Vai al contenuto

root / tags / recherche

#recherche

4 fiches

Agenti di codifica IA e Skills Traduzione verificata automaticamente

Using Claude Code: The Unreasonable Effectiveness of HTML

Articolo in stile manifesto di **Thariq Shihipar** (Ingegnere e imprenditore seriale, team Claude Code di Anthropic) che annuncia un **cambiamento nel formato di output predefinito per gli agenti**: la sostituzione di **Markdown con HTML**. Tesi: Markdown è stato il formato dominante tra umani e agenti (semplice, portabile, modificabile, leggibile) ma è diventato **un collo di bottiglia** man mano che gli agenti producono artefatti più lunghi e ricchi (specifiche, piani, report, code review). Oltre le ~100 righe, nessuno legge più un file Markdown. HTML risolve sei limiti contemporaneamente: **densità informativa** (tabelle, CSS, SVG, script, canvas, immagini), **chiarezza visiva** (layout navigabile, responsive per mobile), **facilità di condivisione** (un link S3 apribile direttamente nel browser), **interattività bidirezionale** (slider, manopole, pulsanti "copy as JSON/prompt" per il rientro in Claude Code), **ingestione contestuale nativa** (Claude Code legge la codebase + MCP Slack/Linear + cronologia git + Chrome) e **piacere** (l'autore afferma esplicitamente *"it's joyful"*). Cinque usi canonici approfonditi: (1) **specifiche/piani/esplorazione** in una griglia comparativa, (2) **PR review** con diff annotato inline, (3) **design e prototipi** con slider di animazione, (4) **report/ricerca/apprendimento** (l'autore ha fatto generare un explainer sul prompt caching a partire dalla cronologia git), (5) **editor usa e getta personalizzati** (drag-and-drop di ticket Linear, editor di feature flag, prompt-tuner affiancati) che producono un export "copy as markdown/diff/JSON" re-iniettabile. Anti-pattern esplicito: *"I'm a little bit afraid that people will read this article and turn it into a /html skill"* — l'autore **rifiuta la skill-ificazione prematura**, raccomandando di scrivere il prompt da zero ("make a HTML file"). FAQ pragmatica: costo in token assorbito dal contesto da 1MM di **Opus 4.7**, generazione 2-4× più lunga, diff HTML rumorosi (uno svantaggio reale), stile tenuto sotto controllo tramite un design system HTML di riferimento.

#HTML#Markdown#formato di output

Thariq Shihipar (Engineer & serial entrepreneur, équipe Claude Code chez Anthropic — site : thariqs.github.io/html-effectiveness ; X : @trq212)

Agenti di codifica IA e Skills Traduzione verificata automaticamente

The Batch n°350 — How Coding Agents Accelerate Different Types of Software Work (Andrew Ng) + GLM-5.1, Digit chez Schaeffler, anti-data-center revolt, assistant axis

L'editoriale di Andrew Ng su The Batch #350 delinea una **gerarchia di accelerazione per gli agenti di coding** in base al tipo di lavoro software: **Frontend (massima) > Backend (moderata) > Infrastruttura (bassa) > Ricerca (minima)**. La motivazione poggia sulla *verificabilità* implicita (padronanza di TypeScript/JavaScript più un ciclo di test autonomo agente-browser sul frontend) e sui punti ciechi degli LLM (casi limite / sicurezza / migrazioni di database per il backend, compromessi di rete opachi per l'infrastruttura, formazione di ipotesi irriducibile per la ricerca). Il numero è completato da 4 notizie strutturanti: **GLM-5.1 (Z.ai)**, un modello con 754B parametri (40B attivi) sotto licenza MIT capace di compiti autonomi della durata di 8 ore (leader su SWE-Bench Pro con il 58,4%); **Digit (Agility Robotics) presso Schaeffler**, il primo dispiegamento industriale di umanoidi (5'9"/143lb, 10-25 $/h contro 20 $/h per un umano); la **rivolta anti-data-center** (~64 miliardi di dollari bloccati da maggio 2024 a marzo 2025, moratoria del Maine sugli impianti da 20MW+, cocktail Molotov contro l'abitazione di Sam Altman); e l'**"assistant axis"** (Christina Lu, MATS / Oxford / Anthropic), che riduce la deriva della persona e i jailbreak (Qwen3 32B: 83%→41%; Llama 3.3 70B: 65%→33%) senza degradare IFEval/GSM8k/MMLU-Pro/EQ-Bench.

#Andrew Ng#The Batch#DeepLearning.AI

Andrew Ng (édito principal — fondateur DeepLearning.AI, Stanford, ex-Google Brain, ex-Baidu) ; rédaction The Batch (DeepLearning.AI) pour les sections actualités