Due creatori di Kubernetes propongono agenti di coding cloud‑native

Craig McLuckie e Joe Beda propongono di trattare gli agenti di coding come carichi cloud‑native, gestiti da control loop e orchestrazione. Obiettivo: affidabilità da produzione per sessioni, tool ed esperienza d’uso, oltre il laptop degli sviluppatori¹.

Oggi molti agenti nascono locali. Un modello linguistico invoca tool in un loop e porta avanti il contesto finché chiude il compito. È semplice da avviare sul proprio computer. Non regge quando scala. Per questo diversi progetti partono da terminale e poi migrano su desktop. Claude Code iniziò come tool da riga di comando¹.

Il salto al cloud espone tre fragilità: sessioni che si interrompono, esecuzione dei tool senza isolamento, contesto che si disperde tra i passaggi. Dal 2025 OpenAI e Anthropic riportano l’harness nel cloud per affrontarle, con esiti diversi ma gli stessi ostacoli di base¹.

Il parallelo con i container di dieci anni fa è diretto. Nel 2014 arrivò Kubernetes, open source, sviluppato da Google. È diventato lo standard per distribuire e gestire applicazioni cloud su larga scala. La sua leva sono i control loop: tengono vivi i carichi, recuperano dai guasti, scalano quando serve¹.

La proposta è applicare lo stesso principio agli agenti. Spostare il baricentro dall’app locale a un harness nel cloud. Metterlo sotto orchestrazione. Usare control loop per garantire tre proprietà operative: sessioni affidabili, esecuzione dei tool in ambienti isolati, preservazione del contesto tra gli step¹.

L’analogia con Kubernetes qui diventa concreta: non si agisce sul singolo ciclo tool‑LLM, ma sul sistema che lo tiene in vita. Un controller monitora lo stato del lavoro, riparte se qualcosa si rompe, aggiunge capacità quando la domanda cresce. Il risultato atteso è un comportamento ripetibile, indipendente dal dispositivo dell’utente¹.

L’isolamento è il secondo tassello. Gli agenti invocano strumenti eterogenei. Senza un ambiente controllato, ogni chiamata può portare effetti collaterali e perdita di stato. Un harness nel cloud punta a separare le esecuzioni, contenere i guasti ed evitare che il contesto si corroda tra un passaggio e l’altro¹.

Terzo, il contesto. Gli agenti efficaci mantengono memoria operativa durante la sessione. In locale questo avviene in processi e file temporanei. Nel cloud serve un sistema che la custodisca tra riavvii e riprese, come l’orchestrazione fa per i servizi distribuiti¹.

OpenAI e Anthropic stanno sperimentando questo spostamento, ma la transizione non è lineare. Portare l’harness nel cloud alza l’asticella su affidabilità, isolamento e gestione del contesto. Il riferimento a Kubernetes non invita a riscrivere gli agenti. Propone di costruire intorno a loro un sistema di controllo che li mantenga in esecuzione, si riprenda dagli errori e sappia scalare quando necessario¹.

Il banco di prova arriverà con i primi rollout completi di questi harness: se i control loop funzioneranno come nell’orchestrazione dei container, gli agenti potranno reggere carichi e guasti con regolarità operativa comparabile¹.