https://thedotnetblog.com/it/tags/reinforcement-learning/Articles, tutorials and insights from the .NET community.Hugoit@thedotnetblog (The .NET Blog)@thedotnetblogThu, 18 Jun 2026 00:00:00 +0000https://thedotnetblog.com/it/news/emiliano-montesdeoca/openenv-foundry-learning-systems-what-stands-out/Thu, 18 Jun 2026 00:00:00 +0000Emiliano Montesdeocahttps://thedotnetblog.com/it/news/emiliano-montesdeoca/openenv-foundry-learning-systems-what-stands-out/La nuova storia di OpenEnv e Foundry va ben oltre i cliché del reinforcement learning. In realtà spinge verso sistemi di agenti che possono essere valutati, ottimizzati e migliorati nel tempo rispetto a risultati di business reali.<blockquote> <p><em>Questo articolo è stato tradotto automaticamente. Leggi l&rsquo;originale <a href="https://thedotnetblog.com/it/news/emiliano-montesdeoca/openenv-foundry-learning-systems-what-stands-out/">qui</a>.</em></p> </blockquote> <p>La maggior parte delle conversazioni sugli agenti si ferma ancora all&rsquo;inferenza.</p> <p>Il modello può rispondere al prompt? Può chiamare lo strumento? Può completare il task una volta sola?</p> <p>La nuova discussione <strong>OpenEnv + Foundry</strong> è interessante perché cerca di spostare il discorso verso qualcosa di più ambizioso: <strong>come costruisci un sistema di agenti che migliori davvero nel tempo?</strong></p> <p>Questa è una domanda molto migliore.</p> <h2 id="il-cambiamento-chiave-va-dalle-risposte-ai-cicli-di-apprendimento">Il cambiamento chiave va dalle risposte ai cicli di apprendimento</h2> <p>Il post di Foundry inquadra il problema attorno a ambienti, evals, rubriche, ottimizzazione e post-training.</p> <p>Si può riassumere tutto con una sola frase:</p> <p><strong>l&rsquo;obiettivo non è più solo eseguire un agente, ma possedere un ciclo che misura e migliora l&rsquo;agente rispetto ai tuoi risultati reali.</strong></p> <p>È questo il punto su cui, secondo me, gli sviluppatori dovrebbero concentrarsi.</p> <p>Perché, una volta che lo vedi così, l&rsquo;asset duraturo non è solo il modello o il prompt. È il sistema che lo circonda:</p> <ul> <li>l&rsquo;ambiente in cui agisce</li> <li>la rubrica che lo valuta</li> <li>le trace che spiegano cosa è successo</li> <li>l&rsquo;optimizer che migliora la configurazione</li> </ul> <p>È un modo di ragionare molto più pronto per l&rsquo;enterprise.</p> <h2 id="perché-conta-anche-se-non-fai-ricerca-rl">Perché conta anche se non fai ricerca RL</h2> <p>Siamo onesti: termini come OpenEnv, post-training e world-modeling possono far disinteressare subito molti sviluppatori.</p> <p>Ma il takeaway pratico è più semplice della terminologia.</p> <p>Anche se non tocchi mai direttamente un ciclo di training, questo lavoro modella la storia della piattaforma per il futuro sviluppo degli agenti:</p> <ul> <li>le valutazioni diventano first-class</li> <li>l&rsquo;ottimizzazione diventa continua invece che occasionale</li> <li>gli ambienti diventano asset riutilizzabili</li> <li>un comportamento migliore dell&rsquo;agente diventa qualcosa di misurabile, non solo &ldquo;sembra migliore nelle demo&rdquo;</li> </ul> <p>È un grande passo avanti.</p> <h2 id="la-mia-opinione">La mia opinione</h2> <p>La cosa più intelligente di questo annuncio non è un singolo dettaglio di ricerca.</p> <p>È il framing.</p> <p>Microsoft sta chiaramente cercando di spostare l&rsquo;ecosistema dall&rsquo;ingegneria di prompt statici verso <strong>sistemi di agenti orientati ai risultati</strong>. Sistemi che possono essere valutati, regolati, governati e migliorati gradualmente.</p> <p>È lì che si trova il vero valore della piattaforma.</p> <p>E se oggi stai costruendo agenti, anche a livello applicativo, vale la pena seguire dove sta andando questa direzione.</p> <p>Pubblicazione originale: <a href="https://devblogs.microsoft.com/foundry/outcome-driven-learning-systems-enterprise-rl-with-openenv-and-foundry/">Sistemi di apprendimento orientati ai risultati: RL enterprise con OpenEnv e Foundry</a></p>