{"id":1718,"date":"2026-07-29T13:02:55","date_gmt":"2026-07-29T13:02:55","guid":{"rendered":"https:\/\/convly.ai\/?p=1718"},"modified":"2026-07-29T13:02:55","modified_gmt":"2026-07-29T13:02:55","slug":"microsoft-llm-routing-architecture-aks","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/microsoft-llm-routing-architecture-aks\/","title":{"rendered":"Architettura di instradamento LLM di Microsoft per agenti IA su AKS dettagliata"},"content":{"rendered":"<p>Secondo un report di InfoQ, Microsoft ha illustrato un\u2019architettura di instradamento LLM a tre livelli per agenti IA eseguiti su Azure Kubernetes Service (AKS). Questa architettura affronta una delle questioni operative pi\u00f9 pressanti nell\u2019ambito dell\u2019IA basata su agenti: quale modello deve rispondere a quale richiesta e quale parte dello stack deve prendere tale decisione. Sebbene il titolo di InfoQ fornisca pochi dettagli tecnici, questa divulgazione \u00e8 significativa perch\u00e9 l\u2019instradamento sta rapidamente diventando il punto di controllo per costi, latenza e qualit\u00e0 nei sistemi produttivi basati su agenti; il fatto che un importante fornitore cloud lo formalizzi come schema architetturale rappresenta un segnale degno di attenta considerazione.<\/p>\n<div class=\"convly-tldr\">\n<h3>Punti chiave<\/h3>\n<ul>\n<li>Secondo InfoQ, Microsoft ha illustrato un\u2019architettura di instradamento LLM a tre livelli per agenti IA eseguiti su Azure Kubernetes Service (AKS).<\/li>\n<li>L\u2019instradamento LLM determina quale modello gestisce ciascuna richiesta ed \u00e8 diventato un fattore chiave per controllare costi, latenza e qualit\u00e0 dell\u2019output nei sistemi basati su agenti.<\/li>\n<li>I carichi di lavoro basati su agenti moltiplicano le chiamate ai modelli per ogni attivit\u00e0, trasformando l\u2019instradamento intelligente da semplice ottimizzazione in una necessit\u00e0 economica.<\/li>\n<li>Costruire il router su AKS suggerisce che l\u2019instradamento viene trattato come infrastruttura di piattaforma, non come codice applicativo.<\/li>\n<li>Oltre al titolo, i dettagli tecnici rimangono limitati; il significato pi\u00f9 ampio \u00e8 che un grande fornitore cloud sta elevando l\u2019instradamento dei modelli a schema progettuale di prima classe.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_85 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a705c0fa4f20\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Attiva\/Disattiva<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a705c0fa4f20\"  aria-label=\"Attiva\/Disattiva\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/it\/microsoft-llm-routing-architecture-aks\/#What_InfoQ_reports_about_Microsofts_three-layer_routing_design\" >Cosa riporta InfoQ sull\u2019architettura di instradamento a tre livelli di Microsoft<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/microsoft-llm-routing-architecture-aks\/#Why_LLM_routing_has_become_critical_for_AI_agents\" >Perch\u00e9 l\u2019instradamento LLM \u00e8 diventato critico per gli agenti IA<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/microsoft-llm-routing-architecture-aks\/#Inside_a_layered_routing_stack_what_three_layers_typically_mean\" >All\u2019interno di uno stack di instradamento stratificato: cosa indicano tipicamente i tre livelli<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/microsoft-llm-routing-architecture-aks\/#Why_Azure_Kubernetes_Service_as_the_platform\" >Perch\u00e9 Azure Kubernetes Service come piattaforma<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/microsoft-llm-routing-architecture-aks\/#The_economics_routing_as_the_new_cost-control_layer\" >L\u2019aspetto economico: l\u2019instradamento come nuovo strato di controllo dei costi<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/microsoft-llm-routing-architecture-aks\/#What_it_means_for_teams_building_AI_agents\" >Cosa significa per i team che sviluppano agenti IA<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/microsoft-llm-routing-architecture-aks\/#Frequently_asked_questions\" >Domande frequenti<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/microsoft-llm-routing-architecture-aks\/#The_bottom_line\" >In sintesi<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_InfoQ_reports_about_Microsofts_three-layer_routing_design\"><\/span>Cosa riporta InfoQ sull\u2019architettura di instradamento a tre livelli di Microsoft<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>InfoQ, una pubblicazione focalizzata sull\u2019architettura software a livello professionale, ha trattato ci\u00f2 che definisce un\u2019architettura di instradamento LLM a tre livelli di Microsoft per agenti IA su AKS. Il contesto stesso \u00e8 gi\u00e0 significativo: non si tratta del lancio di un prodotto consumer, ma di una descrizione orientata all\u2019ingegneria su come instradare il traffico degli agenti tra modelli linguistici su infrastrutture Kubernetes gestite. Oltre al titolo, il materiale disponibile non elenca il contenuto di ciascun livello, non nomina modelli specifici coinvolti n\u00e9 riporta dati prestazionali, quindi qualsiasi affermazione dettagliata sugli aspetti interni va trattata con cautela fino all\u2019esame dell\u2019articolo completo. Ci\u00f2 che pu\u00f2 essere affermato con sicurezza \u00e8 che Microsoft presenta l\u2019instradamento \u2014 la logica che si interpone tra un agente e un pool di modelli \u2014 come un sistema strutturato e stratificato a s\u00e9 stante, e che AKS \u00e8 la piattaforma scelta per descriverlo. Per i team infrastrutturali, questa combinazione di instradamento e Kubernetes \u00e8 la vera notizia.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Why_LLM_routing_has_become_critical_for_AI_agents\"><\/span>Perch\u00e9 l\u2019instradamento LLM \u00e8 diventato critico per gli agenti IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Per comprendere perch\u00e9 questo \u00e8 rilevante, basta considerare come gli agenti utilizzano effettivamente i modelli. Una singola richiesta utente a un agente raramente genera una sola chiamata al modello. L\u2019agente potrebbe pianificare, suddividere il compito, selezionare strumenti, redigere, verificare, riassumere e riprovare \u2014 ogni passaggio genera la propria richiesta di inferenza. Alcuni di questi passaggi richiedono davvero un modello di ultima generazione; molti altri no. Inviare ogni chiamata al modello pi\u00f9 grande e costoso gonfia i costi e la latenza senza alcun guadagno qualitativo, mentre inviare tutto a un modello piccolo degrada i risultati nei passaggi complessi.<\/p>\n<p>L\u2019instradamento LLM \u00e8 la disciplina che abbinia ogni chiamata al modello pi\u00f9 economico adeguato allo scopo. Se implementato correttamente, pu\u00f2 ridurre sensibilmente i costi mantenendo invariata la qualit\u00e0, poich\u00e9 la distribuzione della difficolt\u00e0 tra i sotto-compiti di un agente \u00e8 fortemente sbilanciata verso quelli pi\u00f9 semplici. Con l\u2019aumento del numero di modelli disponibili \u2014 un panorama che puoi esplorare nel nostro <a href=\"https:\/\/convly.ai\/it\/models\/\">Database di modelli IA<\/a> \u2014 la decisione di instradamento diventa sia pi\u00f9 preziosa sia pi\u00f9 difficile da prendere manualmente. \u00c8 proprio questo il vuoto che un\u2019architettura formale di instradamento \u00e8 stata progettata per colmare.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Inside_a_layered_routing_stack_what_three_layers_typically_mean\"><\/span>All\u2019interno di uno stack di instradamento stratificato: cosa indicano tipicamente i tre livelli<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il titolo di InfoQ non specifica il contenuto dei tre livelli di Microsoft, quindi quanto segue rappresenta un contesto industriale generale, non un fatto riportato. Nella pratica, le architetture di instradamento stratificate tendono a separare tre aree distinte. La prima \u00e8 uno strato gateway o di policy: autenticazione, quote, isolamento per tenant, filtraggio per sicurezza e osservabilit\u00e0 \u2014 le garanzie attraverso cui ogni richiesta passa indipendentemente dalla destinazione. La seconda \u00e8 lo strato decisionale: la logica che classifica una richiesta in entrata in base alla difficolt\u00e0, al dominio o alla sensibilit\u00e0 alla latenza, selezionando di conseguenza un modello, un deployment o una regione, talvolta avvalendosi di un piccolo modello classificatore per prendere la decisione. La terza \u00e8 lo strato di servizio o backend: i pool di endpoint dei modelli stessi, con bilanciamento del carico, failover e verifica dello stato tra di essi.<\/p>\n<p>Separare queste responsabilit\u00e0 \u00e8 fondamentale perch\u00e9 evolvono a ritmi diversi. Le policy sono stabili; le euristiche di instradamento si aggiornano settimanalmente con i cambiamenti nei modelli e nei prezzi; i pool backend cambiano ogni volta che viene rilasciata una nuova versione di un modello. Un\u2019architettura stratificata consente ai team di aggiornare un singolo livello senza destabilizzare gli altri \u2014 lo stesso ragionamento che ha portato l\u2019infrastruttura web a separare i livelli edge, applicativo e dati una generazione fa. Se il design di Microsoft segue questo schema generale, introdurr\u00e0 una disciplina operativa consolidata in una porzione dello stack IA che molti team gestiscono ancora con istruzioni if ad hoc.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Why_Azure_Kubernetes_Service_as_the_platform\"><\/span>Perch\u00e9 Azure Kubernetes Service come piattaforma<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Posizionare il router su AKS, come indicato dal report di InfoQ, \u00e8 una scelta significativa. Kubernetes conferisce all\u2019infrastruttura di instradamento propriet\u00e0 che la logica integrata nell\u2019applicazione non possiede: scalabilit\u00e0 orizzontale automatica sotto traffico di agenti irregolare, isolamento a livello di rete tra tenant, rollout dichiarativo di nuove regole di instradamento e possibilit\u00e0 di eseguire server di modelli con GPU nello stesso cluster del router. Rende inoltre l\u2019architettura, in linea di principio, portabile, poich\u00e9 i primitivi Kubernetes si traducono tra ambienti diversi.<\/p>\n<p>Esiste anche una dimensione strategica. Un router nativo Kubernetes pu\u00f2 trovarsi frontalmente a un\u2019infrastruttura eterogenea: modelli API ospitati da un lato e modelli open-weight self-hosted eseguiti nel cluster dall\u2019altro, con lo strato di instradamento che arbitra tra loro per ogni richiesta. Per le organizzazioni che valutano questo compromesso, il nostro <a href=\"https:\/\/convly.ai\/it\/self-hosting-vs-api-calculator\/\">calcolatore self-hosting vs API<\/a> quantifica il punto di pareggio per un determinato carico di lavoro. Trattare l\u2019instradamento come infrastruttura del cluster, anzich\u00e9 come codice applicativo, \u00e8 ci\u00f2 che rende gestibili tali infrastrutture ibride.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_economics_routing_as_the_new_cost-control_layer\"><\/span>L\u2019aspetto economico: l\u2019instradamento come nuovo strato di controllo dei costi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La logica commerciale alla base dell\u2019instradamento \u00e8 semplice. I carichi di lavoro basati su agenti consumano molti token, e i prezzi dei token variano enormemente tra i vari livelli di modelli. Un router che invii anche solo met\u00e0 delle chiamate di un agente a un modello dieci volte meno costoso \u2014 senza alcuna perdita percettibile di qualit\u00e0 su quelle chiamate \u2014 trasforma l\u2019economia unitaria del prodotto costruito su di esso. \u00c8 per questo motivo che l\u2019instradamento \u00e8 passato da curiosit\u00e0 accademica a necessit\u00e0 produttiva, e perch\u00e9 \u00e8 significativo che i fornitori cloud descrivano architetture di riferimento per esso, per ogni team che esegue agenti su larga scala. Puoi modellare l\u2019effetto dello spostamento del traffico tra livelli di modelli con il nostro <a href=\"https:\/\/convly.ai\/it\/ai-api-cost-calculator\/\">Calcolatore dei costi delle API IA<\/a>e confrontare il valore tra modelli nel nostro <a href=\"https:\/\/convly.ai\/it\/ai-price-performance-index-2026\/\">Indice prezzo-prestazioni dell'IA<\/a>.<\/p>\n<p>Come contesto generale, i principali approcci di instradamento si confrontano come segue:<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Approccio<\/th>\n<th>Come funziona<\/th>\n<th>Punti di forza<\/th>\n<th>Compromessi<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Un solo modello per tutte le chiamate<\/td>\n<td>Ogni richiesta viene inviata a un unico modello prescelto<\/td>\n<td>Semplice; comportamento prevedibile<\/td>\n<td>Costi eccessivi per chiamate semplici o prestazioni insufficienti per chiamate complesse<\/td>\n<\/tr>\n<tr>\n<td>Instradamento statico basato su regole<\/td>\n<td>Regole scritte manualmente associano tipi di richiesta a modelli<\/td>\n<td>Trasparente; facile da verificare<\/td>\n<td>Fragile; richiede aggiornamenti manuali continui al variare dei modelli<\/td>\n<\/tr>\n<tr>\n<td>Instradamento dinamico stratificato<\/td>\n<td>Livelli dedicati gestiscono policy, selezione del modello e servizio<\/td>\n<td>Si adatta a ogni richiesta; scala operativamente; supporta infrastrutture ibride<\/td>\n<td>Richiede maggiore infrastruttura da costruire, monitorare e ottimizzare<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2><span class=\"ez-toc-section\" id=\"What_it_means_for_teams_building_AI_agents\"><\/span>Cosa significa per i team che sviluppano agenti IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Per gli sviluppatori, la conclusione pratica \u00e8 che l\u2019instradamento merita la stessa attenzione architetturale riservata alla logica dell\u2019agente stesso. I team che rilasciano agenti \u2014 dai bot di assistenza clienti ai sistemi rivolti agli sviluppatori descritti nella nostra guida a <a href=\"https:\/\/convly.ai\/it\/best-ai-coding-agents-2026\/\">agenti IA per la programmazione<\/a> \u2014 increasingly find that model selection per call, not prompt engineering, is the biggest remaining lever on cost and latency. A vendor-published reference architecture, even one whose details are still emerging, gives platform teams something concrete to benchmark their own designs against.<\/p>\n<p>Inoltre, essa suggerisce la direzione verso cui si sta muovendo l\u2019ecosistema: il routing come capacit\u00e0 gestita della piattaforma cloud, anzich\u00e9 un componente che ogni team deve sviluppare autonomamente. Se la logica di routing viene integrata nell\u2019infrastruttura a livello di cluster \u2014 ad esempio su servizi come AKS \u2014 la differenziazione tra prodotti per agent diventa sempre pi\u00f9 marcata nei livelli superiori dello stack (progettazione dei task, integrazione degli strumenti ed esecuzione delle valutazioni), mentre l\u2019infrastruttura sottostante tende a standardizzarsi.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Domande frequenti<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Cosa ha esattamente pubblicato Microsoft?<\/strong> Secondo InfoQ, Microsoft ha descritto un\u2019architettura di routing per modelli linguistici di grandi dimensioni (LLM) articolata su tre livelli, pensata per agent AI eseguiti su Azure Kubernetes Service (AKS). I contenuti specifici di ciascun livello e qualsiasi dato sulle prestazioni non sono stati specificati nel materiale disponibile al momento della stesura di questo articolo.<\/p>\n<p><strong>Cos\u2019\u00e8 il routing LLM?<\/strong> \u00c8 la pratica di indirizzare ogni richiesta di inferenza al modello pi\u00f9 appropriato all\u2019interno di un insieme di opzioni disponibili, bilanciando costi, latenza e qualit\u00e0 attesa \u2014 anzich\u00e9 inviare tutto il traffico a un singolo modello.<\/p>\n<p><strong>Perch\u00e9 eseguire un router LLM su Kubernetes?<\/strong> Kubernetes offre funzionalit\u00e0 quali il ridimensionamento automatico (autoscaling), l\u2019isolamento dei carichi di lavoro, la configurazione dichiarativa e il supporto per workload GPU; ci\u00f2 consente al routing di operare come infrastruttura condivisa a livello di piattaforma, capace di servire numerosi agent e team, invece di essere una logica duplicata all\u2019interno di ciascuna applicazione.<\/p>\n<p><strong>Il routing riduce effettivamente i costi dell\u2019IA?<\/strong> In generale, s\u00ec: poich\u00e9 la maggior parte dei sotto-task gestiti dagli agent \u00e8 relativamente semplice, reindirizzarli verso modelli meno costosi pu\u00f2 comportare una riduzione sostanziale della spesa, riservando invece i modelli premium solo alle richieste che ne necessitano effettivamente. L\u2019entit\u00e0 del risparmio dipende interamente dalla composizione del carico di lavoro.<\/p>\n<p><strong>Cosa resta ancora sconosciuto riguardo al design di Microsoft?<\/strong> I modelli coinvolti, la logica decisionale implementata nel livello di routing, i risultati dei benchmark e i dettagli sulla disponibilit\u00e0 generale non sono confermati dalla copertura giornalistica principale e devono essere verificati consultando integralmente il report di InfoQ e la documentazione ufficiale di Microsoft.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>In sintesi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L\u2019architettura di routing LLM su tre livelli di Microsoft, riportata da InfoQ, \u00e8 una divulgazione tecnica circoscritta ma dalle implicazioni ampie. Essa conferma che il routing dei modelli \u2014 ovvero la scelta, per ogni singola richiesta, di quale LLM debba eseguire il compito \u2014 ha ormai superato la fase di ottimizzazione interna per diventare un pattern architetturale esplicito e strutturato su pi\u00f9 livelli, documentato apertamente da un importante fornitore di servizi cloud per la propria offerta gestita di Kubernetes. Per chiunque gestisca agent AI in produzione, il messaggio \u00e8 inequivocabile: il router sta diventando il fulcro economico e operativo dello stack degli agent, e merita quindi una progettazione intenzionale, piuttosto che essere ereditato per caso. I dettagli specifici dell\u2019implementazione di Microsoft meritano un\u2019attenta analisi man mano che verranno resi noti ulteriori elementi.<\/p>\n<p><em>Fonti: news.google.com. Segnalato il 29 luglio 2026.<\/em><\/p>","protected":false},"excerpt":{"rendered":"<p>InfoQ reports that Microsoft has detailed a three-layer LLM routing architecture for AI agents on Azure Kubernetes Service, underlining routing&#8217;s growing role in controlling agent costs, latency and output quality.<\/p>","protected":false},"author":1,"featured_media":1794,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[7],"tags":[725,925,1031,1030,1032,1029,866],"class_list":["post-1718","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","tag-ai-agents","tag-ai-infrastructure","tag-aks","tag-azure-kubernetes-service","tag-infoq","tag-llm-routing","tag-microsoft"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1718","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/comments?post=1718"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1718\/revisions"}],"predecessor-version":[{"id":1720,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1718\/revisions\/1720"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/1794"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=1718"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=1718"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=1718"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}