Claude Tag gestisce il 65% delle PR del team Claude Code di Anthropic
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Dal fireside chat emergono pratiche di rollout interno, revisione automatizzata e riduzione dei prompt di sistema per i modelli di coding.
Claude Tag oggi gestisce il 65% delle pull request di product engineering del team Claude Code di Anthropic. Lo hanno detto Cat Wu e Thariq Shihipar in una fireside chat all’AI Engineer World’s Fair, moderata da Simon Willison1.
Si parla di una funzione concreta: l’integrazione collaborativa di Claude su Slack, chiamata “Claude Tag”. Il team la usa per gestire e far passare in main una parte ampia delle PR di prodotto. Le modifiche ad alto impatto restano sotto revisione umana. Per gli “strati esterni” del prodotto, la squadra affida la revisione a un sistema automatizzato. Così accelera il flusso senza rinunciare al controllo dove serve1.
Wu e Shihipar hanno descritto anche il metodo di rilascio. Prima mettono le nuove funzionalità in mano ai dipendenti Anthropic. Misurano la retention su quel gruppo. Solo le feature che reggono in uso interno proseguono oltre. È un filtro pratico, basato su dati di utilizzo reali, non su assunzioni1.
Capitolo prompting. Con modelli recenti come Fable 5 o Opus 4.8, aggiungere esempi al prompt di sistema non rende più. Il team ha ridotto la dimensione del system prompt di Claude Code. Meno istruzioni e niente esempi nel system prompt hanno dato risultati migliori con quei modelli, secondo l’esperienza riportata sul palco1.
L’insieme disegna una pipeline operativa chiara: integrazione su Slack per gestire la maggioranza delle PR; revisione manuale per i cambiamenti critici; rollout interno con retention come metrica di sbarramento; prompt di sistema essenziale per i modelli citati. Ogni punto arriva da casi d’uso concreti, non da linee guida astratte1.
Per chi costruisce agenti di coding, qui ci sono tre mosse da testare subito: portare l’assistente dove la squadra lavora già (Slack), definire soglie nette tra automazione e revisione umana, usare la retention interna come criterio prima del lancio esterno. Sono scelte operative, non annunci, e hanno misure a supporto1.
Willison ha pubblicato il video completo della conversazione su YouTube e una trascrizione editata con link ed evidenziazioni dell’autore. Materiali pubblici che permettono di verificare citazioni e contesto, e di studiare come tradurre queste pratiche nel proprio flusso di sviluppo1.
Fonti
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:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- 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.
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.