Gli agenti basati su LLM non falliscono solo per un prompt sbagliato: falliscono (spesso) perché l’integrazione con strumenti e dati è artigianale, fragile e non riusabile. Ogni nuovo tool diventa un nuovo adapter, nuove policy, nuovi edge case. Nel 2026 l’hype più concreto, lato engineering, è l’interoperabilità: far sì che agenti e tool “parlino la stessa lingua”, in modo standard, componibile e sostenibile. In questo workshop costruiremo un sistema agentico completo in Python con LangGraph, eseguito in locale con un LLM open-source. Poi introdurremo Model Context Protocol (MCP) come strato di integrazione: realizzeremo un piccolo MCP server in Python che espone strumenti e contesto in modo strutturato (tool, risorse e prompt riusabili), e lo consumeremo dall’agente tramite le integrazioni LangChain per trasformare un set di capability in un componente riutilizzabile e “scopribile”. La parte centrale non è il “plumbing”, ma il design: vedremo come definire contratti robusti per i tool (schema input/output, error model, timeouts), come gestire permessi e confini di esecuzione, e come ridurre il coupling tra agente e integrazioni. Il risultato è un pattern local-first che permette di cambiare tool, sorgenti dati o persino client MCP senza riscrivere l’applicazione, rendendo l’evoluzione del sistema più rapida e meno rischiosa. Chiuderemo con una dimostrazione “da produzione”: lo stesso ecosistema di tool viene riusato in più workflow agentici, e un agente LangGraph può persino essere esposto come tool MCP e riutilizzato da client esterni, mostrando come gli agenti diventino componenti interoperabili, non demo isolate. Questo workshop è pensato per sviluppatori Python che vogliono andare oltre integrazioni one-off e costruire sistemi agentici moderni, modulari e portabili, mantenendo il controllo in locale e appoggiandosi a uno standard aperto che sta rapidamente diventando infrastruttura condivisa dell’ecosistema agentico.