Gli articoli di Millebit sono scritti con l’intelligenza artificiale a partire da fonti citate in ogni pezzo. Come lavoriamo
Un filo comune è l'esame pratico dei limiti progettuali degli agenti: contesto, causalità e revisioni deliberate
Many moons ago, I wrote about “post-commit” reviews. In the agentic era, a workflow I find extremely useful is … *pre-commit* agentic reviews. For large changes, the review agents take 10x the time it takes the coding agent to create a patch, but is totally worth it, IMO.
I don't think most people realize how complex and complicated agentic AI systems inside mid-sized and above companies are: by necessity, because there is SO MUCH context, but only so little AI contex windows. Case study on Uber's 19 internal, custom, AI-related systems coming later today in @Pragmatic_Eng So many of those "AI-related systems" are "systems pre-AI" that turned out to become extremely useful with AI. Like their PRD+ERD system that conveniently documents connections between the ~5,000ish internal systems inside the company!
Gergely Orosz sostiene che in azienda gli agenti camminano solo su contesto esistente. Cita Uber con 19 sistemi interni e un PRD+ERD che mappa circa 5.000 connessioni. La sua voce pesa perché osserva da anni le grandi tech e per il punto che tocca: «tanto contesto e finestre corte».
La conseguenza è concreta: il collo di bottiglia non è il modello, è una mappa affidabile dei sistemi e dei loro contratti, accessibile con permessi e interfacce stabili. Senza un PRD+ERD vivente o un catalogo equivalente, l’agente sbaglia chiamate, viola confini, aumenta la latenza. La redazione concorda: vince chi ha disciplina di architettura e documentazione. Chi cerca scorciatoie spingendo solo sul modello brucia budget e fiducia del team.
You can't solve real-world physical tasks through autoregressive sampling alone. The physical world is entirely unforgiving to hallucination or approximate pattern matching. If we want actual autonomous robotics we have to engineer causality and discrete reasoning back into the loop. Biwei and the team at Aether AI is doing exactly the kind of foundational, non-consensus work the field actually needs right now.
François Chollet, che ha firmato Keras e il benchmark ARC sul ragionamento, attacca la scorciatoia LLM-as-brain e ricorda che «il mondo fisico non perdona». Il richiamo a Biwei e Aether AI non è ornamentale: indica una direzione concreta, con architetture causali e ragionamento su stati e azioni discrete al posto di una generazione autoregressiva che spera di far combaciare pattern.
Per chi costruisce sistemi, la conseguenza pratica è mettere al centro un pianificatore discreto sullo stato che verifica precondizioni ed effetti, mentre i modelli generativi restano a tradurre percezioni e intenti. Questo sposta budget e attenzione sulla modellazione dello stato e sulla verifica del piano, non su prompt sempre più lunghi. La redazione concorda: affidare la policy a una sequenza di token invita a incidenti. Resta aperta la quota da progettare rispetto a quella da apprendere.
Cindy Sridharan propone la «review agentica pre-commit» e mette un numero: sui cambi grossi gli agenti di review impiegano «10x» rispetto all’autore della patch. Può dirlo chi prima sosteneva il post-commit e scrive di sistemi distribuiti e affidabilità. Il bersaglio è fondere veloce e correggere dopo. Il rischio si sposta a monte e il tempo extra compra una valutazione più profonda.
Questo cambia la pianificazione: il gate di review diventa bloccante con una finestra diversa da CI e test e va messo a budget nel merge. Serve definire i cambi “grossi”, schedulare slot e proteggere il treno di rilascio. Il giudizio della redazione è favorevole: con SLO espliciti alzi qualità e riduci rollback senza creare un collo di bottiglia.