Stanford cambia CS146S: studenti usano agenti e inviano patch ai manutentori
Testo scritto con l’intelligenza artificiale a partire da 2 fonti citate, senza revisione umana prima della pubblicazione.
La seconda edizione del corso richiede contributi a repo open source revisionati dai manutentori, pratica che Mihail Eric applica anche nel team AI di Monaco.
Nella seconda edizione di CS146S a Stanford, gli studenti contribuiscono a progetti open source: imparano un repository sconosciuto, propongono una modifica e la spiegano al manutentore che decide se accettarla1,2.
Mihail Eric ha sondato una classe di sophomore e junior. Tutti usavano già un agente per programmare. Nel primo anno il corso aveva nove assignment e un capstone. Un esercizio chiedeva di far girare un code reviewer su un repository e valutarne i commenti. Nell’arco di un anno, molte attività sono diventate one-shot con un singolo prompt1.
Il nuovo compito impone confronto e responsabilità. L’agente può scrivere il codice in un pomeriggio. Lo studente deve capire se il maintainer vuole quella modifica, perché il sistema si comporta così, cosa rischia di rompersi. È la conversazione che fa crescere un junior con il feedback di un senior1.
C’è anche un trucco riusabile nelle pull request. Geoffrey Litt ha creato explain-diff: trasforma un cambiamento in un walkthrough visivo e poi interroga chi legge. Vale la pena provarlo su una patch generata dall’agente e vedere quali domande costringono a riaprire il codice1.
Eric applica questi principi in azienda. Guida l’AI in Monaco. La squadra ha valutato strumenti di code review e ha continuato a usare Devin. Per i workspace degli agenti, invece, ha costruito in casa. Un agente in background deve poter far girare il prodotto, riprodurre un errore, testare una patch. I dettagli dipendono dal cloud dell’azienda. La regola è netta: compri per imparare, costruisci per mantenere1.
Da questo lavoro è nato Hal. Un ingegnere gli chiede di indagare un guasto e aprire una PR. Un commerciale gli chiede come funziona il prodotto. Nel primo caso serve un cambiamento pronto per la review. Nel secondo, una spiegazione da dare a un cliente. Se consegni a tutti un muro di log, aiuti solo uno dei due1.
Per chiudere il ciclo di reperibilità, Monaco ha dato a un agente on-call accesso a Datadog e GitHub. L’obiettivo è collegare osservabilità e modifica del codice in un’unica catena di azioni verificabili2.
Il corso dedica spazio al contesto e agli strumenti per orientarsi in basi di codice grandi. Nelle note compaiono il syllabus di dieci settimane, un’analisi di un harness reale in “Demystifying Claude Code”, le “Minions” di Stripe, l’“Authority Map” di Basis, e un saggio su cosa accade quando la generazione di codice supera la capacità di review2.
Qui c’è il punto che riguarda tutti, università e aziende. Se gli agenti automatizzano il “come”, la selezione si sposta sul “cosa” e sul “perché”. La revisione diventa il collo di bottiglia, come discusso nel materiale del corso, e spinge a investire su repository agent-ready, sicurezza, dipendenze e permessi. Per i maintainer significa più patch da leggere, ma anche contributi meglio spiegati. Per i team significa scegliere cosa comprare per imparare in fretta e cosa costruire per tenere il controllo nel tempo2,1.
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:
- 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 7,9/10 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.