Progettazione e Sviluppo di un Sistema per Agenti RAG di Tipo Question-answering Conversazionale

L'Intelligenza Artificiale Generativa (IA) e i Large Language Models (LLM) presentano limiti applicativi in ambito aziendale, in particolare per l'affidabilità delle risposte (allucinazioni) e l'accesso ai dati proprietari. Questa tesi documenta la progettazione e lo sviluppo di LUCA (Large Unified Conversational Agent), un ecosistema software basato sull'architettura Retrieval-Augmented Generation, volto a superare tali criticità. L'architettura Backend è realizzata in Cloud-Native a microservizi (serverless), con un focus sull'agnosticismo tecnologico. Le funzionalità RAG dei provider eterogenei (Google Vertex AI, Azure OpenAI, Gemini) sono incapsulate in microservizi indipendenti (LUCA Clients), permettendo la massima flessibilità nella composizione degli agenti e l'assenza di vendor lock-in. La gestione operativa è garantita da un sistema di configurazione dinamica da Firestore, che consente il tuning e l'aggiornamento dei parametri dei modelli in tempo reale senza necessità di deployment del codice. A supporto della qualità, è stata sviluppata una Test Suite automatizzata per il benchmarking massivo e la misurazione oggettiva dell'affidabilità delle risposte (Grounding), essenziale per un contesto non deterministico. E poi il Frontend, basato su Angular (Monorepo Nx), introduce LUCA Create-UI, un'interfaccia che sposta l'utente da spettatore passivo a controllore attivo del processo RAG, garantendo pieno controllo e trasparenza sulle fonti utilizzate. LUCA si configura come una soluzione ingegneristica matura, in grado di garantire scalabilità, affidabilità e modularità per l'adozione strategica dell'IA in contesti enterprise.