Ho Automatizzato le Mie Sottomissioni da Freelance con Agenti AI

Ciao a tutti, Emma qui da agent101.net!

È il 2 aprile 2026 e sono ancora entusiasta di un piccolo progetto che ho affrontato la scorsa settimana. Sapete come va – scorri Twitter (o come si chiama X al giorno d’oggi), vedi qualcuno menzionare una nuova applicazione interessante per agenti AI e all’improvviso il tuo cervello si attacca. Per me, si trattava di automatizzare una parte super ripetitiva e leggermente fastidiosa del mio flusso di lavoro personale: tenere traccia delle mie sottomissioni di articoli freelance.

Scrivo molto, come probabilmente saprete. E ogni articolo passa attraverso alcune fasi: stesura, invio a un editor, attesa di feedback, revisione e infine, ricevere il pagamento (la parte migliore!). Tenere sotto controllo tutto questo tra più clienti e piattaforme può essere complicato. Prima mi affidavo a un foglio di calcolo complesso e a un sacco di ginnastica mentale. Poi mi è venuto in mente: un agente AI potrebbe gestirlo completamente. Non solo tenerne traccia, ma anche *ricordarmi*, *aggiornare* gli stati e persino *stendere* email di follow-up. Testa. Esplosa.

Quindi, oggi voglio parlare di qualcosa di super specifico e incredibilmente pratico per chiunque stia appena iniziando nel mondo degli agenti AI: Costruire il tuo primo agente assistente personale per l’automazione dei compiti. Non stiamo parlando di implementazioni aziendali da milioni di dollari. Parliamo di un agente semplice e diretto che rende la tua vita un po’ più facile, proprio ora. Pensalo come il tuo primo passo per diventare un sussurratore di agenti AI.

Perché un Agente Assistente Personale?

Onestamente, è il punto di partenza perfetto. Quando costruisci qualcosa per te stesso, sei intrinsecamente motivato. Sai esattamente cosa hai bisogno che faccia, quali sono i tuoi punti critici e come appare il successo. Questo ciclo immediato di feedback è inestimabile per l’apprendimento. Inoltre, le poste in gioco sono basse. Se si rompe, è solo la tua lista di compiti personale che è un po’ disordinata, non l’infrastruttura critica di un’azienda.

Il mio obiettivo con questo articolo non è darti un prodotto finito da copiare e incollare. È guidarti attraverso il processo di pensiero, gli strumenti che ho considerato e i piccoli momenti di “aha!” che ho avuto, così potrai applicare gli stessi principi alle tue sfide di automazione personale.

Il Mio Incubo del Tracker delle Sottomissioni – E Come un Agente Mi Ha Salvato

Entriamo nei dettagli. Il mio vecchio sistema era così:

• Un Google Sheet con colonne: Cliente, Titolo Articolo, Data di Sottomissione, Editor, Stato (Bozza, Inviato, Attesa Feedback, Revisionato, Pagato), Data di Scadenza del Pagamento, Note.
• Promemoria sul calendario per le scadenze dei pagamenti.
• Aggiornamenti manuali dopo ogni scambio di email.
• Occasionali follow-up dimenticati, portando a pagamenti ritardati (la mia parte meno preferita!).

Il sogno? Un agente che:

• Monitora la mia Gmail per nuove sottomissioni di articoli o risposte degli editor.
• Aggiorna automaticamente lo stato nel mio foglio.
• Mi invia un riepilogo quotidiano degli articoli che necessitano di attenzione (ad es., “Attesa Feedback” per più di 3 giorni, “Pagamento Dovuto Presto”).
• Può stendere un’email di follow-up cortese se approvo.

Quella finale sembrava un po’ ambiziosa per un “primo agente”, quindi ho ridotto le mie aspettative. La chiave quando inizi è definire un obiettivo piccolo e raggiungibile. Il mio obiettivo iniziale era semplicemente automatizzare gli aggiornamenti di stato e ricevere promemoria quotidiani.

Scegliere il Cervello e gli Strumenti del Tuo Agente

Va bene, quindi hai un problema. Ora, cosa usi per risolverlo? Per i principianti, consiglio vivamente di attenersi a API di alto livello e framework esistenti. Non cercare di costruire un modello fondamentale da zero – impazzirai. Ecco cosa ho considerato:

Il Core LLM: Modelli GPT di OpenAI

Questo è stato ovvio per me. La loro API è ben documentata, potente e relativamente facile da integrare. È la più familiare per me e per compiti basati su testo come comprendere email e redigere messaggi, è eccellente. Ho scelto GPT-4 per le sue capacità logiche, anche se è un po’ più costoso, perché volevo precisione nell’interpretare le email.

Framework di Orchestrazione: LangChain vs. AutoGen vs. Python Puro

Qui le cose si fanno interessanti. Un agente non è solo un LLM. Deve percepire, pianificare, agire e riflettere. I framework ti aiutano a costruire queste capacità senza reinventare la ruota.

• LangChain: Super popolare, molti tutorial, ottimo per concatenare diversi strumenti e modelli. Ha un po’ di curva di apprendimento, ma è molto flessibile.
• AutoGen: L’offerta di Microsoft, focalizzata sulle conversazioni tra più agenti. Questo sembrava un po’ eccessivo per il mio assistente personale a singolo agente, ma è molto interessante per scenari più complessi.
• Python Puro con Chiamate API: Chiamare direttamente l’API di OpenAI e scrivere tutta la logica da solo. Questo è allettante per la semplicità ma può rapidamente diventare codice spaghetti se non lo strutturi bene.

Alla fine ho optato per un approccio misto: principalmente Python puro per la logica di base e le chiamate API, ma incorporando manualmente alcuni concetti simili a LangChain (come l’uso degli strumenti) per comprenderli meglio. Per un vero principiante, un esempio più semplice di LangChain sarebbe probabilmente un inizio migliore, ma volevo davvero sporcarmi le mani con le interazioni API grezze.

Strumenti per l’Interazione: Gmail API, Google Sheets API

Per il mio agente per “vedere” e “agire”, aveva bisogno di accesso alla mia email e al mio foglio di calcolo. Entrambe le API di Google Workspace sono ben documentate e dispongono di librerie client Python. Configurare l’autenticazione (OAuth 2.0) può essere un po’ complicato, ma ci sono molte guide disponibili.

• Gmail API: Per leggere il contenuto delle email e cercare parole chiave specifiche (come “articolo sottomesso,” “feedback,” “pagamento confermato”).
• Google Sheets API: Per leggere e aggiornare il mio foglio di calcolo delle sottomissioni.

Elementi Fondamentali del Mio Agente

Analizziamo l’architettura di base del mio agente tracker delle sottomissioni. È un semplice ciclo, che funziona secondo un programma.

1. Percezione: Lettura delle Email

Il primo passo è che l’agente “veda” cosa sta succedendo. Ho scritto uno script Python che utilizza l’API di Gmail per recuperare le email delle ultime 24 ore. Filtra queste email per includere solo quelle di editor o clienti conosciuti. Questo riduce significativamente il rumore.

from google.oauth2.credentials import Credentials
from google_auth_oauthlib.flow import InstalledAppFlow
from googleapiclient.discovery import build
import datetime

SCOPES = ['https://www.googleapis.com/auth/gmail.readonly']

def get_gmail_service():
 # Carica le credenziali o passa attraverso il flusso OAuth
 # Questa parte implica configurare credentials.json e token.json
 # Fai riferimento al Quickstart di Google per Python per la configurazione completa
 creds = None
 # ... (logica di caricamento/aggiornamento delle credenziali) ...
 service = build('gmail', 'v1', credentials=creds)
 return service

def fetch_emails(service, sender_list):
 today = datetime.date.today()
 yesterday = today - datetime.timedelta(days=1)
 query = f"after:{yesterday.strftime('%Y/%m/%d')} before:{today.strftime('%Y/%m/%d')}"
 
 messages = []
 for sender in sender_list:
 full_query = f"{query} from:{sender}"
 results = service.users().messages().list(userId='me', q=full_query).execute()
 msgs = results.get('messages', [])
 for msg in msgs:
 msg_data = service.users().messages().get(userId='me', id=msg['id'], format='full').execute()
 messages.append(msg_data)
 return messages

# Esempio di utilizzo (semplificato)
# gmail_service = get_gmail_service()
# important_senders = ["[email protected]", "[email protected]"]
# recent_emails = fetch_emails(gmail_service, important_senders)
# print(f"Recuperate {len(recent_emails)} email rilevanti.")

2. Pianificazione & Interpretazione: Cosa Significano Queste Email?

Qui entra in gioco l’LLM. Per ogni email rilevante, estraggo l’oggetto e il corpo. Poi, invito GPT-4 a interpretare l’intento dell’email e identificare le informazioni chiave. Ho definito alcuni “stati” per i miei articoli:

• SUBMITTED
• FEEDBACK_RECEIVED
• REVISION_SENT
• PAID
• OTHER_UPDATE

Il prompt che ho usato era qualcosa del tipo:

"You are an AI assistant analyzing emails related to article submissions. 
Your goal is to determine the current status of an article based on the email content.
Identify the article title if mentioned.
Possible statuses: SUBMITTED, FEEDBACK_RECEIVED, REVISION_SENT, PAID, OTHER_UPDATE.
If the email asks for a revision, the status is FEEDBACK_RECEIVED.
If the email confirms payment, the status is PAID.
If the email acknowledges receipt of a revision, the status is REVISION_SENT.
If the email is the initial submission, the status is SUBMITTED.
Output your answer as a JSON object with 'article_title' and 'status'.
If you cannot determine, use 'UNKNOWN' for title and 'OTHER_UPDATE' for status.

Email Subject: 'Re: Your draft on AI Agents'
Email Body: 'Hi Emma, Thanks for sending this over! We've reviewed the draft on AI Agents and have a few comments for you to look at. Please make the suggested changes by end of day Friday.'
"

E l’output previsto:

{
 "article_title": "AI Agents",
 "status": "FEEDBACK_RECEIVED"
}

3. Azione: Aggiornamento del Foglio di Calcolo

Una volta che l’LLM fornisce lo stato interpretato e il titolo dell’articolo, l’agente deve agire. Questo significa interagire con il mio Google Sheet. Recupero le righe attuali, trovo l’articolo corrispondente (o creo una nuova voce se si tratta di una nuova sottomissione) e aggiorno la colonna ‘Stato’.

from googleapiclient.discovery import build

SPREADSHEET_ID = 'YOUR_SPREADSHEET_ID_HERE'
RANGE_NAME = 'Sheet1!A:Z' # Modifica in base al nome e all'intervallo del tuo foglio

def get_sheets_service():
 # Caricamento credenziali simile a Gmail, utilizzando il raggio 'https://www.googleapis.com/auth/spreadsheets'
 creds = None
 # ... (logica di caricamento/rinnovo credenziali) ...
 service = build('sheets', 'v4', credentials=creds)
 return service

def update_spreadsheet_status(service, article_title, new_status):
 result = service.spreadsheets().values().get(
 spreadsheetId=SPREADSHEET_ID, range=RANGE_NAME).execute()
 values = result.get('values', [])

 if not values:
 print("Nessun dato trovato nel foglio di calcolo.")
 return

 headers = values[0]
 data_rows = values[1:]

 # Trova l'indice della colonna per 'Titolo Articolo' e 'Stato'
 title_col_idx = headers.index('Article Title') if 'Article Title' in headers else -1
 status_col_idx = headers.index('Status') if 'Status' in headers else -1

 if title_col_idx == -1 or status_col_idx == -1:
 print("Colonne richieste 'Article Title' o 'Status' non trovate.")
 return

 found = False
 for i, row in enumerate(data_rows):
 if len(row) > title_col_idx and row[title_col_idx].strip().lower() == article_title.strip().lower():
 # Aggiorna lo stato nella riga
 row[status_col_idx] = new_status
 
 # Prepara la richiesta di aggiornamento
 range_to_update = f'Sheet1!{chr(ord("A") + status_col_idx)}{i+2}' # +2 a causa della riga di intestazione e dell'indice 0
 body = {'values': [[new_status]]}
 service.spreadsheets().values().update(
 spreadsheetId=SPREADSHEET_ID, range=range_to_update,
 valueInputOption='RAW', body=body).execute()
 print(f"Aggiornato '{article_title}' allo stato '{new_status}'.")
 found = True
 break
 
 if not found:
 print(f"Articolo '{article_title}' non trovato. Considera di aggiungerlo come nuova voce.")
 # La logica per aggiungere una nuova riga potrebbe andare qui
 
# Esempio di utilizzo (semplificato)
# sheets_service = get_sheets_service()
# update_spreadsheet_status(sheets_service, "AI Agents", "FEEDBACK_RECEIVED")

4. Riflessione & Risultati: Digest Giornaliero

Infine, l’agente compila un digest giornaliero. Legge l’intero foglio di calcolo, identifica gli articoli che sono “In attesa di feedback” da troppo tempo, o “Pagamento in scadenza a breve,” e poi invia *a me* una email con questo riepilogo. Questo mi tiene informato senza che io debba controllare attivamente il foglio.

Questa parte utilizza anche l’API di Google Sheets per leggere e poi l’API di Gmail (o semplicemente un client SMTP semplice) per inviarmi un’email. In effetti, richiedo nuovamente a GPT-4 di redigere l’email di digest in un tono amichevole.

I miei momenti “Aha!” e lezioni apprese

Ecco alcune cose su cui ho inciampato e che ho capito lungo il cammino:

1. L’autenticazione è fastidiosa ma cruciale: Ottenere il flusso OAuth 2.0 corretto per Gmail e Google Sheets ha richiesto un’ora solida di debug. Segui attentamente le guide di avviamento veloce!
2. L’ingegneria dei prompt è tutto: La qualità dell’output del tuo LLM dipende direttamente dalla chiarezza e dalla specificità dei tuoi prompt. Ho iterato sul mio prompt di determinazione dello stato diverse volte. Aggiungere esempi (prompt a pochi colpi) ha notevolmente migliorato l’accuratezza.
3. Inizia in piccolo, iterare spesso: La mia visione iniziale era complessa. Ho semplificato portando l’attenzione solo sull’interpretazione delle email e sugli aggiornamenti del foglio. Una volta che questo ha funzionato, ho aggiunto il digest giornaliero. Questo approccio iterativo previene il sovraccarico.
4. La gestione degli errori è tua amica: E se il titolo dell’articolo non è nell’email? E se il foglio è vuoto? E se la chiamata API fallisce? Prevedi questi problemi e aggiungi blocchi try-except.
5. Pianificazione: Per eseguirlo regolarmente, ho semplicemente impostato un cron job sulla mia macchina locale per eseguire lo script Python ogni mattina. Per qualcosa di più strutturato, puoi dare un’occhiata alle funzioni cloud (AWS Lambda, Google Cloud Functions).
6. Monitoraggio dei costi: Tieni d’occhio il tuo utilizzo dell’API! Per un agente personale, i costi sono solitamente trascurabili, ma è una buona pratica.

Considerazioni pratiche per il tuo primo agente

Bene, come puoi applicare questo alla tua vita?

1. Identifica un compito personale ripetitivo: Pensa a qualcosa che fai regolarmente e che sembra noioso. Potrebbe essere:
   • Organizzare i file scaricati in cartelle specifiche.
   • Riassumere le notizie quotidiane da fonti specifiche.
   • Tracciare le spese da estratti conto bancari.
   • Ricordarti delle bollette ricorrenti.
2. Definisci un obiettivo chiaro e piccolo: Non cercare di costruire Skynet. Punta a un risultato specifico e misurabile. Il mio obiettivo era “automatizzare gli aggiornamenti dello stato degli articoli.”
3. Scegli i tuoi strumenti: Per i principianti, consiglio:
   • LLM: API di OpenAI (GPT-3.5-turbo o GPT-4).
   • Orchestrazione: Inizia con semplici script Python e chiamate API dirette. Se ti senti a tuo agio, esplora LangChain per l’integrazione degli strumenti.
   • Servizi esterni: Qualsiasi strumento con cui il tuo compito interagisce (Gmail, Notion, Trello, file locali, API meteorologiche, ecc.). Trova le loro librerie client per Python.
4. Smonta il compito: Decomponi il tuo compito nelle funzioni chiave dell’agente: Percepire (input), Pianificare (interpretazione LLM), Agire (uso dello strumento), Riflettere (output/riepilogo).
5. Scrivi il tuo primo prompt: Questo è probabilmente la parte più importante. Sii preciso. Fai esempi. Dì al LLM esattamente in quale formato vuoi l’output (ad esempio, JSON).
6. Codifica in modo incrementale: Costruisci un pezzo alla volta. Fai funzionare il recupero delle email. Poi fai interpretare un’email dal LLM. Poi aggiorna il foglio. Non cercare di codificarlo tutto in una volta.
7. Testa, testa, testa: Prova con vari input. E se l’email è leggermente diversa? E se il titolo dell’articolo non è esatto?

Costruire questo semplice agente è stato incredibilmente gratificante. Non si tratta solo di risparmiare qualche minuto qua e là; si tratta di comprendere il potenziale di questi strumenti e guadagnare fiducia nel costruirli. Non devi essere un ingegnere del software senior per iniziare a far funzionare gli agenti AI per te. Devi solo avere un problema da risolvere e la volontà di imparare.

Quindi, quale compito personale automatizzerai per primo? Fammi sapere nei commenti! Buon lavoro!

🕒 Published: April 4, 2026