Kimi K2.5 e Agent Swarm: una guida con quattro esempi pratici

Lo svantaggio è che alcune affermazioni nel write-up finale risultano poco citate o troppo assolute, e la guida sarebbe più forte con link, fonti e assunzioni più chiare (hardware, dimensione del modello, batch size, lunghezza del contesto), dato che i consigli per la produzione dipendono molto dal contesto. Nel complesso, però, ha gestito un prompt complesso e articolato restituendo un playbook netto e subito utilizzabile, dall’aspetto pronto per la produzione. 

Creazione e annotazione di dataset

Successivamente ho testato Agent Swarm su un task di costruzione dataset chiedendo a Kimi K2.5 di generare un benchmark di 100 problemi di matematica in linguaggio naturale con soluzioni e livelli di difficoltà. Ho anche richiesto esplicitamente di usare 20 agenti per vedere quanto rispettasse il vincolo sulla dimensione dello swarm mantenendo la qualità.

Prompt: 

Build a small benchmark dataset of 100 math word problems with step-by-step solutions and difficulty labels. Use at least 20 agents to generate problems in parallel, verify solutions independently, and calibrate difficulty.Offerto da

Kimi K2.5 Agent Swarm ha trattato la creazione del dataset come una pipeline in tre fasi: generazione, verifica e calibrazione. Sebbene il prompt richiedesse almeno 20 agenti, il sistema ha avviato autonomamente 25 sotto-agenti, privilegiando la correttezza rispetto all’aderenza rigida al numero richiesto. È stato interessante osservare che circa cinque agenti lavoravano attivamente alla volta mentre altri erano in coda e riprendevano quando i sotto-task precedenti finivano, il che suggerisce un meccanismo di scheduling interno. 

Ogni agente di generazione gestiva un dominio matematico distinto e produceva cinque problemi con soluzioni passo-passo, dopodiché 10 agenti sono stati assegnati alla verifica e un gruppo più piccolo di cinque agenti si è concentrato sulla calibrazione della difficoltà. 

Il punto di forza qui è la chiara separazione delle responsabilità e la ridondanza nella verifica, che migliora in modo concreto la qualità del dataset. Il principale svantaggio è la latenza e un collo di bottiglia sequenziale. 

L’esecuzione completa ha richiesto circa 20–25 minuti, rendendo questo approccio più adatto alla creazione di benchmark di alta qualità che a iterazioni rapide. Anche con 25 agenti, alcuni hanno dovuto attendere che altri finissero, il che significa che lo swarm è comunque limitato dalla logica degli step.

Detto questo, la capacità di regolare dinamicamente il numero di agenti per ogni sotto-task, riutilizzare quelli inattivi e convergere su un dataset etichettato è una solida dimostrazione di come si comporta Agent Swarm. 

QA multimodale su larga scala 

Poi ho spinto Kimi K2.5 in un workflow multimodale fornendo più immagini di etichette nutrizionali e chiedendo un confronto strutturato. L’obiettivo era valutare quanto bene sapesse estrarre, normalizzare e verificare dati visivi.

Prompt: 

I’m sharing images of nutrition labels from 7 packaged food items. Analyze them and produce a clear comparison specifically:
Extract fields like: calories, protein, total fat, sugar, sodium,  from each label.Normalize all values to a per-100g basis so items are comparableDouble-check numeric consistency (e.g. serving size vs totals)Rank the products from healthiest to least healthy, explaining the reasoningReturn a comparison table with normalized values for all items. Also include a summary highlighting, best high-protein option, the lowest sugar option, and items to avoid and why.
Assume the labels may vary in format and serving size. Resolve ambiguities where possible and note any missing or unclear values.Offerto da

In questo esperimento di QA multimodale, Kimi K2.5 Agent Swarm ha scomposto il compito assegnando una label per sotto-agente, avviando sette sotto-agenti paralleli per estrarre i campi nutrizionali da ciascuna immagine, mentre un agente coordinatore gestiva normalizzazione, cross-check e ranking. 

Una cosa interessante di Kimi è che i vincoli specificati nel prompt (estrazione, normalizzazione, verifica, ranking) diventano di fatto il blueprint secondo cui Kimi istanzia e assegna i sotto-agenti.

Ciò che mi ha colpito è il modo in cui lo swarm ha trattato la verifica come uno step importante: dopo l’estrazione, l’orchestrator ha esplicitamente riconciliato le porzioni, normalizzato i valori e segnalato le ambiguità invece di indovinare in silenzio. Il passaggio di sintesi finale, con il ranking dei prodotti e l’individuazione delle opzioni più proteiche e a minor contenuto di zuccheri, ha mostrato una forte logica di aggregazione su input visivi.

Di contro, analizzare 7 immagini ad alta risoluzione con uno swarm è pesante a livello computazionale, rendendolo una funzionalità premium più che uno strumento da chat rapida. 

Questo esempio ha anche messo in luce un limite attuale: mentre l’analisi multimodale basata su immagini ha funzionato bene, l’input video diretto non era supportato, quindi un tentativo successivo di generare una ricetta da un video di cucina non è stato eseguibile. 

Nel complesso, questa demo evidenzia la forza di Agent Swarm nell’estrazione visiva in parallelo e nella riconciliazione strutturata.

Sviluppare un gioco

Infine, ho testato le capacità di coding di Kimi K2.5 chiedendogli di creare da zero un gioco Bubble Shooter completamente interattivo. Questo esperimento mostra come il modello gestisce la generazione di codice end-to-end e stateful, dove la coerenza conta più del parallelismo.

Prompt: 

```markdown

Crea un gioco Bubble Shooter completamente giocabile che giri localmente in un browser web. Il gioco deve supportare mira con mouse e touch, mostrare una guida visiva della mira in tempo reale, sparare bolle colorate dal centro in basso, far rimbalzare i colpi sulle pareti laterali e agganciare le bolle a una griglia in alto alla collisione. 

Implementa la logica di gioco principale, inclusi lo scoppio di gruppi di tre o più bolle collegate dello stesso colore, la caduta di cluster disconnessi, il tracciamento e la visualizzazione del punteggio, l’anteprima della prossima bolla e la fine della partita quando le bolle superano una linea di pericolo vicino al fondo.

Mantieni la grafica semplice ma reattiva, includi un pulsante di riavvio e termina con brevi istruzioni su come eseguire e testare il gioco in locale.

```

In questo esperimento di sviluppo del gioco, Kimi K2.5 Agent Swarm ha fatto una scelta notevolmente conservativa assegnando un unico sotto-agente all’intero task. 

Questa decisione è di per sé interessante perché il sistema ha riconosciuto correttamente che si trattava di un problema di coding strettamente accoppiato e stateful, in cui un forte parallelismo avrebbe aggiunto overhead di coordinamento senza alcun beneficio. 

L’agente ha prodotto un’implementazione di Bubble Shooter completa e eseguibile in locale con mira, rimbalzi sulle pareti, aggancio alla griglia, popping match-three, tracciamento del punteggio e logica di riavvio, mostrando sia le meccaniche di gioco che il flusso UI. 

Mi è piaciuto in particolare che l’output fosse coerente e integrato; il rovescio della medaglia è che rifinitura e polishing richiederebbero probabilmente prompt iterativi, dato che tutto passa da un singolo agente. 

Nel complesso, questo esempio dimostra bene che Agent Swarm in Kimi K2.5 non consiste nel generare sempre più agenti, ma nell’usare il parallelismo solo quando migliora davvero i risultati.

Conclusioni

In questo tutorial, Kimi K2.5 ha dimostrato di saper scomporre compiti complessi, allocare dinamicamente gli agenti e produrre output strutturati e pronti alle decisioni che tradizionalmente richiederebbero un piccolo team, non un singolo modello.

Allo stesso tempo, gli esempi ne chiariscono i confini. 

Agent Swarm eccelle in workflow ampi e ricchi di strumenti come ricerca, costruzione di dataset ed estrazione multimodale, ma offre scarso vantaggio per task strettamente accoppiati e stateful come lo sviluppo di giochi interattivi. 

Introduce anche trade-off concreti su latenza, costi e velocità di iterazione, soprattutto quando si danno priorità a verifica e riconciliazione rispetto al throughput puro.

Nel complesso, Kimi K2.5 offre un blueprint convincente sulla direzione dei sistemi agentici. Per sviluppatori e ricercatori a loro agio con i workflow basati su agenti, è uno dei modelli più interessanti da esplorare oggi.

Se vuoi approfondire come funziona l’AI agentica, ti consiglio di dare un’occhiata allo skill track AI Agent Fundamentals.