Come creare un agente IA con Claude nel 2026 : la guida pratica

Creare un agente IA con Claude significa mettere insieme tre componenti: un modello capace di chiamare strumenti, un loop che esegue queste chiamate, e una scelta di tier che non fa esplodere il conto. L'API Claude espone tutto questo nativamente. Quello che blocca più spesso non è l'architettura, ma la scelta del modello.

Questa guida parte da zero e copre cinque step concreti, dalla scelta del modello fino al deploy in produzione, con i problemi che vediamo tornare dai nostri clienti. Se venite piuttosto dal no-code, rimane utile: capire cosa succede sotto il cofano evita un sacco di brutte sorprese sulla fatturazione.

1. Scegliere il modello Claude giusto per il vostro agente

Anthropic ha rivoluzionato la sua lineup quest'anno. Finita l'era del flagship unico: la linea Claude 5 si basa su tre tier dedicati, Opus 5, Sonnet 5 e Fable 5, che condividono tutti una finestra di contesto di un milione di token al livello dell'API.

tech-insider.org, Claude Opus 5 vs Sonnet 5 vs Fable 5, agosto 2026 "Anthropic's Claude 5 lineup replaced the old single-flagship approach with three purpose-built tiers, all sharing a 1-million-token context window at the API level."

Secondo questo articolo, Opus 5 è stato lanciato il 24 luglio 2026. È il modello da riservare a compiti di ragionamento complesso: pianificazione multi-step, orchestrazione tra agenti. Sonnet 5 copre la maggior parte dei casi d'uso di agente classico, supporto clienti, estrazione dati, riassunto di ticket. Fable 5, invece, punta su velocità e costo per compiti ripetitivi ad alto volume.

La maggior parte dei team parte dal modello più costoso, per istinto. Raramente è necessario. Sul costo, appunto: Fable 5.1 fattura 10 $ per milione di token in ingresso e 50 $ per milione in uscita, al di fuori della cache.

VentureBeat, 1° settembre 2026 "Fable 5.1 retains Fable 5's headline API rates: $10 per 1 million input tokens and $50 per million output."

Secondo VentureBeat, la lettura dalla cache costa il 75 % in meno con questa versione. Concretamente: se il vostro agente rilegge lo stesso prompt di sistema a ogni chiamata, attivare la cache cambia la fattura di fine mese.

Trabocchetto: partire con Opus 5 "perché è il più potente" per un agente che fa semplice classificazione. Testate prima sul tier meno costoso. Salite solo se la qualità dell'output lo richiede davvero.

2. Definire gli strumenti che l'agente può chiamare

Un agente senza strumenti è un chatbot. Niente di più. La differenza si gioca qui: descrivete ogni funzione disponibile con uno schema JSON, e il modello decide da solo quando chiamarla.

{
  \"name\": \"get_order_status\",
  \"description\": \"Recupera lo stato di un ordine dal suo numero\",
  \"input_schema\": {
    \"type\": \"object\",
    \"properties\": {
      \"order_id\": { \"type\": \"string\" }
    },
    \"required\": [\"order_id\"]
  }
}

Il modello ritorna un blocco tool_use quando ritiene la chiamata necessaria. Il vostro codice esegue la funzione vera, poi ritorna il risultato nel turno di conversazione seguente. È tutto il principio del function calling nativo dell'API Claude, nessun framework di terze parti necessario per iniziare.

Un agente può anche richiedere due o tre strumenti nello stesso turno, in parallelo. È utile per un agente che deve incrociare un ordine Shopify e un ticket di supporto prima di rispondere, per esempio.

3. Costruire il loop dell'agente (agent loop)

È qui che la maggior parte dei tutorial si ferma troppo presto. Un agente non è una sola chiamata API. È un loop che gira finché il modello richiede strumenti.

Il flusso tipico:

1. Inviare il messaggio dell'utente e la lista degli strumenti disponibili
2. Se la risposta contiene un tool_use, eseguire la funzione corrispondente
3. Ritornare il risultato al modello in un nuovo messaggio
4. Ripetere finché il modello non ritorna una risposta finale senza richiesta di strumento

Trabocchetto: dimenticare un limite di turni. Un agente mal definito può entrare in loop su uno strumento che ritorna sempre un errore, consumando token a ogni iterazione senza mai fermarsi. Un massimale di dieci turni basta per la maggior parte dei casi che trattiamo nei nostri clienti.

Avevamo dettagliato questo genere di deriva nel nostro articolo sul costo degli agenti IA in produzione: il loop mal limitato è proprio una delle cause più frequenti di fatture che esplodono.

4. Aggiungere memoria e contesto persistente

Un agente che dimentica tutto tra due sessioni non è molto utile per un uso aziendale. Due opzioni: gestire la memoria voi stessi riassumendo e reiniettando la cronologia, oppure passare per un server MCP che espone una fonte dati esterna come memoria persistente.

Eravamo entrati nei dettagli del protocollo nel nostro articolo sulla definizione del server MCP. Per riassumere rapidamente: MCP standardizza il modo in cui un agente si connette a un database, un CRM o un sistema di file, senza riscrivere un connettore per ogni strumento e per ogni client.

Con la cache del prompt al 75 % più conveniente su Fable 5.1, mantenere un contesto lungo diventa nettamente meno penalizzante finanziariamente di qualche mese fa. Cambia il calcolo per gli agenti che devono ricordarsi di un'intera cronologia di conversazione.

5. Proteggere e monitorare l'agente prima del deploy in produzione

Prima di collegare un agente a dati reali, tre verifiche sono d'obbligo. Limitare i permessi di ogni strumento al minimo necessario. Loggare ogni chiamata di strumento con il suo costo in token. Prevedere una modalità degradata se l'API ritorna un errore. Queste tre verifiche sono la base di ogni agente IA in produzione, indipendentemente dal modello scelto.

Abbiamo visto questo scenario presso un cliente che gestisce supporto e-commerce: uno strumento che ritornava sistematicamente un errore, nessun limite di turni, e una sessione che ha girato tutta una notte prima che qualcuno se ne accorgesse.

Anthropic stessa documenta questo tema dal punto di vista della sicurezza. I suoi team hanno pubblicato una ricerca su come agenti Claude, in ambiente controllato, hanno contribuito a correggere falle di allineamento, segno che l'affidabilità degli agenti autonomi va ben oltre il quadro di un tutorial tecnico.

Se il vostro team ha meno di cinque sviluppatori, non costruite un sistema di observabilità da zero. Una tabella Postgres con il costo per chiamata e il nome dello strumento basta per iniziare. Affinerete più tardi.

Conclusione

Tre cose da ricordare. La scelta del modello, Opus 5, Sonnet 5 o Fable 5, pesa più sul vostro budget dell'architettura del loop stesso. Il loop dell'agente deve sempre avere un limite di turni, senza eccezioni. E la memoria persistente va pensata fin dall'inizio, non in urgenza dopo il primo bug in produzione.

Se volete che guardiamo insieme come collegare un agente IA ai vostri strumenti aziendali esistenti, il team fstck.co accompagna questo tipo di progetto da cima a fondo.