Realizzazione di un framework multi-agente BDI in Jason/AgentSpeak con 4 agenti (runtime_coordinator, case_reasoner, trace_guardian, care_planner) funzionanti su 3 scenari clinici cardiologici.
Integrazione di un pipeline LLM per estrazione e validazione di regole cliniche da linee guida ESC, con bridge HTTP Jason-Python e fallback su modello locale open-source.
Sviluppo di una web app React con backend FastAPI per la revisione umana delle raccomandazioni, comprendente dashboard, dettaglio con traccia e flusso approvazione/rifiuto.
Implementazione del sottosistema di tracciabilità Justification Tree, con esportazione in formato Markdown e HTML navigabile per ogni decisione clinica.
Pubblicazione del repository open-source su GitHub con licenza MIT, documentazione completa (14 artefatti di progetto), README e istruzioni di setup.
Obiettivi vs Risultati
Obiettivo
Descrizione
Priorità
Raggiunto
Note
O1
Runtime BDI: 4 agenti Jason
Must
Sì
coordinator, reasoner, guardian, planner funzionanti su 3 scenari
O2
Pipeline LLM (claim extraction + rule drafting)
Should
Sì
DSPy + Groq/OpenRouter, fallback locale; valutazione su 3 casi
O3
Console web per revisione umana
Should
Sì
Frontend React + backend FastAPI, flusso di revisione completo
O4
Tracciabilità (Justification Tree)
Must
Sì
Traccia per ogni decisione, export Markdown e HTML
O5
Golden case (gc00, gc04, gc_gray_zone)
Must
Sì
3/3 scenari validati end-to-end
O6
Esecuzione CLI
Must
Sì
ctaf run scenario.json completa il flusso
O7
Open source su GitHub
Could
Sì
Repository pubblico, licenza MIT, README
Lezioni Apprese
Cosa ha Funzionato
Architettura modulare a agenti: La separazione in 4 agenti BDI con responsabilità distinte ha facilitato lo sviluppo parallelo e il test indipendente di ogni componente, riducendo i conflitti di integrazione.
Bridge HTTP Jason-Python: Nonostante le preoccupazioni iniziali, il bridge via chiamate HTTP su localhost si e rivelato semplice da implementare e sufficientemente performante per un prototipo accademico (latenza media < 200 ms).
Prioritizzazione MoSCoW: La definizione rigorosa delle priorità ha permesso al team di concentrarsi sugli obiettivi Must-have, evitando dispersione su funzionalità accessorie e completando il nucleo del sistema entro la deadline.
Cosa Migliorare
Pianificazione regole ambigue: Il terzo scenario clinico (gc_gray_zone) ha richiesto più tempo del previsto a causa della complessità delle linee guida. Una fase di analisi più approfondita delle fonti cliniche prima dello sviluppo avrebbe ridotto l’imprevisto.
Comunicazione asincrona: Nei primi sprint il team ha sottoutilizzato gli strumenti di comunicazione asincrona, causando ritardi nella risoluzione di dubbi tecnici. L’adozione di Discord dal Sprint 3 ha migliorato significativamente il flusso informativo.
Test automatizzati: I test sono stati eseguiti prevalentemente in modo manuale. L’implementazione di una suite di test automatizzati (es. pytest per il pipeline, JUnit per Jason) avrebbe aumentato la confidenza nelle regressioni.
Raccomandazioni
Per futuri progetti accademici su Jason/AgentSpeak, si consiglia di dedicare una settimana iniziale interamente alla familiarizzazione con il runtime e le sue peculiarità.
Il formato Justification Tree sviluppato per CTAF può essere riutilizzato come base per un progetto di ricerca su explainable AI agents in ambito medico.
Si raccomanda di estendere il test su almeno 10 scenari clinici per validare la robustezza del sistema prima di qualsiasi uso in contesti non accademici.
Il fallback LLM locale (Ollama/llama.cpp) si e dimostrato un’alternativa valida; si consiglia di mantenerlo come opzione predefinita per garantire riproducibilità dei risultati.
Post-Implementation Audit Summary
Area
Valutazione
Note
Completezza funzionale
100%
Tutti i requisiti Must-have implementati
Stabilità del sistema
Buona
3/3 scenari e2e completati senza crash
Qualità del codice
Discreta
Codice funzionante ma con margini di refactoring
Documentazione
Completa
14 artefatti + README + documentazione tecnica
Copertura tracciabilità
100%
Ogni decisione produce traccia simbolica verificabile
Rispetto timeline
Raggiunta
Consegna entro deadline con utilizzo di 1 settimana di riserva
Pubblicazione open-source
Completata
Repository pubblico su GitHub, licenza MIT
Il progetto CTAF ha dimostrato la fattibilità di un sistema multi-agente BDI per il supporto decisionale clinico tracciabile, integrando LLM e revisione umana in un flusso auditabile. I risultati costituiscono una base solida per futuri sviluppi in ambito di trustworthy AI e explainable agency.