RAN: un sistema AI agentico per la generazione completa di applicazioni web basate su Next.js

Abstract

La proliferazione di strumenti di sviluppo assistiti dall'intelligenza artificiale ha accelerato la produzione di applicazioni web; tuttavia, la generazione di codice full-stack completo, strutturato e pronto per il deployment a partire da prompt in linguaggio naturale rimane un problema complesso e ancora oggi non completamente risolto. I recenti progressi nell'ambito dell'Intelligenza Artificiale Agentica (Agentic AI) hanno introdotto sistemi capaci di decomporre autonomamente obiettivi complessi, coordinare agenti specializzati in compiti diversi e perfezionare iterativamente i risultati sulla base dei feedback dell'ambiente di esecuzione. Tali capacità si rivelano particolarmente adatte per i compiti tipici dell’ingegneria del software che richiedono una pianificazione a lungo termine, competenze specifiche per ogni ruolo e la correzione degli errori a runtime.

Questa tesi di laurea magistrale presenta RAN, un sistema multi-agente autonomo che genera applicazioni Next.js full-stack a partire da un singolo prompt in linguaggio naturale, orchestrando una pipeline di sette agenti specializzati che usano modelli LLM diversi (di OpenAI, Anthropic e Google Gemini). I risultati ottenuti sono progetti completi e funzionanti basati su componenti React, che utilizzano API REST, schemi di database Prisma e un layout basato su Tailwind CSS. Attraverso esperimenti condotti su diverse applicazioni di benchmark, questo studio analizza l'efficacia, l'efficienza in termini di costi e i limiti delle pipeline multi-agente basate su LLM nel dominio della generazione di applicazioni web full-stack.

The proliferation of AI-assisted development tools has accelerated the production of web applications, yet generating complete, structured, and deployable full-stack codebases from natural language remains a difficult and largely unaddressed problem. Recent advances in Agentic Artificial Intelligence have introduced systems capable of autonomously de- composing complex objectives, coordinating specialized reasoning agents, and iteratively refining outputs based on environmental feedback, capabilities particularly well-suited to software engineering tasks that require sustained planning, role-specific expertise, and run- time error recovery. This master’s thesis presents RAN, an autonomous multi-agent system that generates full-stack Next.js applications from a single natural-language prompt by or- chestrating a pipeline of seven specialised agents across multiple LLM providers, including OpenAI, Anthropic, and Google Gemini. The results are complete runnable projects based on React components, REST API routes, Prisma database schemas, and Tailwind CSS styling. Through experiments on different benchmark applications, this work analyses the effectiveness, cost efficiency, and limitations of LLM-driven multi-agent pipelines in the domain of full-stack web application generation.