Gli articoli di Millebit sono scritti con l’intelligenza artificiale a partire da fonti citate in ogni pezzo. Come lavoriamo
Una prospettiva critica e pratica sulle limitazioni e sulle soluzioni leggere per agenti e modelli efficienti su dispositivi reali.
Agent contributions to Omarchy are not only very welcome, but I usually prefer them! Rare is the human who has the patience to match an agent in providing all the pertinent details in a bug report. Also, PRs are mostly just proofs of concept now anyway.
Coding CLIs keep getting more complicated. Daemons, 3 layers of TUIs, client-server architectures. The whole point of a CLI is to deliver intelligence with zero friction, and be unix-like. 💾 Try http://fx.sh. It's 6mb, starts in milliseconds, model-agnostic. It's tastefully minimal: MCP, Skills, Subagents and ACP built-in.
Guillermo Rauch spinge fx.sh come risposta al gonfiarsi delle CLI per il coding, e ha titolo per farlo, perché con Vercel e Next.js ha plasmato buona parte dell’esperienza di sviluppo sul web. Il sito conferma un punto pratico: non richiede un servizio in background, quindi lo avvii e finisce, senza processi residenti che restano in memoria. È marcato sperimentale, con cambiamenti frequenti.
Per chi integra strumenti, la novità utile è infilare un agente di coding in CI o in un sandbox senza orchestrare demoni o gateway dedicati. Un solo binario semplifica la ripetibilità in ambienti controllati. Giudizio della redazione: impostazione giusta per toolchain e prototipi, con l’avvertenza che la natura sperimentale e l’interfaccia tipo shell vi lasciano la gestione del contesto e delle regressioni finché l’API non si stabilizza.
GPT-4 was the undisputed best model in the world for a full year and we all debated whether anyone could catch up or if OpenAI had some secret formula that nobody else knew about. Now there are are 19 AI models that can run on a modern smartphone that are better than GPT-4!
Ethan Mollick dice che esistano «migliori di GPT-4» diciannove modelli che girano su uno smartphone. Conta perché Mollick studia l’adozione reale e ha fissato GPT-4 come riferimento. Manca il come: quali benchmark, quale definizione di meglio, quali compiti, quale quantizzazione e budget energetico. Alcuni modelli leggeri battono GPT-4 su prove mirate via distillazione, però nessuno ha mostrato superiorità generale riproducibile.
Per i team la scelta passa da fama a misure sul proprio caso d’uso, con latenza, costo e vincoli di privacy on-device. Questo può spostare i default verso esecuzione locale quando la qualità basta. Giudizio della redazione: tesi iperbolica, ma il trend è reale e favorisce stack on-device e minori dipendenze dal cloud, a patto di verifiche e fallback.
Triage e code review si spostano a monte. Se il canale diventa l’agente, il team tratta il report come artefatto primario e il maintainer valuta il caso prima del codice. Qui sta il punto della frase «preferisco i contributi degli agenti»: il collo di bottiglia non è scrivere patch, è fornire contesto affidabile e completo. Le pull request come bozze servono a sostenere la diagnosi, non a sostituirla.
La conseguenza pratica è una sola ma impegnativa: conviene investire nel filtro. Linee guida di segnalazione, raccolta automatica dei dettagli rilevanti e criteri di accettazione chiari riducono attrito e falsi positivi, perché l’agente compila e la verifica resta al team. La redazione è d’accordo: chi sposta la qualità del processo sul report guadagna tempo e stabilità di manutenzione.