Fino a poco tempo fa, programmare con l’intelligenza artificiale significava essenzialmente farsi dare un piccolo suggerimento per chiudere una parentesi o scrivere una funzione banale. In una manciata di mesi, però, siamo passati da semplici “assistenti alla scrittura” a veri e propri sciami di agenti autonomi capaci di gestire intere codebase. È un’evoluzione rapidissima che ha trasformato radicalmente il paradigma del coding. Facciamo un po’ di chiarezza con questo articolo.
I primi passi: dalla “Completion” ai Chatbot
Tutto è iniziato con la Code Completion. Era l’era dei modelli addestrati per prevedere la riga successiva di codice, basandosi su ciò che lo sviluppatore aveva appena scritto o sui suoi commenti. Poco dopo sono arrivati i Chatbot generalisti, i GPT o Generative Pre-trained Transformer. Potevano scrivere interi script Python o classi Java, ma restavano strumenti “passivi”. Eravamo noi a dover fare il lavoro sporco: copiare il codice, incollarlo nell’editor, installare le librerie e testare se tutto funzionasse.
L’avvento dei Coding Agent e il sistema RAG
La vera svolta è arrivata con i Coding Agent. Qui l’IA non si limita a parlare, ma “agisce”. Questi agenti sono dotati di un set di strumenti (tools) che permettono loro di leggere e scrivere file, eseguire comandi nel terminale e persino navigare sul web o usare il browser per testare le interfacce create.
Per permettere a questi agenti di muoversi in progetti enormi, è stato introdotto il sistema RAG (Retrieval-Augmented Generation). Poiché un modello non può “leggere” contemporaneamente milioni di righe di codice a causa dei limiti della sua finestra di contesto, il progetto viene spezzettato in piccoli frammenti e trasformato in vettori numerici. In questo modo, l’agente può effettuare una ricerca semantica e recuperare solo i pezzi di codice necessari per risolvere un compito specifico, mantenendo l’efficienza.
Il limite della memoria e i sistemi Multi-Agente
Nonostante la potenza degli agenti, è emerso un problema critico: il Context Rot. Man mano che una conversazione si allunga, il modello inizia a perdere colpi, diventando “stupido” o dimenticando istruzioni date poco prima. Per risolvere questo, si è passati ai sistemi multi-agente basati su un orchestratore che delega i compiti a sotto-agenti specializzati (come un esperto di frontend o un tester). L’idea era che ogni sotto-agente, avendo una finestra di contesto pulita, potesse lavorare meglio. Tuttavia, anche questo approccio finiva per saturare l’orchestratore principale, portando comunque a un degrado delle prestazioni.
Il nuovo standard: l’Agentic Loop
Oggi, grazie a innovazioni come Ralph Loop, lo standard si è spostato verso l’Agentic Loop. Invece di avere una folla di agenti, si torna a un singolo agente che opera in un ciclo continuo, ma con una differenza fondamentale: a ogni passaggio, l’agente riparte con il contesto vuoto e “fresco”.
Per non perdere la memoria del progetto, si usa la Spec Driven Programming. L’agente si affida a documenti di requisiti (PRD) e a file di progresso (progress.txt) che fungono da bussola. Questo gli permette di lavorare in completa autonomia per ore o giorni, smarcando un compito dopo l’altro senza mai affaticare la sua “memoria” a breve termine.
Il futuro: l’era degli Agent Swarm
Siamo già entrati nell’ultima frontiera: l’Agent Swarm (o sciame di agenti), introdotto da modelli all’avanguardia come Kimi K2.5. In questo paradigma, l’orchestratore non si limita a gestire agenti predefiniti, ma ha il potere di creare autonomamente fino a 100 sotto-agenti in base alla necessità, scrivendo i loro prompt e assegnando loro compiti specifici.
La rivoluzione quindi sta nel parallelismo: i compiti non vengono più eseguiti uno dopo l’altro, ma tutti insieme, riducendo i tempi di attesa di 4-5 volte. Immaginate un sistema che può analizzare contemporaneamente centinaia di documenti e coordinare decine di “programmatori virtuali” che lavorano in sincrono. Il ruolo del programmatore umano sta diventando sempre più quello di un architetto di alto livello, capace di definire requisiti perfetti per permettere a questi sciami di costruire software di complessità inimmaginabile fino a ieri.
Insomma stiamo assistendo alla nascita di una nuova figura lavorativa. Una sorta di Project Manager delle Intelligenze artificiali.


