Smetti di Scrivere Prompt Manualmente. Come Trasformare gli Agenti AI in una Linea di Assemblaggio Autonoma
Il responsabile dello sviluppo di Claude Code in Anthropic, Boris Cherni, ha ammesso che non scrive più prompt manualmente. Al contrario, esegue cicli automatici che formano attività per Claude, lo avviano e verificano il risultato autonomamente. Scrivere un prompt una volta non è un problema. Ma se fornisci le stesse istruzioni a un assistente AI ogni giorno—che sia per controllare la CI o ordinare i bug—stai facendo un lavoro di routine.
Lo sviluppatore Kobus Greyling ha pubblicato su GitHub un progetto chiamato loop-engineering, che propone di cambiare approccio. Smetti di essere un operatore di chat e diventa un progettista di sistemi autonomi. Il progetto ha raccolto oltre 10.000 stelle, e c'è davvero qualcosa su cui riflettere.
Dalle Sessioni Una Tantum ai Cicli Chiusi
Il problema principale delle interazioni tipiche con agenti di codifica come Claude Code, Grok o Cursor sta nel contesto. Apri una dialog, spieghi la struttura del progetto, assegni un compito e attendi il risultato. La sessione si chiude—il contesto va perso. Il giorno dopo, tutto ricomincia da capo.
Il concetto di Loop Engineering propone di chiudere il processo in un ciclo infinito. L'agente viene eseguito su una pianificazione, legge lo stato del repository da un file speciale, esegue il lavoro in un branch isolato, lancia i test e aggiorna gli stati.
Non devi scrivere framework Python complessi per questo. L'architettura del loop è costruita da diversi elementi comprensibili:
- Esecuzione pianificata tramite cron, GitHub Actions o systemd.
- Stato del progetto in un normale file Markdown
STATE.mdche risiede alla radice del repository e sopravvive a qualsiasi riavvio dell'agente. - Branch di lavoro Git isolati in modo che le modifiche dell'agente non rompano la copia di lavoro corrente.
- Separazione degli agenti in esecutore e verificatore (Maker / Checker). Uno scrive il codice, il secondo esegue i test e controlla i linter.
Cosa C'è Dentro il Repository
Il progetto è composto da un insieme di utility CLI pubblicate su npm e un catalogo di scenari pronti all'uso. Tutti gli strumenti sono combinati in un unico pacchetto, quindi non serve clonare nulla.
Puoi distribuire un template a un progetto esistente con un comando:
npx @cobusgreyling/loop init . --pattern daily-triage --tool grok
" alt="Deploy Command">
Dopo l'inizializzazione, lo strumento crea i file delle skill, la struttura di archiviazione dello stato e restituisce l'indice di prontezza del progetto—il Loop Ready score.
Per verificare la salute del sistema risultante, usa il doctor:
npx @cobusgreyling/loop doctor .
" alt="Doctor Command">
Questo comando trova i problemi di configurazione e restituisce tre passaggi principali per il miglioramento. Ad esempio, suggerirà di aggiungere limiti di budget per i token o di configurare percorsi proibiti per la modifica.
Il toolkit include anche utility loop-cost per stimare i costi dei token, loop-sync per trovare discrepanze tra la descrizione del loop e il file di stato, e loop-worktree per creare in sicurezza branch separati per ogni tentativo di fix.
Sette Template Pronti all'Uso
Il repository contiene template per attività di sviluppo comuni.
Ogni pattern è descritto con una ripartizione dei costi token e una modalità di implementazione consigliata:
- Daily Triage. Una volta al giorno, scandaglia il repository, raccoglie le issue e aggiorna
STATE.md. - PR Babysitter. Monitora le pull request aperte, controlla lo stato dei test e lascia suggerimenti agli autori.
- CI Sweeper. Intercetta le build CI fallite e tenta di correggere i test falliti in un branch separato.
- Dependency Sweeper. Aggiorna le librerie dipendenti e verifica che il progetto si compili.
- Changelog Drafter. Raccoglie una bozza di changelog prima di una nuova release.
- Post-Merge Cleanup. Rimuove i branch obsoleti e i file temporanei dopo un merge.
- Issue Triage. Esamina i nuovi ticket del tracker e suggerisce etichette o risposte iniziali.
L'autore consiglia di implementare i loop in modo incrementale. Prima, esegui l'agente in modalità sola lettura (L1), dove genera solo report. Quando sei sicuro dell'accuratezza delle sue conclusioni, puoi passare alla modalità conferma (L2), e solo allora affidare le routine minori alla piena autonomia (L3).
Il Lato Oscuro dell'Autonomia
Kobus Greyling analizza onestamente i rischi degli agenti autonomi. Se lanci un loop con sub-agenti senza restrizioni, la fattura della tua API LLM sarà sorprendentemente salata. Richieste ripetute in un ciclo infinito possono bruciare centinaia di dollari in un paio d'ore.
Il secondo rischio si chiama debt di comprensione. Se l'agente scrive patch da solo, esegue test da solo e fa merge del codice in main da solo, il team perde rapidamente il controllo sull'architettura. Il progetto diventa una scatola nera.
Inoltre, tutta la verifica rimane tua responsabilità. L'agente non ha buon senso e cercherà di chiudere un test in qualsiasi modo, anche se questo significa eliminare il test stesso.
Chi Dovrebbe Provarlo
Il repository sarà utile per i team che già usano attivamente strumenti AI da riga di comando come Claude Code o Grok e cercano un modo sistematico per integrarli nella CI/CD.
Inizia in piccolo. Installa loop init, scegli uno scenario daily-triage e lascia che l'agente passi una settimana a scrivere solo report giornalieri su STATE.md. È un modo sicuro per capire quanto bene il concetto si adatta al tuo progetto senza rischiare la stabilità del codebase.
Progetti correlati