Coding Agent

Programmazione tramite agenti guidati da Large Language Model. Per Salvatore Sanfilippo (antirez) è una scommessa che, man mano che passa il tempo, si rivela sempre più azzeccata. ¹

Evoluzione

• Nelle fasi iniziali di Claude Code Sanfilippo non li usava: perdeva più tempo di quello che guadagnava, la qualità era infima ¹
• L'uso massiccio è iniziato con Opus 4.5 e GPT 5.2/5.3 ¹
• Con GPT 5.6 Sol il salto di qualità è enorme: il lavoro diventa "prompting ben poco assistito", con esecuzioni che durano anche ore senza bisogno di steering. Di Opus 5 invece dice di non fidarsi dei benchmark ¹
• Metafora: entri in un treno che va a 50 km/h, impari la nuova modalità, e il treno aumenta progressivamente velocità, precisione e qualità ¹

Impatto sul flow state

Il flow della programmazione manuale (2 ore di concentrazione) è rotto. Ora il flow avviene durante la stesura del prompt o quando si pensa al problema, per meno di 5 minuti. Nelle attese conviene dedicarsi ad attività secondarie (lettura, scrittura, un programma scritto a mano per allenarsi). Il flow tornerà quando gli LLM saranno abbastanza veloci da non interrompere il ritmo, ma ci vorranno anni. ¹

L'LLM come esoscheletro

Per Sanfilippo i modelli di frontiera sono come un esoscheletro costoso al minuto dato a una squadra di muratori: non puoi dirgli "fammi una casa", ma ti dà molta più forza e le singole unità ("fammi il muro") vengono molto bene, mentre i compiti open-ended riescono peggio. Non vale la pena usarlo per spostare una pala, e indossato dal miglior mastro o da un principiante produce effetti diversi. Lo spunto è una notizia in prima pagina su Hacker News: le aziende che prima dicevano "usate tutti i token che volete" ora tornano ai ripari, dopo aver visto costi alti e risultati scarsi nelle mani di chi non sa usare questi strumenti. Pochi capiscono la scarsità e usano giudizio: Sanfilippo riserva il modello migliore ai blocker, mentre molti lo usano per compiti gestibili con modelli più economici o locali. ²

Come lavorarci

• Dialogare con un coding agent è come imparare a lavorare con uno sviluppatore strano, con i suoi vizi fastidiosi; quando si infila nei suoi "tunnel" è difficile tirarlo fuori. È una conoscenza difficile da trasferire, si impara sulla propria pelle ³
• Sanfilippo paragona il modello mentale che si costruisce del modello, con lo steering continuo, a quello che un genitore sviluppa del proprio figlio piccolo: a volte cancella una parola dal prompt perché sa che con quella parola il modello farà una sciocchezza ³
• Fargli consultare un secondo modello come consigliere funziona anche perché l'altro parte ogni volta con il contesto libero ed esamina il problema "con la mente sgombra" ³
• Nella guida al prompting di GPT 5.6 Sol OpenAI avverte che troppi dettagli sull'implementazione peggiorano l'output: bisogna dire cosa si vuole ottenere. Una strategia suggerita nella puntata è discutere prima l'approccio con una seconda istanza e poi portare il risultato all'agente. Sanfilippo lo faceva molto, ma con Fable, che impiega anche 20 minuti a rispondere, ora lo fa nella web chat ³
• Gli agenti non assorbono il ruolo dello sviluppatore: bisogna sapere cosa si sta facendo, controllarli e guidarli ³

Multi-agent

Sanfilippo non crede al modello "pianificazione con il modello più potente, implementazione con il modello più scarso". È un'illusione da effetto orizzonte, dovuta alla scarsità attuale del modello migliore: i piani cambiano quando ti scontri con i dettagli dell'implementazione. Secondo quanto affermato da OpenAI, GPT 5.6 avrà anche una versione Ultra che, come GPT 5.5 Pro, dovrebbe fare spawning multi-agent per trovare quante più soluzioni possibili e poi sintetizzarle. Per Sanfilippo è più sampling che vero multi-agent, e funziona perché riconoscere la soluzione migliore è molto più facile che generarla. ²

Manolo Remiddi sostiene la posizione opposta: un modello cloud di frontiera per architettura, revisione e bug difficili, e un modello locale per costruire la maggior parte del software, con un'architettura modulare a blocchi che stiano nel contesto del modello locale. Vedi Inferenza Locale. ⁴

Delegare senza leggere ogni riga

• Ryan Lopopolo, che ha coniato "agent harness", racconta di non aver più aperto un editor da circa maggio dell'anno precedente: vuole giudicare l'artefatto finale, ma pretende codice leggibile per poter risalire al perché di un errore e correggere l'agente. Vedi Harness Engineering. ⁵
• Maximilian Schwarzmüller non scrive più il codice e non lo legge tutto, ma lo revisiona: AI che scrive, test automatizzati e revisori AI portano molto lontano, ma mai un solo agente o un solo modello. Vedi Pensare in Grande con l'AI. ⁶
• Remiddi, che si definisce vibe coder e non programmatore professionista, delega il 100% del lavoro: secondo lui i vibe coder chiedono cose che un professionista non tenterebbe nemmeno, e i due approcci possono imparare l'uno dall'altro. ⁴

Più codice, non più produzione

Enkk cita un report di maggio che confronta il lavoro di 100.000 sviluppatori open prima e dopo l'adozione dell'AI: le righe di codice scritte aumentano del 740%, il codice messo in produzione solo del 20%. Il collo di bottiglia resta il controllo qualità, "il gusto". Per Mister RIP gli LLM fanno nascere soprattutto prototipi e piccoli progetti che prima non si facevano per mancanza di competenze; Enkk ricorda che metterli in produzione garantendo la sicurezza "è un altro mestiere", e che il problema è l'alfabetizzazione degli utenti, non lo strumento. Mister RIP osserva che ai software engineer si chiede di diventare project manager, cosa che un "software engineer nerd ha sempre odiato". ⁷

Vedi anche: Agentic Harness. Nella wiki software-engineering: Harness Engineering. Nella wiki homelab: OpenAI Codex (il sandbox nativo per Windows) e ASUS GX10 (un coding agent locale con OpenCode e vLLM). Nella wiki tech-strategy: Agenti per la Potatura.

Fonti e Riferimenti