un punto utile per studenti tecnici: non bisogna opporre software tradizionale e AI. Il software deterministico è eccellente per regole chiare; l’AI probabilistica è utile quando input, linguaggio e contesto sono ambigui.
- Deterministico: Regole esplicite, output prevedibile, alta verificabilità. Ideale per pagamenti, validazioni, calcoli.
- Probabilistico: Gestisce ambiguità, testo, sintesi e classificazione semantica. Ideale per linguaggio naturale.
- Sistema robusto: Combina i due: LLM per interpretare/generare, codice deterministico per verificare/eseguire.
- Formula pratica: LLM per “capire e proporre”; software per “validare e garantire”.
- Errore comune: Usare l’LLM per fare ciò che un controllo deterministico farebbe meglio.
- Applicazione: Un agente serio deve spesso chiamare tool esterni per controllare i propri output.
6 Che cos’è un LLM: motore linguistico, non oracolo
Un Large Language Model predice e trasforma sequenze linguistiche. È potente perché comprime pattern concettuali, ma non deve essere trattato come una fonte infallibile o come un soggetto responsabile.
+
Che cos’è un LLM: motore linguistico, non oracolo
Un Large Language Model predice e trasforma sequenze linguistiche. È potente perché comprime pattern concettuali, ma non deve essere trattato come una fonte infallibile o come un soggetto responsabile.
- È forte su: Sintesi, riformulazione, analogie, struttura, codice, brainstorming, spiegazioni progressive.
- È fragile su: Fatti non verificati, numeri, fonti, memoria precisa, giudizio finale in contesti ad alto rischio.
- Uso corretto: Affiancarlo a contesto, strumenti, verifica e responsabilità umana.
- Regola didattica: Quando l’output sembra troppo sicuro, controllare le assunzioni.
- Esempio: Un riassunto può essere utile anche se non è una prova.
- Domanda: Come distinguiamo plausibilità, accuratezza e utilità?
7 Il prompt singolo è solo l’inizio: il valore sta nel workflow
Molti imparano l’AI partendo dal prompt. È corretto, ma incompleto. Un prompt produce una risposta; un workflow produce un processo ripetibile, osservabile e migliorabile.
+
Il prompt singolo è solo l’inizio: il valore sta nel workflow
Molti imparano l’AI partendo dal prompt. È corretto, ma incompleto. Un prompt produce una risposta; un workflow produce un processo ripetibile, osservabile e migliorabile.
- Prompt: Istruzione puntuale: “riassumi questo testo”, “scrivi una mail”, “crea un outline”.
- Workflow: Sequenza: acquisisci input → trasforma → verifica → pubblica → misura → migliora.
- Skill: Procedura salvata che rende il workflow più stabile e riutilizzabile nel tempo.
- Mini-esercizio: Trasforma un prompt che usi spesso in una procedura di 5 step.
- Criterio: Se puoi ripeterlo e migliorarlo, è workflow.
- Rischio: Prompt casuali producono qualità casuale.
8 Quando il modello diventa agente: responsabilità operativa limitata
Nel transcript, “agent” viene collegato ad “agency”: capacità di prendere in carico un obiettivo. L’agente non è solo testo: è modello + strumenti + memoria + regole di azione.
+
Quando il modello diventa agente: responsabilità operativa limitata
Nel transcript, “agent” viene collegato ad “agency”: capacità di prendere in carico un obiettivo. L’agente non è solo testo: è modello + strumenti + memoria + regole di azione.
- Legge: Documenti, appunti, email, pagine web, file di progetto.
- Agisce: Usa tool: browser, editor, shell, calendar, email, database, API.
- Ricorda: Mantiene stato: decisioni, preferenze, vincoli, errori precedenti.
- Consegna: Produce output finali: deck, sito, issue, report, messaggi, checklist.
- Definizione breve: Agente = LLM inserito in un ambiente operativo controllato.
- Controllo: Più azione significa più bisogno di permessi e audit.
- Domanda: Quali azioni non dovrebbe mai fare senza conferma umana?
9 I quattro layer dell’agente: harness, identità, contesto, utente
La lezione organizza l’agente in quattro livelli. Questa divisione serve perché quando il sistema sbaglia bisogna diagnosticare il layer giusto, invece di dire genericamente “l’AI ha sbagliato”.
+
I quattro layer dell’agente: harness, identità, contesto, utente
La lezione organizza l’agente in quattro livelli. Questa divisione serve perché quando il sistema sbaglia bisogna diagnosticare il layer giusto, invece di dire genericamente “l’AI ha sbagliato”.
- Harness: Regole, limiti, policy, tool disponibili e confini di sicurezza.
- Identità: Ruolo operativo: assistant, trader, writer, researcher, operator.
- Contesto: File, memoria, stato della conversazione, obiettivo corrente.
- Utente: Richiesta, feedback, priorità, correzioni e autorizzazioni.
- Diagnosi: Errore di output può dipendere da ruolo, contesto, tool o richiesta.
- Principio: Separare i layer rende il sistema migliorabile.
- Esercizio: Dato un fallimento, quale layer correggeresti per primo?
10 L’harness non è accessorio: è il contenitore del comportamento
Il modello grezzo non basta. L’harness orienta come il modello parla, quali azioni può compiere, che limiti deve rispettare e quanto deve essere autonomo.
+
L’harness non è accessorio: è il contenitore del comportamento
Il modello grezzo non basta. L’harness orienta come il modello parla, quali azioni può compiere, che limiti deve rispettare e quanto deve essere autonomo.
- Tono e formato: Risposta breve o dettagliata, didattica o operativa, cauta o assertiva.
- Permessi: Quali tool può usare, quando deve chiedere approvazione, cosa non può toccare.
- Sicurezza: Riduce comportamenti dannosi o non desiderati, ma può anche limitare creatività.
- Osservabilità: Registra azioni e decisioni per debugging, audit e apprendimento.
- Tradeoff: Harness rigido = più sicurezza; harness aperto = più potenza ma più rischio.
- Esempio: Un agente email deve distinguere bozza, invio e invio con allegati.
- Domanda: Quali permessi dareste a un agente universitario?
11 L’identità dell’agente riduce ambiguità e aumenta coerenza
Un agente senza identità operativa produce output generici. Un agente con ruolo chiaro sa quali criteri privilegiare: accuratezza, velocità, tono, prudenza, stile, costo, o scalabilità.
+
L’identità dell’agente riduce ambiguità e aumenta coerenza
Un agente senza identità operativa produce output generici. Un agente con ruolo chiaro sa quali criteri privilegiare: accuratezza, velocità, tono, prudenza, stile, costo, o scalabilità.
- Writer: Ottimizza voce, coerenza, ritmo, audience e struttura narrativa.
- Trader: Ottimizza rischio, segnali, timing, esposizione e logging decisionale.
- Operator: Ottimizza completamento task, handoff, priorità e blocchi.
- Researcher: Ottimizza fonti, confronto, incertezza e sintesi verificabile.
- Principio: Ruoli diversi devono avere policy diverse.
- Rischio: Un agente “fa tutto” tende a fare tutto mediocremente.
- Applicazione: Definire identità è progettazione organizzativa, non solo prompt engineering.
12 La qualità dell’output dipende dalla qualità del contesto
Molti errori non nascono dal modello ma da contesto povero, sporco o contraddittorio. Il contesto è il materiale su cui l’agente lavora: senza quello, l’agente riempie i buchi con supposizioni.
+
La qualità dell’output dipende dalla qualità del contesto
Molti errori non nascono dal modello ma da contesto povero, sporco o contraddittorio. Il contesto è il materiale su cui l’agente lavora: senza quello, l’agente riempie i buchi con supposizioni.
- Contesto minimo: Obiettivo, audience, input, vincoli, formato richiesto, criteri di successo.
- Contesto ricco: Esempi precedenti, preferenze, fonti, log, memoria progetto, feedback accumulato.
- Contesto sporco: Informazioni obsolete, istruzioni contraddittorie, file non rilevanti, memoria errata.
- Contesto eccessivo: Troppo materiale senza priorità può peggiorare il risultato quanto troppo poco.
- Regola pratica: Prima di cambiare modello, correggi contesto.
- Domanda: Quali informazioni servono per far creare un buon deck a un agente?
- Takeaway: Context engineering è una competenza reale.
13 ChatGPT, Claude, Perplexity: non sono interfacce equivalenti
Nel transcript il relatore mostra che modelli/prodotti diversi rispondono in modo diverso. Questa differenza deriva da training, obiettivi, policy, tool disponibili e prodotto che incapsula il modello.
+
ChatGPT, Claude, Perplexity: non sono interfacce equivalenti
Nel transcript il relatore mostra che modelli/prodotti diversi rispondono in modo diverso. Questa differenza deriva da training, obiettivi, policy, tool disponibili e prodotto che incapsula il modello.
- ChatGPT: Generalista forte, buono per interazione rapida, coding, multimodalità e task quotidiani.
- Claude: Spesso molto forte su testo lungo, struttura, editing e collaborazione su documenti complessi.
- Perplexity: Più vicino a risposta + ricerca: utile quando servono fonti, orientamento e browsing informativo.
- Lezione: Non scegliere il modello “migliore”; scegli il sistema adatto al task.
- Rischio: Usare un prodotto da ricerca come agente operativo o viceversa.
- Esercizio: Quale useresti per: tesi, coding, market research, email?
14 Dal bot universale a un’organizzazione di agenti specializzati
Il relatore non descrive un singolo assistente onnipotente, ma un sistema di 15–17 agenti. Questa è una scelta architetturale: specializzare ruoli, separare responsabilità e rendere i passaggi verificabili.
+
Dal bot universale a un’organizzazione di agenti specializzati
Il relatore non descrive un singolo assistente onnipotente, ma un sistema di 15–17 agenti. Questa è una scelta architetturale: specializzare ruoli, separare responsabilità e rendere i passaggi verificabili.
- Eva: Assistente principale: email, calendario, Notion, organizzazione personale.
- Predicti: Business intelligence: analizza fonti e produce segnali/previsioni.
- Moni: Esecuzione su Polymarket: usa segnali per cercare opportunità operative.
- Ops/Wolfie/Scribe: Controllo operativo, Avalanche/deck, scrittura nello stile del relatore.
- Idea chiave: Multi-agent non significa “più bot”, ma divisione del lavoro.
- Rischio: Senza coordinamento, più agenti creano più confusione.
- Domanda: Quale agente aggiungeresti per uno studente universitario?
15 Il passaggio di contesto tra agenti è il cuore del coordinamento
In un sistema multi-agent, il momento fragile è l’handoff: ciò che un agente passa al successivo. Se il passaggio è incompleto, l’agente successivo agisce su premesse sbagliate.
+
Il passaggio di contesto tra agenti è il cuore del coordinamento
In un sistema multi-agent, il momento fragile è l’handoff: ciò che un agente passa al successivo. Se il passaggio è incompleto, l’agente successivo agisce su premesse sbagliate.
- Input definito: Che cosa riceve l’agente? File, messaggio, obiettivo, vincolo, priorità.
- Output atteso: Che cosa deve restituire? Report, decisione, azione, bozza, log.
- Criterio di verifica: Come sappiamo che l’handoff è riuscito?
- Owner: Chi è responsabile se il passaggio produce errore?
- Esempio: Predicti → Moni: segnale di mercato, confidenza, fonti, orizzonte temporale.
- Pattern: Ogni handoff dovrebbe sembrare una mini-specifica.
- Esercizio: Scrivere un handoff tra “Researcher” e “Writer”.
16 Perché serve un agente/ruolo che osserva gli altri agenti
Quando gli agenti iniziano ad agire, il controllo non può essere improvvisato. Serve un layer che osserva, registra e segnala cosa succede: nel transcript questo ruolo è attribuito a Ops.
+
Perché serve un agente/ruolo che osserva gli altri agenti
Quando gli agenti iniziano ad agire, il controllo non può essere improvvisato. Serve un layer che osserva, registra e segnala cosa succede: nel transcript questo ruolo è attribuito a Ops.
- Logging: Registra decisioni, azioni, errori e risultati.
- Audit: Permette di capire perché un agente ha fatto qualcosa.
- Priorità: Coordina task e riduce conflitti tra agenti.
- Safety: Intercetta azioni rischiose o incoerenti prima che diventino dannose.
- Takeaway: Autonomia senza osservabilità non è produttività: è rischio nascosto.
- Domanda: Quali azioni vanno sempre loggate?
- Applicazione: Ogni workflow AI importante dovrebbe avere un audit trail.
17 Le skill trasformano esperienza operativa in procedura riutilizzabile
OpenClaw e Hermes vengono presentati come ambienti in cui procedure testuali guidano gli agenti. Una skill non è un prompt occasionale: è una descrizione persistente di come svolgere un compito.
+
Le skill trasformano esperienza operativa in procedura riutilizzabile
OpenClaw e Hermes vengono presentati come ambienti in cui procedure testuali guidano gli agenti. Una skill non è un prompt occasionale: è una descrizione persistente di come svolgere un compito.
- Trigger: Quando va usata la skill e per quale tipo di richiesta.
- Procedura: Passaggi operativi ordinati, strumenti da usare, controlli da fare.
- Stile: Voce, formato, tono e preferenze del contesto/progetto.
- Quality gate: Condizioni minime prima di dire “fatto”.
- Esempio: Skill “writing style”: lunghezza frasi, punteggiatura, ritmo, lessico, struttura.
- Principio: Una buona skill rende il comportamento meno casuale.
- Esercizio: Scrivere una skill per creare appunti universitari.
18 Un sistema migliora solo se gli errori diventano memoria operativa
Nel transcript compare l’idea che quando una skill non funziona, il sistema possa imparare dall’errore. Questo non significa coscienza: significa aggiornare procedure, contesto o controlli.
+
Un sistema migliora solo se gli errori diventano memoria operativa
Nel transcript compare l’idea che quando una skill non funziona, il sistema possa imparare dall’errore. Questo non significa coscienza: significa aggiornare procedure, contesto o controlli.
- Fallimento: Uno step produce output sbagliato, incompleto o non utilizzabile.
- Diagnosi: Si identifica se mancavano tool, contesto, permessi, esempi o criteri.
- Aggiornamento: Si modifica skill, harness, memoria o formato di handoff.
- Riesecuzione: Il sistema riprova con istruzioni migliori e verifica il nuovo output.
- Takeaway: Errore osservato = dato utile. Errore ignorato = debito operativo.
- Rischio: Senza log, il sistema ripete pattern sbagliati.
- Domanda: Come progetteresti una retrospettiva per agenti AI?
19 Marketing: non un post, ma una pipeline di contenuti e test
Il transcript usa il marketing come esempio chiaro: l’AI non riduce solo il tempo per scrivere un post; cambia la scala dell’esperimento. Si possono generare, adattare e testare molte varianti.
+
Marketing: non un post, ma una pipeline di contenuti e test
Il transcript usa il marketing come esempio chiaro: l’AI non riduce solo il tempo per scrivere un post; cambia la scala dell’esperimento. Si possono generare, adattare e testare molte varianti.
- Brief: Obiettivo, target, canale, tono, vincoli e call to action.
- Generazione: Hook, email, tweet, long-form, headline, descrizioni e varianti.
- Adattamento: Stesso contenuto riconfigurato per audience e canali diversi.
- Misurazione: CTR, conversioni, engagement, ranking e segnali qualitativi.
- Lezione: Il marketer diventa designer di sistemi di distribuzione e apprendimento.
- Rischio: Più contenuti non significa contenuti migliori.
- Esercizio: Disegna una pipeline AI per promuovere un evento universitario.
20 Dal PDF al sito: compressione tra materiale grezzo e prodotto spedibile
Il demo del sito immobiliare costruito da un PDF mostra la natura multi-step degli agenti: leggere un documento, estrarre dati, generare copy, creare layout, trattare immagini e costruire un output navigabile.
+
Dal PDF al sito: compressione tra materiale grezzo e prodotto spedibile
Il demo del sito immobiliare costruito da un PDF mostra la natura multi-step degli agenti: leggere un documento, estrarre dati, generare copy, creare layout, trattare immagini e costruire un output navigabile.
- Input: PDF della proprietà con testo, immagini, dettagli commerciali.
- Trasformazione: Estrazione informazioni, struttura pagine, copy, visual, sezioni e asset.
- Output: Landing page o sito navigabile, con contenuto organizzato e presentabile.
- Controllo umano: Verifica accuratezza, branding, qualità visuale e coerenza commerciale.
- Takeaway: Il valore non è solo generare: è collegare generazione e shipping.
- Domanda: Quali parti del processo dovrebbero restare umane?
- Applicazione: Da PDF universitario a mini-sito didattico o report interattivo.
21 SEO e A/B testing: l’AI come motore di iterazione continua
Il transcript descrive un sistema in cui l’AI produce micro-varianti, misura risultati, elimina ciò che non funziona e promuove ciò che performa meglio. Qui l’AI non è solo creativa: è sperimentale.
+
SEO e A/B testing: l’AI come motore di iterazione continua
Il transcript descrive un sistema in cui l’AI produce micro-varianti, misura risultati, elimina ciò che non funziona e promuove ciò che performa meglio. Qui l’AI non è solo creativa: è sperimentale.
- Generazione: Titoli, meta description, H1/H2, abstract, tag, call to action.
- Esperimento: Varianti controllate con ipotesi chiare.
- Misura: Ranking, traffico, conversione, tempo di lettura, engagement.
- Ottimizzazione: Promozione delle varianti migliori e scarto delle peggiori.
- Concetto chiave: Feedback loop: output → dati → nuova strategia → nuovo output.
- Rischio: Automazione senza metrica crea rumore.
- Esercizio: Definire una metrica per valutare un articolo generato da AI.
22 Quando le pipeline crescono serve una dashboard di regia
Il transcript cita Mission Control come modo di vedere, coordinare e interpretare molte attività automatiche. Quando i workflow aumentano, il problema non è più solo generare output: è sapere cosa sta succedendo.
+
Quando le pipeline crescono serve una dashboard di regia
Il transcript cita Mission Control come modo di vedere, coordinare e interpretare molte attività automatiche. Quando i workflow aumentano, il problema non è più solo generare output: è sapere cosa sta succedendo.
- Visibilità: Quali agenti stanno lavorando? Su quali task? Con quali risultati?
- Priorità: Che cosa è urgente, bloccato, completato o da verificare?
- Decisioni: Quali insight richiedono azione umana?
- Memoria: Che cosa deve restare come conoscenza operativa per il futuro?
- Takeaway: Dashboard e agenti sono complementari: automazione + osservabilità.
- Domanda: Quali metriche metteresti in una dashboard per agenti universitari?
- Ponte: Qui nasce il bisogno di trust, identità e responsabilità verificabile.
23 La competenza cambia: da esecutori manuali a progettisti di workflow
Per una lezione universitaria, il messaggio finale non deve essere “l’AI farà tutto”. Deve essere più preciso: chi sa progettare workflow, verificare output e usare strumenti avrà un vantaggio enorme.
+
La competenza cambia: da esecutori manuali a progettisti di workflow
Per una lezione universitaria, il messaggio finale non deve essere “l’AI farà tutto”. Deve essere più preciso: chi sa progettare workflow, verificare output e usare strumenti avrà un vantaggio enorme.
- Studiare: Trasformare appunti in guide, quiz, flashcard, mappe e spiegazioni personalizzate.
- Costruire: Passare da idea a prototipo più rapidamente, anche senza padroneggiare ogni tool manuale.
- Comunicare: Adattare lo stesso contenuto a slide, post, email, articolo, pitch.
- Verificare: Sviluppare senso critico su fonti, dati, bias, privacy e responsabilità.
- Nuova alfabetizzazione: Prompting è solo l’inizio; workflow design è la competenza più importante.
- Rischio: Chi delega senza capire perde controllo.
- Opportunità: Chi capisce il sistema moltiplica capacità.
24 Esercizio in aula: progettare un agente per un task universitario
Per trasformare la lezione in apprendimento attivo, gli studenti possono progettare un agente semplice. Non serve implementarlo: serve descriverne architettura, input, output e controlli.
+
Esercizio in aula: progettare un agente per un task universitario
Per trasformare la lezione in apprendimento attivo, gli studenti possono progettare un agente semplice. Non serve implementarlo: serve descriverne architettura, input, output e controlli.
- Task: Scegliere un compito: riassumere appunti, preparare quiz, cercare fonti, creare slide.
- Identità: Definire il ruolo: tutor, researcher, editor, project manager.
- Tool e contesto: Specificare file, fonti, memoria, strumenti e limiti.
- Verifica: Definire come controllare accuratezza, completezza e qualità finale.
- Output esercizio: Una scheda agente in 8 righe.
- Domanda guida: Che cosa può fare da solo e quando deve chiedere conferma?
- Criterio: Un buon agente è utile, controllabile e valutabile.
25 Takeaway: l’AI utile è una stack, non un prompt
Il messaggio finale del Day 1 è che un agente AI non coincide con il modello linguistico. È una composizione di modello, harness, identità, contesto, memoria, strumenti, skill e coordinamento.
+
Takeaway: l’AI utile è una stack, non un prompt
Il messaggio finale del Day 1 è che un agente AI non coincide con il modello linguistico. È una composizione di modello, harness, identità, contesto, memoria, strumenti, skill e coordinamento.
- Da ricordare: Modello ≠ agente. Agente ≠ sistema. Sistema utile = architettura + controllo.
- Da applicare: Partire da un workflow reale e chiedersi quali step l’AI può accelerare, verificare o automatizzare.
- Da discutere domani: Quando gli agenti agiscono nel mondo reale servono identità, trust, pagamenti e coordinamento.
- Ponte ad Avalanche: Blockchain e AI non sono la stessa cosa: l’AI agisce, le rails danno identità e verificabilità.
- Prossima lezione: Perché agenti autonomi hanno bisogno di infrastruttura, pagamenti e reputazione.
- Domanda finale: Che cosa rende affidabile un agente che lavora per noi?
giorno 2
Avalanche come infrastruttura
identità, pagamenti, stato condiviso, finalità, coordinamento
l’AI pensa, la blockchain coordina wallet, pagamenti e track record rendono gli agenti utili bassa latenza e costi bassi cambiano la praticità dei workflow
12slides
3core ideas
2step in the sequence
infographic
AI and blockchain solve different problems
Day 2 is the bridge. AI is strong at reasoning and language. Avalanche is strong at coordination, identity, payments, and shared state.
AI sideplanning, generation, classification, interaction, compression of complexity
chain sidewallets, ownership, settlement, public history, programmable coordination
why Avalanchelower latency, lower cost, faster finality, customizable environments
why it matterssoftware that acts in the world needs trust and rails, not just answers
1 Perché Avalanche conta per i sistemi AI
Questa è la lezione ponte: non solo cosa fa l’AI, ma quale infrastruttura serve quando il software inizia ad agire nel mondo reale.
+
Perché Avalanche conta per i sistemi AI
Questa è la lezione ponte: non solo cosa fa l’AI, ma quale infrastruttura serve quando il software inizia ad agire nel mondo reale.
2 AI e blockchain risolvono problemi diversi
+
AI e blockchain risolvono problemi diversi
- L’AI è forte in linguaggio, ragionamento, generazione e pianificazione.
- Le blockchain sono forti in identità, ownership, pagamenti, coordinamento e stato condiviso.
- I sistemi interessanti combinano entrambe.
3 Cosa manca all’AI da sola
+
Cosa manca all’AI da sola
- Un modello può rispondere a domande, ma non possiede asset in modo nativo.
- Non ha rail di pagamento nativi.
- Non offre di default una storia pubblica condivisa.
- Non crea fiducia tra sconosciuti su internet.
4 Cosa aggiungono le blockchain all’AI
+
Cosa aggiungono le blockchain all’AI
- Identità | Chi ha agito, quale wallet ha firmato e quale storia esiste. | Importante quando un agente è più di un output anonimo in chat.
- Pagamenti | Settlement digitale nativo per API, servizi, reward e commercio. | Importante quando il software deve pagare o essere pagato.
- Stato condiviso | Più utenti e agenti possono coordinarsi sulla stessa fonte di verità. | Importante quando i sistemi devono restare sincronizzati.
5 Cos’è davvero Avalanche
+
Cos’è davvero Avalanche
- Avalanche è un ecosistema blockchain ad alte prestazioni.
- È progettato per bassa latenza, finalità rapida e applicazioni reali.
- Supporta smart contract e ambienti chain personalizzati per use case diversi.
6 Avalanche in una slide
+
Avalanche in una slide
- Primary Network | Il layer di coordinamento centrale che protegge l’ecosistema. | Pensalo come la base condivisa a cui si collegano i validator.
- C-Chain | L’ambiente smart contract dove vivono molte app e wallet. | È il punto in cui spesso gli utenti interagiscono direttamente.
- L1 | Ambienti blockchain application-specific con regole e design propri. | Utili quando un progetto ha bisogno di personalizzazione.
7 Perché i sistemi AI guardano il design della chain
+
Perché i sistemi AI guardano il design della chain
- Se un agente deve aspettare troppo, il workflow si rompe.
- Se ogni azione costa troppo, l’automazione non regge economicamente.
- Se la conferma non è affidabile, gli utenti non si fidano del risultato.
- Un’infrastruttura veloce e prevedibile rende pratico il coordinamento software.
8 Di cosa può aver bisogno un agente AI onchain
+
Di cosa può aver bisogno un agente AI onchain
- Un wallet per detenere asset.
- Un modo per pagare servizi.
- Un modo per ricevere reward o ricavi.
- Un’identità persistente e una track record.
- Una storia trasparente delle azioni quando la verifica conta.
9 Perché Avalanche è un buon fit per gli agenti
+
Perché Avalanche è un buon fit per gli agenti
- Conferme rapide mantengono i workflow reattivi.
- Costi bassi rendono più realistica l’automazione frequente.
- Gli smart contract permettono regole programmabili e coordinamento.
- Ambienti personalizzabili facilitano applicazioni specializzate.
10 Esempi che studenti possono capire
+
Esempi che studenti possono capire
- Agenti di ricerca che pagano accesso a dati premium.
- Sistemi universitari o di associazioni con wallet e registri condivisi.
- Marketplace in cui il software compra servizi digitali automaticamente.
- Sistemi di trust in cui claim, prove e reputazione contano nel tempo.
11 Dove stiamo andando
+
Dove stiamo andando
- Prima ondata: gli umani usano tool AI.
- Seconda ondata: agenti AI eseguono azioni tra software diversi.
- Terza ondata: gli agenti hanno bisogno di identità, pagamenti, trust e coordinamento.
- È qui che Avalanche diventa infrastruttura, non solo finanza.
12 Il takeaway
L’AI rende il software più capace. Avalanche rende programmabile il coordinamento digitale. La combinazione conta quando i sistemi devono agire, pagare, provare e coordinarsi su scala internet. Domani passiamo a prodotti reali e use case concreti.
+
Il takeaway
L’AI rende il software più capace. Avalanche rende programmabile il coordinamento digitale. La combinazione conta quando i sistemi devono agire, pagare, provare e coordinarsi su scala internet. Domani passiamo a prodotti reali e use case concreti.
giorno 3
Prodotti reali e casi d’uso
consumer, execution, trust, operations
gm10 come layer consumer Evalanche come execution layer Eva Protocol e Mission Control come trust + operations
25slides
3core ideas
3step in the sequence
infographic
the product stack from day 3
The sharpest frame from the final deck is a four-layer map: consumer surface, execution engine, trust layer, and operations layer.
consumergm10, dashboards, onboarding, interfaces people actually touch
executionEvalanche and agent workflows that move tasks forward
trustidentity, receipts, attestations, verifiable history
operationsMission Control, monitoring, queueing, memory, guardrails
1 Cover
Day 3 — Dall'infrastruttura alle applicazioni pratiche: Avalanche, AI e il ruolo dei costruttori
+
Cover
Day 3 — Dall'infrastruttura alle applicazioni pratiche: Avalanche, AI e il ruolo dei costruttori
2 Il Percorso Fino a Qui
Un rapido recap per unire i puntini.
+
Il Percorso Fino a Qui
Un rapido recap per unire i puntini.
- Day 1: Logica (Agenti AI, LLM, ragionamento e pianificazione).
- Day 2: Azione (Avalanche, wallet, settlement, stato condiviso).
- Day 3: Mercato (Oggi: Prodotti reali che fondono logica e azione in casi d'uso concreti).
3 Anatomia di un Sistema Reale
I sistemi reali non sono solo un prompt. Richiedono un'architettura completa per funzionare in produzione.
+
Anatomia di un Sistema Reale
I sistemi reali non sono solo un prompt. Richiedono un'architettura completa per funzionare in produzione.
- Prodotto: UX, distribuzione e risoluzione di un problema di mercato.
- Esecuzione: Il "motore" che permette agli agenti di agire onchain.
- Trust: Meccanismi di verifica e reputazione per fidarsi dell'output.
- Operations: Visibilità, compliance e controllo per gli operatori.
4 Lo Stack in Azione
In questa lezione esploreremo un prodotto reale per ciascuno di questi quattro layer fondamentali.
+
Lo Stack in Azione
In questa lezione esploreremo un prodotto reale per ciascuno di questi quattro layer fondamentali.
- Layer 1: Consumer. Prodotto: gm10.xyz. Focus: Distribuzione e UX.
- Layer 2: Execution. Prodotto: Evalanche. Focus: Wallet e azioni agentiche.
- Layer 3: Trust. Prodotto: Eva Protocol. Focus: Verificabilità e reputazione.
- Layer 4: Operations. Prodotto: Mission Control. Focus: Coordinamento e human-in-the-loop.
5 Layer 1 - Consumer (gm10.xyz)
gm10 porta i collezionabili fisici nel mondo digitale tramite il token $CATCH su Avalanche.
+
Layer 1 - Consumer (gm10.xyz)
gm10 porta i collezionabili fisici nel mondo digitale tramite il token $CATCH su Avalanche.
- Asset Reali: Le carte Pokémon fisiche gradate sono custodite nel caveau di un'azienda partner.
- Frazionamento: $CATCH rappresenta un'esposizione frazionata al valore della collezione.
- UX Fluida: Un mercato altrimenti illiquido diventa accessibile 24/7 senza frizioni.
6 Costruire con l'AI: Il Caso gm10
GM10 è stato costruito con il forte supporto dell'AI, ma richiede una visione e un'iterazione umana.
+
Costruire con l'AI: Il Caso gm10
GM10 è stato costruito con il forte supporto dell'AI, ma richiede una visione e un'iterazione umana.
- Sviluppo Accelerato: L'AI scrive codice, struttura database e imposta l'interfaccia molto velocemente.
- Limite dell'AI: L'output degli LLM non è sempre perfetto e necessita di correzioni.
- Il Tocco Umano: L'iterazione creativa, il design e la strategia di business restano in mano all'uomo.
7 Layer 2 - Execution (Evalanche)
Evalanche fornisce wallet ed esecuzione onchain per agenti AI, spostandoli dalla chat all'azione.
+
Layer 2 - Execution (Evalanche)
Evalanche fornisce wallet ed esecuzione onchain per agenti AI, spostandoli dalla chat all'azione.
- SDK Avalanche-first: Strumenti nativi per far interagire il codice AI con la blockchain.
- Server MCP: Protocolli standard per esporre tool onchain e offchain agli LLM.
- Operatività Pratica: Gli agenti eseguono pagamenti e accedono alla DeFi in modo indipendente.
8 La Sfida dell'Esecuzione: Non-Determinismo
Gli LLM sono creativi e non deterministici. L'esecuzione onchain richiede regole rigide.
+
La Sfida dell'Esecuzione: Non-Determinismo
Gli LLM sono creativi e non deterministici. L'esecuzione onchain richiede regole rigide.
- Output Variabile: A parità di prompt, un LLM può generare risposte diverse ogni volta.
- Contratti Deterministici: La blockchain richiede parametri esatti (costi, fee, address).
- Il Ponte: Evalanche traduce l'intento creativo in transazioni codificate, esatte e sicure.
9 Costi e Specificità nell'Era AI
Come pensare ai costi operativi quando gli agenti lavorano per noi 24/7.
+
Costi e Specificità nell'Era AI
Come pensare ai costi operativi quando gli agenti lavorano per noi 24/7.
- Costo dei Token LLM: Generare pensiero ha un costo minimo in frazioni di centesimo (costo API).
- Costi Onchain: Eseguire su blockchain comporta gas fee; Avalanche minimizza questi costi.
- Specificità dei Task: Maggiore è la complessità, maggiore il costo cognitivo e onchain.
10 Il Workflow di Produzione Assistita
Come agenti e strumenti automatizzati si coordinano per task complessi.
+
Il Workflow di Produzione Assistita
Come agenti e strumenti automatizzati si coordinano per task complessi.
- Acquisizione: Trascrizione (transcript) automatica da audio o testo grezzo.
- Elaborazione: Overhaul strutturale e iterazione dei contenuti sfruttando la logica LLM.
- Revisione: Cicli iterativi di aggiustamento finché l'output non rispetta i criteri voluti.
- Delivery: Consegna automatizzata del file finale (es. slide inviate via email).
11 Layer 3 - Trust (Eva Protocol)
eva.jaack.me è un trust graph: un sistema per valutare claim, certificare news e costruire reputazione onchain.
+
Layer 3 - Trust (Eva Protocol)
eva.jaack.me è un trust graph: un sistema per valutare claim, certificare news e costruire reputazione onchain.
- Verità Decentralizzata: Non scommesse, ma verifica accurata delle fonti e delle notizie (certified news).
- Claim Verification: Gli agenti processano informazioni e richiedono prove crittografiche a supporto.
- Grafo di Fiducia: Mappa logica che collega informazioni, validatori e gradi di affidabilità.
12 Semplicità e Sicurezza al Centro
Un sistema potente può e deve avere un'architettura intelligente e sicura.
+
Semplicità e Sicurezza al Centro
Un sistema potente può e deve avere un'architettura intelligente e sicura.
- Hardware Leggero: Eva gira fluidamente su un modesto Mac Mini domestico.
- Interfaccia Utente: Usa thread Telegram organizzati per la gestione dei task e l'interazione degli agenti.
- Rete Isolata: Utilizzo di Tailscale e VPN private per limitare la superficie di attacco.
- Postura di Sicurezza: Dispositivi limitati e controllo accessi stringente per prevenire intrusioni.
13 Prediction Market vs Trust Graph
Due approcci complementari ma fondamentalmente diversi.
+
Prediction Market vs Trust Graph
Due approcci complementari ma fondamentalmente diversi.
- Prediction Market (Truth Betting): Scommettono sull'esito futuro. Guidati da incentivi finanziari aggregati.
- Trust Graph (Eva): Valutano le prove e i dati passati. Costruiscono un grafo logico basato sulla reputazione.
14 Layer 4 - Operations (Mission Control)
La dashboard centrale per la supervisione operativa e la compliance degli agenti.
+
Layer 4 - Operations (Mission Control)
La dashboard centrale per la supervisione operativa e la compliance degli agenti.
- Activity Log: Monitoraggio in tempo reale delle sessioni e delle azioni degli agenti autonomi.
- Gestione Plugin: Attivazione e revoca dei tool (MCP) a disposizione delle intelligenze artificiali.
- Protocol Compliance: Assicurare che le azioni rispettino le regole di governance aziendale.
15 L'Importanza della Supervisione (HITL)
L'autonomia totale è un mito. I sistemi in produzione richiedono la capacità di intervento umano.
+
L'Importanza della Supervisione (HITL)
L'autonomia totale è un mito. I sistemi in produzione richiedono la capacità di intervento umano.
- Delega a Basso Rischio: Gli agenti svolgono i task routinari (data entry, esecuzioni base).
- Intervento Umano (Override): Possibilità di bloccare o correggere manualmente l'agente in caso di anomalie.
- Coordinamento: L'umano agisce da orchestratore e validatore finale per i task critici o ad alto valore.
16 Vincoli Legali e Privacy
Costruire prodotti reali significa non poter ignorare le normative e le regole di privacy.
+
Vincoli Legali e Privacy
Costruire prodotti reali significa non poter ignorare le normative e le regole di privacy.
- Protezione Dati (GDPR): Gli agenti AI non possono ingerire dati personali sensibili senza consenso esplicito.
- Tracciamento e Consenso: Necessità di gestire policy privacy e cookies anche in interfacce agentiche.
- Legal AI Assistance: L'uso di LLM per assistere la redazione di Termini di Servizio (TOS) e policy.
17 Un Workflow End-to-End Reale
Come i 4 layer si fondono per risolvere un problema concreto per gli studenti universitari.
+
Un Workflow End-to-End Reale
Come i 4 layer si fondono per risolvere un problema concreto per gli studenti universitari.
- Consumer & Execution: L'agente genera un piano di studio dinamico, interroga gli orari e calendarizza sessioni.
- Trust: Valida gli appunti o le fonti condivise con altri studenti tramite il sistema di reputazione (Eva).
- Operations (HITL): Lo studente supervisiona costantemente il piano per correggere la rotta o bloccare azioni indesiderate.
18 La Rilevanza per i Builders
La nostra missione a Catania non è solo spiegarvi la teoria, ma darvi gli strumenti per costruire.
+
La Rilevanza per i Builders
La nostra missione a Catania non è solo spiegarvi la teoria, ma darvi gli strumenti per costruire.
- Documentazione: Guide tecniche complete per integrare rapidamente l'ecosistema Avalanche ed LLM.
- Accelerazione: Supporto e mentorship diretta per trasformare i vostri concept in veri prodotti.
- Grants: Opportunità concrete di finanziamento (Avalanche Grants) per i migliori progetti sviluppati dagli studenti.
19 L'Importanza di Registrarsi
Entrare nel circuito Team1 vi dà un vantaggio competitivo e operativo per il futuro.
+
L'Importanza di Registrarsi
Entrare nel circuito Team1 vi dà un vantaggio competitivo e operativo per il futuro.
- Accesso Immediato: Registrazione tramite QR code per sbloccare risorse esclusive e tool per builder.
- Eventi Futuri: Inviti prioritari ad hackathon, workshop avanzati e preziose sessioni di recruiting.
- Community: L'ingresso in un network solido di sviluppatori, fondatori ed esperti Avalanche in Italia.
20 Principi di Design (1)
Regole fondamentali quando si uniscono AI e Blockchain in produzione per l'utente finale.
+
Principi di Design (1)
Regole fondamentali quando si uniscono AI e Blockchain in produzione per l'utente finale.
- Semplicità: L'utente non vuole sapere cos'è un L1, un RPC o quanto costa il gas. Vuole il risultato.
- Esperienza Fluida: L'infrastruttura (Execution e Trust) deve agire silenziosamente in background.
- Affidabilità: Sforzatevi di tradurre un output probabilistico (AI) in esecuzioni prevedibili.
21 Principi di Design (2)
Costruire "recinti di sabbia" (guardrails) rigidi attorno agli agenti è l'unico modo per scalarli.
+
Principi di Design (2)
Costruire "recinti di sabbia" (guardrails) rigidi attorno agli agenti è l'unico modo per scalarli.
- Spend Limits: Limitare l'impatto economico di un errore imponendo rigidi tetti di spesa giornalieri.
- Whitelist Onchain: Consentire l'esecuzione di contratti solo verso indirizzi verificati e ultra-sicuri.
- TEE e KMS: Gestire le chiavi private degli agenti in ambienti di esecuzione completamente isolati e cifrati.
22 Unire i Pezzi
Nessuno di questi prodotti vive nel vuoto. Formano uno stack applicativo completo e interdipendente.
+
Unire i Pezzi
Nessuno di questi prodotti vive nel vuoto. Formano uno stack applicativo completo e interdipendente.
- 1. L'utente interagisce con l'interfaccia Consumer (es. gm10 o lo Student Planner).
- 2. L'interfaccia attiva un Agente (Execution) che sfrutta MCP ed Evalanche per le azioni onchain.
- 3. I risultati vengono validati e certificati tramite il trust graph (Eva Protocol).
- 4. Il sistema è monitorato dagli operatori (Mission Control) mantenendo l'intervento umano (HITL).
23 Spazio per Costruire
Questo stack Avalanche x AI è ancora agli albori ed è pieno di spazi bianchi.
+
Spazio per Costruire
Questo stack Avalanche x AI è ancora agli albori ed è pieno di spazi bianchi.
- Nuovi Front-end: Creare UX eccezionali per casi d'uso che sono ancora bloccati nel Web2.
- Plugin per Agenti: Sviluppare e scrivere nuovi tool (server MCP) che gli agenti possono richiamare.
- Oracoli di Trust: Costruire feed verificabili che alimentano dati reali affidabili in Eva Protocol.
24 Il Percorso Completo
Il futuro non è fatto di affascinanti demo tecnologiche, ma di prodotti che risolvono problemi reali.
+
Il Percorso Completo
Il futuro non è fatto di affascinanti demo tecnologiche, ma di prodotti che risolvono problemi reali.
- Studiate: Padroneggiate l'intersezione tra AI e Web3, non ignorando i limiti legali e di sicurezza.
- Costruite: Sperimentate con Evalanche e le risorse messe a disposizione dalla piattaforma (usate il QR!).
- Risolvete: Puntate a intercettare i problemi concreti di tutti i giorni, ignorando l'hype a breve termine.
25 Closing
Scansionate il QR Code per accedere alla piattaforma builder e candidarvi ai grants.
+
Closing
Scansionate il QR Code per accedere alla piattaforma builder e candidarvi ai grants.
- Spazio aperto per Q&A, dubbi e approfondimenti finali.
- Trovate contatti, risorse e la community sui nostri canali Telegram.
- Ci vediamo al prossimo hackathon per costruire insieme!
builder map
what a student should walk away with
The three days are really one argument. AI without workflow discipline is theatre. Blockchain without product thinking is infra with no user. The interesting territory is the overlap: agents that can act, pay, prove, and stay accountable over time.
day 1 → design the workflowseparate model, tools, memory, and orchestration before you ship anything that matters.
day 2 → add the railsif software is going to transact or coordinate, wallets and state stop being optional.
day 3 → build the productwrap it in interfaces, trust receipts, and operations surfaces so it survives contact with real users.