AI Coding

Ogni sessione di un agente di coding parte da zero. La regola di denominazione della scorsa settimana e l’analisi del bug erano nella chat, e la chat non esiste più. La sessione successiva inizia in bianco e devi spiegarle di nuovo.

Gli agenti di coding AI possono già scrivere funzioni, modificare repository, eseguire test e aprire pull request. Il problema più difficile è convincere un agente a seguire un processo di ingegneria ripetibile prima, durante e dopo la scrittura del codice.

Un agente che ha proposto e implementato “spostare la persistenza in una libreria condivisa” sei mesi fa proporrà volentieri di nuovo la stessa idea il prossimo trimestre, a meno che non esista un registro durevole che gli indichi come l’idea sia già stata indagata e rifiutata – e OpenSpec al momento non ha uno stato interno per questo scopo.

OpenSpec è una CLI gratuita e open source di Fission AI che consente a te e al tuo agente di coding di concordare una modifica in Markdown semplice prima che venga scritto qualsiasi codice, evitando la cerimoniale fase-gated dei framework spec-driven più pesanti.

Le competenze degli agenti e i server MCP vengono spesso presentati come modi alternativi per estendere un agente AI. Questa inquadratura è errata: una competenza insegna all’agente come lavorare, mentre un server MCP gli fornisce accesso governato a funzionalità live.

L’interfaccia a riga di comando di OpenCode è progettata per la scripting, le pipeline CI e l’esecuzione non supervisionata di agenti. Questo articolo è una guida pratica al suo utilizzo nel lavoro quotidiano.

Superpowers incapsula un’intera metodologia guidata da specifiche in Claude Skills installabili, imponendo il brainstorming, la pianificazione, l’implementazione guidata da subagenti e il TDD rigoroso, invece di lasciare quella struttura a tua discrezione.

Pi Coding Agent è un’interfaccia di coding terminale minimale e open-source che include quattro strumenti predefiniti e lascia la maggior parte del comportamento a estensioni, abilità e al tuo stesso flusso di lavoro.

La maggior parte delle sessioni di Claude Code diventa lenta e caotica per lo stesso motivo: ogni ricerca esplorativa con grep, ogni dump dei log e ogni “controlliamo un altro file” rimane nella conversazione principale per sempre.

Gli agenti di coding AI rilasciano funzionalità rapidamente, ma specifiche, test e codice tendono a divergere silenziosamente. Questa guida illustra un modello di tracciabilità, il mapping da specifiche a test e da specifiche a codice, e i controlli CI che individuano queste divergenze prima del merge.

Gli sviluppatori che confrontano i setup di Spec-Driven Development nel 2026 di solito non si chiedono quale modello sia il più intelligente. Si chiedono quale flusso di lavoro terrà allineato un agente AI senza seppellirli sotto una montagna di rituali.

Lo sviluppo basato su specifiche funziona quando la specifica è un flusso di lavoro, non un documento da archiviare dopo l’avvio. L’obiettivo non è produrre un ampio documento dei requisiti di prodotto.

La maggior parte delle demo di agenti AI si comporta ancora come completamenti di chat con passaggi aggiuntivi: invii un prompt, aspetti qualche secondo e ricevi una risposta in un’unica output.

Un modello da 70B genera un token per passaggio avanti e ogni passaggio ricarica i pesi dalla VRAM, calcola l’attenzione su tutto il contesto e sincronizza la memoria. Tra un token e l’altro, la GPU resta inattiva in attesa che si risolvano le dipendenze sequenziali.

I sistemi AI a singolo agente hanno raggiunto il picco nel 2025 — si forniva a un LLM un prompt, alcuni strumenti e un obiettivo, e svolgeva compiti ben definiti in modo ragionevolmente efficace.

Lo Spec-Driven Development è uno di quegli approcci a cui gli ingegneri del software hanno fatto ricorso in passato per poi abbandonarlo quando lo sforzo smetteva di dare i suoi frutti.