Dovevano rallentare, invece: Opus 5.5, GPT6 e JEV. Tutti allo skateboard benchmark e dentro i decision model.

Una settimana con sei release: Opus 5.5, GPT6 Sol e Luna, MIMO 2.6 di Xiaomi, Step 5, JEV e Qwen Image 2.1. Noi abbiamo fatto quello che sappiamo fare, la wave 8 dello skateboard benchmark: l'omino SVG su halfpipe con fisica reale, con per la prima volta un run della community, GLM 5.3 flash in locale su DGX Spark. Numeri alla mano: Opus 5.5 completa il trick spendendo 0,40 dollari dove GPT 5 ne bruciava 10, MIMO 2.6 Flash genera 119k token di reasoning in 17 minuti prima di decidere.

Poi il tema grosso: JEV, il primo decision model commerciale. Un modello che non genera testo, decide: sì o no, un grade, una confidence, in millisecondi. Come funziona (LoRA sull'ultimo layer di un LLM, softmax riscritta, calibrazione via reinforcement learning), perché la community ha fatto 200 cloni in una settimana, e i casi d'uso veri: routing dei modelli, selezione delle skill, automode di Claude Code, robotica. Chiudiamo con Qwen Image 2.1, 7B open weight con alpha channel nativo, al livello di Nano Banana 2.

Con Stefano, Paolo e Alessio.

⏱ Capitoli

00:00 Opus 5.5, GPT6 e JEV: che strano rallentamento

02:13 Skateboard wave 8 e il repo della community

07:04 Opus 5.5: il trick a 0,40 e i prompt minimali

12:54 Loop infiniti, CLAUDE.md e AGENTS.md opt-in

17:45 MIMO 2.6: Xiaomi Cube e il miglior open weight

24:42 Step 5 e MIMO 3: sparsità per costruzione

29:45 JEV: il decision model che risponde sì o no

32:46 Dentro JEV: LoRA, softmax e 200 cloni

40:59 Perché JEV è veloce: one shot, zero autoregressione

45:00 JEV in pratica: robotica, routing e automode gratis

52:56 Una primitiva in più: mix and match, fine tuning, CLM

59:22 Qwen Image 2.1: 7B open weight e alpha channel

🎧 Ascolta l'episodio su Spotify:

https://open.spotify.com/episode/4strijnEvuOg8C7ID1y3Rj?utm_source=youtube&utm_medium=description&utm_campaign=ep73_drop

🌐 Sito, episodi e materiali:

https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep73_drop

Iscriviti al canale per non perdere le prossime puntate: qui si parla di AI Engineering in italiano, per chi la scrive e non solo per chi la racconta.

#73

Agenti AI che si migliorano da soli e il benchmark che Opus non supera mai: i lab hanno paura, noi abbiamo testato.

Dopo il tweet virale di Evan Hubinger sul 10% di sterminio e l'ultimo allarme di Dario Amodei, questa settimana guardiamo i tre trend tecnici dietro alle paure dei lab: reinforcement learning su modelli piccoli, self-improvement degli harness e agent swarm. E poi facciamo quello che ci piace di più: abbiamo costruito un benchmark fatto in casa, un omino in skateboard su halfpipe in SVG animato con fisica reale, e l'abbiamo passato a una decina di modelli, da Astra a Opus, con costi, token e tempi alla mano.

https://risorseartificiali.com/skateboard/

Spoiler: Opus non è mai riuscito a farlo. Astra costa 0,26$. E i modelli piccoli reasoning bruciano 18.000 token per arrivare dove i grandi arrivano con 5.000.

Con Stefano, Paolo e Alessio.

⏱ Capitoli

00:00 Intro latina: i lab AI hanno paura

03:00 Il tweet del 10%: Hubinger, Amodei e Altman

09:56 Recursive self-improvement: modelli che migliorano se stessi

12:04 Ralentare per paura o per business? E la mossa del CERN

17:54 I tre trend: RL, harness e agent swarm

27:00 Agenti in fuga: Hugging Face e il wiki fantasma

32:00 Le Olimpiadi dei robot

38:04 Dal pellicano allo skateboard: il benchmark RA

44:11 Constrained vs unconstrained: i modelli al test

51:17 Costi, token e modelli locali

1:04:01 Harness vs modello secco

1:08:25 Lince, audio Linux e promo degli ascoltatori

🎧 Ascolta l'episodio su Spotify:

https://open.spotify.com/episode/3JMsCnedwyPXIVLO4lMx27?utm_source=youtube&utm_medium=description&utm_campaign=ep72_drop

🌐 Sito, episodi e materiali:

https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep72_drop

Iscriviti al canale per non perdere le prossime puntate: qui si parla di AI Engineering in italiano, per chi la scrive e non solo per chi la racconta.

#72

AI code review, formazione junior, voice AI on-device e video generato in locale: tre host rispondono alle vostre domande.

Puntata Q&A speciale di Risorse Artificiali: Stefano, Paolo e Alessio raccolgono le domande degli ascoltatori e ci rispondono con esperienze reali, tool concreti e qualche opinione netta.

Di cosa parliamo: come fare code review quando l'AI genera più codice di quanto si riesca a leggere, con le skill PR Walkthrough e Adversarial Code Review. OmniVoice Studio per text-to-speech e voice cloning. Antivocale, l'app Android che trascrive i messaggi vocali direttamente sul telefono. Come funziona davvero la generazione di immagini e video in locale con ComfyUI: latent space, denoising, scheduler, sampler e LoRA a pochi step. Mixture of Experts e Mixture of Agents. E la domanda più tosta: come si formano i junior sviluppatori nell'era dell'AI?

Capitoli

00:00 Q&A speciale: code review con le skill

07:54 Dipendono dai modelli? Skill, impatti e review automatiche

11:50 OmniVoice Studio: TTS e voice cloning

19:50 Antivocale: trascrizione on-device su Android

25:45 Sfide AI on edge: back-end e catalogo modelli

30:15 Video in locale: ComfyUI, latent space e denoising

37:24 Scheduler: quando fare i passi di denoising

43:03 Sampler: Euler, DPM e minimi locali

46:47 Performance locale: LoRA low-step e sigma shift

55:11 Mixture of Experts e Mixture of Agents

1:04:13 Review e collo di bottiglia nell'era AI

1:09:14 Formare i junior nell'era AI

Ascolta su Spotify: https://open.spotify.com/episode/3GUAcpOIuFcGxJTnJiekWw?utm_source=youtube&utm_medium=description&utm_campaign=ep71_drop

Sito e appunti: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep71_drop

Se il podcast ti è utile, iscriviti al canale e attiva la campanella. E se hai domande nuove, scrivile nei commenti: questa puntata è nata dalle vostre.

Risorse Artificiali #71

GPT-6 Astra fa 99,9% su ARC-AGI-3 ma l'indice di intelligenza gli dà 61: il caso del benchmark maxato, spiegato da chi i benchmark li usa tutti i giorni.

OpenAI ha rilasciato GPT-6 Astra con numeri da record su tutta la linea: incrementi a doppia cifra su ogni benchmark e un 99,9% su ARC-AGI-3 che nessun altro modello sfiora. Ma un benchmark maxato, cioè mostrato al modello in addestramento, vale ancora qualcosa? E perché l'indice di intelligenza di Artificial Analysis gli dà 61, lo stesso punteggio di GLM 5.3 Max?

In puntata Stefano, Paolo e Alessio prendono il rilascio e lo girano al contrario: i costi per intelligent task (Fable 5.1 a 3,69 dollari contro 1,67 di Astra, 8.500 dollari per una test suite completa), i pesi che compongono l'indice, il tasso di allucinazioni che nessuno cita. E tutta la parte che i benchmark non raccontano: Qwen 3.8 Flash Next con l'architettura che arriverà su Qwen 4, l'inferenza locale di Waymo scesa da 250 mila a 50 mila dollari grazie a una TPU di Google, Nvidia che compra Hugging Face per 12,9 miliardi in contanti, GLM che serve 100 mila chip Huawei Ascent e le licenze open weight che non sono più MIT puro.

00:00 GPT-6 Astra e il 99,9% su ARC-AGI
06:18 Overfitting: quando il benchmark è maxato
13:21 Fable 5.1: costi da record e cache
23:10 Il nostro benchmark alla pellicano
25:33 L'indice di Artificial Analysis non torna
33:40 Coding: conta la sensazione d'uso
38:04 Formula 1 o auto per la scuola?
43:18 Qwen 3.8 Flash Next: l'ingegnerizzazione dei modelli
48:34 Waymo in Europa: inferenza locale su TPU
53:46 Nvidia compra Hugging Face, GLM su Huawei
1:00:52 Le licenze open weight cambiano
1:04:07 Hermes in Gen Z, Q&A e OmniRouter

Ascolta l'audio anche su Spotify:
https://open.spotify.com/episode/50oM4N7LLJLU3szU2Sh2x7?utm_source=youtube&utm_medium=description&utm_campaign=ep70_drop

Sito, show notes e trascrizione completa:
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep70_drop

Iscriviti al canale: AI engineering in italiano, senza hype, ogni sabato.

#70

GLM 5.3 Flash, ossia ox-alpha: il modello uscito in stealth che fa i numeri dei giganti con 6 miliardi di parametri attivi. E intanto la corsa all'AI in locale si fa seria.

In puntata: le pubblicità cinesi spurie comparse in ChatGPT, il Mac Studio M5 Ultra da 20.000 dollari e i conti veri del locale, il Cube di Xiaomi con la RAM prodotta in Cina, il rumor sull'acquisizione di Hugging Face da parte di Nvidia (e cosa significherebbe per l'Europa), il progetto Free LLM API che mette insieme le quote gratuite di decine di provider, e il report METR su 1200 agenti coordinatisi rinominando i file.

Capitoli:

00:00 Modelli stealth e pubblicità cinesi in ChatGPT

05:30 Mac Studio M5 Ultra da 20.000 dollari

10:30 Xiaomi Cube: l'hardware consumer cinese

15:40 RAM cinese e l'alleanza con Alibaba

20:30 Nvidia compra Hugging Face: il parallelo GitHub

25:05 Hugging Face, l'Europa e il robot bipede

29:25 La mossa Nvidia e la lezione dei fork

34:45 Gratis per sbaglio e il progetto Free LLM

42:20 Fusion, advisor esterni e la repo skills

47:40 Free LLM: limiti, SLA e casi d'uso

52:45 Ox-Alpha: il modello stealth e il geoguessing

56:25 GLM 5.3 Flash: benchmark, costi, 6B attivi

1:00:05 Multimodali, veloci, economici: la nuova classe

1:04:45 Report METR: 1200 agenti in azione

Ascolta l'episodio anche su Spotify:

https://open.spotify.com/episode/2PT0QAqtV8Od5zwZErRGSi?utm_source=youtube&utm_medium=description&utm_campaign=ep69_drop

Sul sito, con trascrizione completa:

https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep69_drop

Iscriviti al canale per non perdere le prossime puntate.

Risorse Artificiali, episodio 69.

Bannato da GLM per aver messo LiteLLM davanti a Claude Code. Paolo racconta tutto: il pool di modelli, il middleware locale, il classifier dell'automode spostato su Gemma per non bruciare la quota del modello principale. Poi il fallback verso il cloud rigira le chiamate già modificate, GLM le legge come traffico di un harness non supportato, e parte il ban. Con mail di supplica annessa.

Prima di quella storia, Stripe che compra OpenRouter per 7 miliardi di dollari. La lettura di Paolo è che il routing sia una posizione da API Gateway: chi smista il traffico degli agenti può vendere servizi premium sul volume, esattamente come Stripe ha fatto con i pagamenti. Da lì i protocolli di pagamento tra agenti, AP2 sopra A2A, e lo scenario in cui a produrre reddito sono gli agenti stessi.

Poi i modelli. Qwen 3.8 27B denso è la prima volta che un modello locale su 16-24 giga di VRAM regge un coding agent vero e non solo il completamento: onniscienza peggiore del 3.6, capacità agentiche molto migliori, e il consiglio di tenerlo su low o medium thinking effort. GLM 5.3 guadagna 6-7 punti di intelligenza generale su Artificial Analysis, l'inferenza di Z.ai è diventata veloce, e resta il dubbio su cosa faccia girare davvero Ollama quando le risposte non combaciano.

Nella seconda parte: perché parlare ai modelli in italiano non spreca i token che pensi, il trick di chiedere l'output in inglese B2 o C1, le skill Wait What e handoff, il report di Hugging Face sullo stato dei modelli open (attention e adoption non sono la stessa cosa, solo l'1% sta sopra i 70 billion), Light Learner, il jailbreak del taccuino, e le quattro skill dell'AI engineer secondo Andrew Ng.

CAPITOLI

00:00 Stripe compra OpenRouter per 7 miliardi

02:59 A2A, AP2 e il routing dei pagamenti

08:18 LiteLLM: i modelli locali in un pool

13:20 Bannato da GLM: il classifier locale

16:22 Sandbox invece di validatori, e i cyborg

19:55 Qwen 3.8 27B: coding su 16 giga

26:01 GLM 5.3 e il dubbio su Ollama

32:20 Parlare ai modelli in italiano: latent space

39:23 Wait What, Grill with Docs e handoff

46:15 Report Hugging Face sui modelli open

50:54 Attention non è adoption: download contro like

56:26 Kimi K3, licenze e modelli sopra 70B

1:02:00 Light Learner e il jailbreak del taccuino

1:06:30 Andrew Ng: le 4 skill dell'AI engineer

Ascolta su Spotify: https://open.spotify.com/episode/45PF4g7gH6tHATi1SCm0u2?utm_source=youtube&utm_medium=description&utm_campaign=ep68_drop

Tutti gli episodi e le trascrizioni: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep68_drop

LinkedIn: https://www.linkedin.com/company/risorseartificiali

Se la puntata ti è servita iscriviti al canale. E se avete voglia di precisare la spiegazione sul latent space, i commenti sono lì apposta.

Risorse Artificiali, AI Engineering in italiano. Puntata #68

Open weight con l'asterisco: Qwen ha rilasciato i pesi di 3.8, ma senza la variante Max, senza vision e con il contesto tagliato. Kimi K3 invece aveva rilasciato tutto, e la differenza si vede su chi ci fa inferenza davvero.

Nella prima parte il giro dei rilasci di queste settimane: Muse Glimmer e Nemotron pensati per girare in locale, il subagent workhorse (o muletto, se preferite la traduzione di Paolo), la corsa all'hardware a memoria condivisa tra DGX Spark, RTX e Apple Silicon. Poi il video open weight, con Minimax H3 che si prende la community a colpi di LoRA e LTX 2.5 che risponde con l'auto duration e una tabella comparativa un po' interessata.

Nella seconda parte Anthropic mette il watermark sui testi di Claude per stare dentro l'AI Act, e ne parliamo per quello che è: un gioco a guardie e ladri che dura da prima di noi. Alessio spiega come funziona davvero il watermark sul testo, Paolo racconta la storia delle mail di Musk e quella volta che Reddit lo ha bannato per un post generato.

Poi la parte che ci ha tenuti più a lungo: il continual learning si sta spostando dai modelli agli harness, gli agenti iniziano ad avere una personalità che dipende da chi li usa, e se ogni installazione prende una deriva diversa diventa complicato perfino capire cosa si legifera. Dwarkesh Patel dà questo per la fine dei modelli open. Noi la vediamo al contrario.

CAPITOLI

00:00 Sondaggio ascoltatori e Qwen 3.8 senza Max

06:08 Kimi K3, Muse Glimmer e il workhorse Nemotron

11:20 Intelligenza ibrida: DGX Spark, RTX e Apple Silicon

16:14 Minimax H3 e le licenze per regione

19:48 LTX 2.5, auto duration e i LoRA

25:25 Attention quadratica e vision language nei prompt video

30:00 Watermark su Claude e AI Act

35:37 Reverse engineering del watermark e Musk

40:28 Detector che sbagliano: Substack e Reddit

44:14 Grok 4.6 e le PR su Hermes

49:07 MuseSpark 1.2, continual learning e memorie condivise

54:37 Sviluppo artigianale e agenti con personalità

58:32 Hermes in vacanza: mappa interattiva e spese

1:04:09 Se ogni installazione diverge, cosa legiferi?

1:07:37 La fine dei modelli open? Al contrario

Ascolta su Spotify: https://open.spotify.com/episode/5r7HVXxocIGv9lDezyvvZE?utm_source=youtube&utm_medium=description&utm_campaign=ep67_drop

Tutti gli episodi e le trascrizioni: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep67_drop

LinkedIn: https://www.linkedin.com/company/risorseartificiali

Se la puntata ti è servita iscriviti al canale, ci aiuta più di quanto sembri. E diteci nei commenti se volete Ivan Fioravanti in puntata a parlare di inferenza locale.

Risorse Artificiali, AI Engineering in italiano. Puntata #67

L'AI ha fatto 10 scoperte matematiche originali in una settimana. Cosa significa per chi costruisce software, per i matematici, e per l'AGI? Ne parliamo con Alessandro Maserati.OpenAI ha pubblicato 10 risultati matematici nuovi, non divulgazione: scoperte originali che, come ci spiega Alessandro Maserati (matematico, ospite di questa puntata), valgono ciascuno come un'intera carriera di un ricercatore. Dietro quella notizia c'è una tesi piu' grande: la matematica e' un dominio verificabile, ed e' esattamente il terreno su cui ci stiamo allenando con il reinforcement learning. Per questo l'AI prima supera i matematici, poi i programmatori.Dalla disprova di una congettura spiegata da Terence Tao con GPT 5.6, al fatto che Opus 5 in nove ore di gara ha trovato quattro soluzioni diverse per ogni problema, tutte a punteggio pieno. Stefano, Alessio e Alessandro provano a rispondere alla domanda vera: se l'AI risolve le dimostrazioni, cosa resta al matematico? Fare le domande giuste e la sintesi.Poi parliamo di security: i bug segnalati negli ultimi tre mesi sono 30-40 volte quelli di un anno normale, ci sono zero-day trovati dall'AI e responsabilita' penali per chi usa gli agent. Di "good enough AI" e perche' chiediamo ai modelli un'affidabilita' da software, non da collega. Di prompting 2026: Opus 5 non si prompta come il 4.8, conviene ragionare in inglese e farsi scrivere gli artefatti a livello B1/B2. Di AnyDoc, che converte qualunque formato in Markdown senza LLM. Di economia: token a 3 dollari al giorno contro un umano, il paradosso di Jevons, e la curva esponenziale che prima o poi deve piegarsi contro il PIL mondiale. E chiudiamo con i modelli video: Seedance 2.5 e il Minimax H3 open-weight.00:00 10 scoperte matematiche: l'AI supera i matematici03:12 Matematica verificabile: il dominio perfetto per l'allenamento06:01 Cosa resta al matematico: fare le domande giuste11:43 Terence Tao, GPT 5.6 e il valore della sintesi13:26 AGI a mesi, non a anni15:04 Security AI: breach, zero-day e responsabilita' penale25:54 Good enough AI: abbassare le aspettative30:00 Opus 5 non si prompta come il 4.833:36 Scrivere in inglese B1/B2 e ragionare in inglese35:56 AnyDoc: qualsiasi formato in Markdown, zero token39:55 Economia AI: token, Jevons e 3 dollari al giorno47:29 La curva esponenziale e il limite del PIL mondiale53:00 Video AI: Seedance 2.5, Minimax H3, Veo e Runway1:05:26 World model e chiusura: provate le Olimpiadi di matematicaAscolta anche su Spotify: https://open.spotify.com/episode/1k4SYOJHsyXd2NEYxottMp?utm_source=youtube&utm_medium=description&utm_campaign=ep66_dropSito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep66_dropIscriviti al canale per non perdere le prossime puntate.#66

L'AGI è un asintoto: ci avviciniamo senza arrivarci mai, e per quasi tutto il lavoro reale questo basta già oggi.

Partiamo riflessivi. Se l'argomento contro l'AI è "sbaglia sempre qualcosa", è un argomento debole: in informatica lavoriamo da sempre con approssimazioni che non convergono e non le buttiamo via. Da lì arriviamo ai benchmark inversi (non più "sai farlo?" ma "quante volte sbagli su cento"), al trade-off accettabile fra OmniVoice e Pocket TTS per farsi leggere gli articoli in macchina, e a cosa cambia davvero con la famiglia Claude 5: thin prompt, thin context, thin skills. Fable non è più intelligente in senso assoluto, semplicemente ti costringe a spiegare meno.

Nella seconda parte la rassegna dei modelli usciti. Inkling e Inkling small di Thinking Machines Lab, open weight su territorio occidentale. Laguna S2.1, 118 billion mixture of expert tagliato per hardware da 128 giga, che però crolla appena lo quantizzi a 4 bit e ha seri problemi con l'italiano: demo in LM Studio con "finché la barca va", e digressione su densità, sparsità e perché la quantizzazione punisce i modelli densi. Poi Opus 5, Qwen Image 3 che genera articoli LaTeX come immagini, MAGE di Microsoft fra image generation e vision language in streaming, Flux 3, Gemini 3.6 Flash, e la storia del modello OpenAI uscito dalla sandbox che ci convince poco.

Risorse Artificiali è il podcast di AI Engineering in italiano, con Stefano, Paolo e Alessio. Per chi la scrive, non per chi la racconta.

CAPITOLI

00:00 AGI e asintoti: perché la perfezione non serve

07:47 Che età ha l'AGI e il codice che nessuno legge più

12:55 Benchmark inversi: non cosa sai fare, quanto sbagli

16:36 OmniVoice, Pocket TTS e il trade-off accettabile

21:05 Fable: non più intelligente, devi spiegare meno

27:41 Inkling e Thinking Machines Lab: open weight occidentale

33:55 Opus 4.6 workhorse e Laguna S2.1: 118B per 128 giga

38:40 Promptare in italiano: lo studio Anthropic sulle lingue

43:03 Demo Laguna in LM Studio: "finché la barca va"

47:24 Densità, sparsità e perché la quantizzazione rompe

53:36 Opus 5: più agentico e più vicino a Fable

58:17 Qwen Image 3: LaTeX, infografiche e UI generate

1:02:30 MAGE di Microsoft: image gen e vision language open

1:08:47 Flux 3 omnimodale e Gemini 3.6 Flash

1:12:13 Il modello OpenAI uscito dalla sandbox

ASCOLTA SU SPOTIFY

https://open.spotify.com/episode/0eXoGy80TE2fECQX86Uyf0?utm_source=youtube&utm_medium=description&utm_campaign=ep65_drop

TUTTE LE PUNTATE E LE TRASCRIZIONI

https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep65_drop

Se la puntata ti è servita, iscriviti al canale: ci aiuta più di quanto sembri, e ci fa capire di cosa parlare la prossima volta. I commenti li leggiamo tutti.

#65

Quali skill usiamo davvero per i nostri agenti con Claude Code? Speciale "ritorno al futuro" su come abbiamo personalizzato l'harness: dal prompt engineering al loop engineering, con prompt sottili, contesto spesso e skill leggere.

Torniamo sull'argomento skill a distanza di mesi, perché è cambiato tutto. Non si parla più di scrivere il prompt più denso possibile: il contenuto grosso è migrato nel context e negli artifact, e anche le skill sono diventate più sottili. Ne discutiamo Stefano, Paolo e Alessio partendo da una sintesi che gira su X (thin prompts, thick context, thin skills) e arrivando al concreto: quali skill installiamo davvero, come le scegliamo tra i quattro repository principali, come le proviamo prima di promuoverle, e perché le skill non si scrivono a mano ma si distillano da sessioni di lavoro.

Parliamo di Simplify (scomparsa e rimpianta), Code Review, Ponytail, Interview Me, Grill Me, doubt-driven development e handoff. Discutiamo la sicurezza delle skill scaricate da fuori e perché vanno usate in sandbox. E chiudiamo con l'indeterminismo del modello: avere una skill non significa che verrà invocata quando vuoi, e come un hook può aiutare.

Skills nominate:

https://github.com/DietrichGebert/ponytail/blob/main/skills/ponytail-review/SKILL.md

https://github.com/addyosmani/agent-skills/tree/main

https://github.com/obra/superpowers

https://github.com/mattpocock/skills/tree/main/skills

Se scrivi codice con agenti in produzione, questa è la puntata per te.

CAPITOLI

00:00 Le skill che usiamo davvero

02:00 Da prompt engineering a loop engineering

05:02 Cos'è una skill: standard e behavioral memory

10:57 Simplify, la skill preferita scomparsa

15:38 Da Simplify a Code Review: monkey patching

22:23 Ponytail Code Review e la coda di cavallo

26:37 Scegliere e provare le skill: repository e preview

34:31 Le skill non si scrivono, si distillano

40:19 Sicurezza: sandbox e dove accetti il rischio

46:09 Backlog, hook e l'indeterminismo del modello

50:12 Interview Me, Grill Me e doubt-driven

56:09 Handoff, Hunk e tool CLI per agenti

Ascolta su Spotify: https://open.spotify.com/episode/4XZFs5ZUctmHMjTq7JAwlM?utm_source=youtube&utm_medium=description&utm_campaign=ep64_drop

Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep64_drop

Iscriviti al canale per non perdere le prossime puntate.

#64