Approfondimento
Agenti AI nello sviluppo: da prototipi a componenti integrati, cosa serve per la produzione
Testo scritto con l’intelligenza artificiale a partire da 5 fonti citate, senza revisione umana prima della pubblicazione.
Negli ultimi mesi gli agenti AI stanno passando da prototipi a componenti integrati nello sviluppo software: tool e plugin semplificano il deployment, gli IDE adottano agenti come parte del flusso, e nascono infrastrutture di test reali, ma la produzione richiede orchestrazione, isolamento, osservabilità e test end-to-end su hardware reale.
Quattro mosse stanno riducendo attrito in produzione: orchestrare il lavoro in parallelo, avviare un agente senza configurazioni, portarlo dentro l’IDE, validare su dispositivi reali. Dsh-superagent di DeepSeek instrada task GitHub per repository. Datasette Agent parte con un solo comando. Android Studio integra decine di agenti via protocollo. Vibium offre telefoni veri pilotabili da agenti per test end-to-end1,2,3,5.
Orchestrare il lavoro, non le chat
DeepSeek ha pubblicato dsh-superagent v0.1.0, un prototipo open source con licenza MIT. È un bundle TypeScript per DeepSeek Harness. Ascolta GitHub e, in opzione, Feishu. Trasforma richieste autorizzate in elementi di lavoro paralleli, ciascuno in una sessione di agente separata. I risultati tornano nella conversazione di origine, spesso come pull request. Un pannello web locale evidenzia solo ciò che richiede un intervento umano. L’agente conferma una volta, poi tace finché non ha un risultato, una domanda o un errore. La motivazione è il carico cognitivo: secondo il resoconto citato, una persona segue attivamente solo da tre a cinque sessioni. Il collo di bottiglia diventa l’attenzione umana, non la capacità del modello1.
Qui c’è una tesi pratica: l’unità utile non è la chat, è il lavoro. Una pipeline che spezza le richieste in task indipendenti crea spazio per la concorrenza. La notifica unica riduce rumore. Il pannello mostra solo dove serve l’umano. Sono scelte di design orientate a produzione.
Ridurre a zero i passi per partire
Con la 0.1a9 di datasette-llm, Datasette Agent adotta il modello predefinito di LLM. Non serve più indicarlo a riga di comando. Simon Willison lo documenta il 31 ottobre 2026 e lo definisce un “tiny user experience improvement”. Oggi basta lanciare: uvx --with datasette-agent datasette content.db --internal internal.db Prima serviva anche: -s plugins.datasette-agent.default_model gpt-6-astra L’aggiornamento elimina quel passaggio. Willison accenna a “big upgrades” in arrivo e a un lavoro costante sul flusso d’uso2.
Una rimozione di attrito conta più di molte feature. Accorcia il tempo al primo risultato. Standardizza l’avvio in team. Sposta l’effort dalla configurazione alla verifica dell’output.
Portare gli agenti dove si scrive codice
Android Studio Rabbit 2 è ora stabile e attiva Bring Your Own Agent. Oltre 40 agenti compatibili con Agent Client Protocol si installano da Settings, Tools, AI, Agents. Si passa tra agenti e si ricevono funzioni appena rilasciate. Gli agenti leggono la struttura del progetto, risolvono simboli, renderizzano Compose Preview e lavorano con Emulator e Logcat. Google affianca una code review pensata per i cambi generati dagli agenti. Si avvia dalle modifiche pendenti o dalla finestra Git. L’IDE produce un report con i potenziali problemi per capire cosa è cambiato e dove intervenire3.
Accanto all’AI, l’IDE spinge su strumenti operativi. Android CLI fornisce utility pronte. Lo streaming dei dispositivi Android, alimentato da Firebase, abilita test remoti su hardware reale. Le anteprime Jetpack Compose si renderizzano senza Emulator o distribuzione di un APK. Il profiling cattura system traces di livello produzione con Perfetto per indagare cold startup, jank dell’interfaccia e risvegli in background3.
Questa integrazione riduce il contesto da ricostruire. L’agente usa la semantica del progetto e i tool già in mano agli sviluppatori. La review mirata crea un primo guardrail per il codice generato.
Validare su dispositivi veri, fuori dal repo dell’app
Vibium sta costruendo un servizio ospitato di telefoni reali che agenti AI possono guidare da remoto. Video, audio, connettività cellulare e input a livello hardware sono parte dell’offerta. Il team propone anche Roadie, un KVM hardware open indicato a circa 86 dollari. Jason Huggins, creatore di Selenium, ha mostrato un progetto PCB con due Adafruit QT Py RP2040 e un dongle di cattura HDMI. Consente a un agente di vedere lo schermo del telefono e agire come tastiera, mouse, pennino touch, microfono e cuffie. Funziona out of the box con lo stack di automazione Vibium5.
Butch, autore della newsletter, suggerisce di separare i ruoli. Un agente scrive i controlli automatizzati. Un altro scrive il codice sotto test. I test end-to-end restano in un repository separato per restare davvero esterni rispetto all’applicazione. Sono test in black box, guidati dai requisiti e dall’applicazione sotto test. Nota il bias di chi ha scritto il codice5.
Questa impostazione rafforza la governance. Definisce confini tra generazione e verifica. Rende più chiaro cosa fidare a un agente e cosa sottoporre a osservazione esterna.
Capacità che convergono, contesto che si allarga
Tecnologia e capitali spingono nella stessa direzione. Reuters riporta che DeepSeek avrebbe raccolto circa 15 miliardi di dollari, circa 100 miliardi di RMB, su una valutazione pre-money riportata di 500 miliardi di RMB. Tra gli investitori risultano Tencent e CATL. Il round sarebbe vicino alla chiusura e i termini possono ancora cambiare4. Nello stesso arco di notizie, Moonshot AI presenta Kimi K3.1 Pro con una finestra di contesto da un milione di token. L’azienda riporta 65,7 per cento a Terminal-Bench 4.0, davanti a GPT-6 Astra a 58,2 e dietro a Claude Opus 5.5 a 66,4. Esiste anche una versione Highspeed che l’azienda dice essere due o tre volte più veloce. L’obiettivo dichiarato è il lavoro pratico, tra costruzione di software, asset 3D modificabili e ricerca finanziaria4.
La tendenza è chiara. L’ecosistema mette insieme orchestrazione di task, avvio immediato, integrazione nell’IDE, verifica su hardware reale e, sullo sfondo, modelli con finestre di contesto più ampie. Ogni blocco riduce interventi manuali e ambiguità operative.
Cosa misurare da domani
Se l’attenzione umana è il collo di bottiglia, vanno misurate poche metriche essenziali: quante sessioni attive per persona restano efficaci, quante pull request generate da agenti si chiudono senza ritocchi, quanti problemi la review di Android Studio intercetta sui cambi generati, quanti test end-to-end passano su un telefono reale controllato da un agente1,3,5. Impostatene una di riferimento per sprint e rivedete la pipeline finché non scende il rumore e sale la chiusura.
Fonti
- DeepSeek rilascia dsh-superagent, agente router-worker per GitHub
- datasette-llm 0.1a9 abilita Datasette Agent senza configurare il modello
- Android Studio Rabbit 2 stabile, porta oltre 40 agenti ACP nell'IDE
- DeepSeek raccoglie ~15 miliardi e Moonshot presenta Kimi K3.1 Pro con 1M token
- Vibium offre telefoni reali che agenti AI possono pilotare per test end-to-end
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Rilettura. Un passaggio toglie i tic della prosa generata da un modello, come i contrasti costruiti e le frasi che annunciano invece di informare, senza toccare fatti e fonti.
- Fedeltà alle fonti. Un passaggio dedicato toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,1/10 dopo 1 revisione.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.