Gli agenti di coding hanno i loro strumenti: memoria, igiene dei test e tool MCP bloccati

Threadnote vende il trasporto del contesto per gli agenti di coding. Ha pubblicato il risultato il 5 ottobre per la build 5.1.0-beta.2. Su cinque repository pubblici riporta il 65,62% in meno di token del provider per ciclo di vita per ogni completamento verificato. Riporta anche il 46,14% in meno di tempo di ciclo di vita rispetto a una baseline che usa solo i file.

Il ramo con i soli file ha superato la verifica su 4 attività su 5. Threadnote ne ha superate 5 su 5.

L'azienda ammette apertamente che si tratta di uno studio piccolo, su un solo modello, non di una valutazione indipendente. Tutti e dieci i tentativi di continuazione hanno usato OpenAI gpt-5.6-luna con la stessa configurazione sigillata. Ogni condizione ha avuto un tentativo e nessun nuovo tentativo. La seconda condizione univa un handoff generato dal prodotto a una query obbligatoria sul grafo del codice. I numeri quindi non separano la memoria dalla ricerca sul grafo.

Perché conta: se l'effetto regge, rileggere il codice non domina più il costo per portare a termine un'attività. Cambiano i budget per i team che fanno girare agenti su repository di lunga vita. Non cambia cosa dimostra un test superato. Lo studio è una misurazione fatta dal fornitore stesso.

Modelli piccoli, promesse grandi, test appaiati

Jeff-Code è un fork dell'agente di coding Pi. Mette un modello decisionale da 800.000.000 di parametri davanti a Qwen 3.8-27B, cioè 27.000.000.000 di parametri. Il modello piccolo fa due chiamate per ogni turno di Qwen, circa 0,2 secondi ciascuna. Una chiede se può fare da solo il passo informativo successivo. L'altra chiede se Qwen deve ragionare a fondo. Il ragionamento è rimasto spento finché la probabilità di averne bisogno non ha raggiunto 0,6. Circa tre quarti dei turni di Qwen sono girati senza.

Il repository riporta 1.242 attività appaiate. Il tasso di successo è risultato del 62,4% contro il 62,8% di Qwen da solo. È una differenza appaiata di meno 0,2 punti, con un intervallo al 95% da meno 2,6 a più 2,1. Il tempo medio per attività è stato 0,68 volte la baseline. Il tempo totale su tutte le attività è stato 0,86 volte, perché in circa il 5% delle attività Jeff-Code ha girato più di 30 minuti in più rispetto a Qwen da solo.

Due impostazioni non reggono. Spegnere il ragionamento a ogni turno è stato più veloce ma ha perso 7,6 punti (da meno 10,6 a meno 4,5). Un Jeff meno prudente, con soglia 0,7, ha perso 4,5 punti. Gli aumenti di velocità sono spariti anche su Terminal-Bench 2.0 (0,96 volte) e su SkillsBench (0,91 volte).

Si studia anche l'impalcatura, e si misura

Reika è una CLI per agenti di coding costruita intorno a modelli locali piccoli. Ha pubblicato le proprie osservazioni invece di una tabella di benchmark. Una riscrittura a metà contesto ha riprocessato 8.453 token di prompt, che secondo l'autore valgono 7,9 minuti di prefill. Un'aggiunta nella stessa sessione è costata 25 token e 3,5 secondi. Nei test, i modelli da 14 a 35 miliardi di parametri hanno gestito con più affidabilità le attività su più file. I modelli da 8 a 9 miliardi se la cavavano con quelle semplici e ben delimitate, e sotto i 7 miliardi raramente arrivavano lontano.

Un articolo su arXiv inviato il 15 luglio dà al campo una cornice più larga. Paul Barbaste e tre coautori hanno esaminato undici impalcature di coding in produzione. Tra queste Claude Code, Codex CLI, Gemini CLI, OpenHands, Aider, Hermes, Pi, OpenCode e OpenClaw, più una meta-impalcatura chiamata Omnigent. Hanno guardato circa 35.000.000.000 di righe di Python, TypeScript e Rust. Non hanno trovato nessun runtime per agenti che importi un framework agentico di uso generale. Non ne hanno trovato nessuno che recuperi codice con embedding vettoriali. Le Skills hanno superato MCP per adozione, 9 sistemi su 11 contro 8 su 11.

Questo conta per chi compra o costruisce questi strumenti. La differenziazione sta nel ciclo, nella gestione del contesto e nei controlli di sicurezza. Non sta in un framework condiviso che tutti licenziano. L'articolo ha anche seguito le stesse impalcature per un trimestre. Descrive una convergenza che diventa imitazione, con la politica di comportamento che passa dal testo del prompt alla configurazione.

Sedimento di test e il costo del verde

Ian Maurer, in un testo del 5 ottobre, sostiene che il problema più grosso dei test per gli agenti è quello che resta indietro. Cita il team di OpenClaw, che ha riferito di aver cancellato circa 400.000 righe dei propri test con un cambiamento minimo nella copertura del codice. Chiama quel residuo sedimento di test. Rallenta le build, si rompe su refactoring che conservano il comportamento e può fissare un comportamento sbagliato.

La sua soluzione sono test dall'esterno verso l'interno, scritti prima nella lingua dell'utente. Tienili solo se dichiarano un comportamento, coprono un caso limite o verificano un contratto da cui altri dipendono. La copertura, scrive, è una mappa di ciò che non è testato, mai la prova di ciò che è testato.

Il mutation testing pone la domanda migliore: se questo codice si rompesse, un test fallirebbe?

Il rischio di fondo è che gli agenti producano lavoro che sembra verificato. Groundrun ha riportato una sessione di 29,7 ore il 5 ottobre. Claude Code con Claude Opus 5.5 ha implementato e validato sei metodi di aggiornamento over-the-air per un dispositivo Matter su una scheda ESP32-H2, usando un banco hardware-in-the-loop. La sessione ha anche fatto emergere un bug nel codice Matter. Groundrun nota che l'OTA è obbligatorio in pratica secondo il Cyber Resilience Act dell'UE. Nota anche che un aggiornamento fallito può rendere inutilizzabile un dispositivo.

L'approvazione non è integrità

MCP-pin, pubblicato su GitHub il 5 ottobre, punta a un buco più stretto. Quando approvi un server MCP, il client mostra una volta sola le descrizioni dei suoi tool. Il server può servirne di diverse più tardi, e la maggior parte dei client non richiede mai conferma, dice il progetto. La specifica MCP non prevede alcun controllo di integrità.

Lo strumento è un proxy locale che blocca gli hash e ferma le deviazioni, con un log pubblico in sola aggiunta. Visual Studio è l'eccezione citata. Dalla versione 18.7 di giugno 2026 confronta all'avvio i tool, i prompt, le risorse e le istruzioni di un server con l'ultima versione considerata affidabile.

Il server può servire un insieme di definizioni dei tool il lunedì e un insieme diverso il martedì.

È la lettura del progetto stesso, ed è il modello di minaccia giusto. Una descrizione dei tool modificata arriva al modello con la stessa forza di un system prompt modificato. Se altri client adotteranno lo stesso controllo non è dato sapere.

Un comando, un checkout, una revisione

Rivet, di Agilno, prende la strada opposta all'autonomia: la mette dietro un cancello. Lo strumento è ancora in alpha e si installa da npm come @agilno-tech/rivet. Esegue un'attività in un checkout Git isolato, lancia i controlli del progetto e poi offre un menu. Il menu permette di rivedere il diff, applicare in locale o preparare una consegna come pull request. La pubblicazione richiede un'approvazione separata. Serve Node.js 22 o 24 e Git su macOS o Linux. Funziona con un Claude Code o un Codex CLI autenticato.

Ostoyae è un esecutore di grafi senza dipendenze npm, e fa un taglio diverso. I job formano un DAG che cresce mentre gira. Quando un agente si blocca perché una dipendenza non esiste, quel vuoto diventa un nuovo nodo. Ogni job gira nel proprio worktree git. Il lavoro conta solo quando il suo comando di controllo passa su un checkout pulito.

Importa issue da GitHub e fa girare un agente per job. Mescola Claude Code, Codex, Hermes e Grok sulla stessa board.

Entrambi danno per scontato che esista un controllo che l'agente non può aggirare a parole. È la stessa assunzione dietro i completamenti verificati di Threadnote e dietro il banco hardware di Groundrun. Gli strumenti differiscono su dove sta la persona, non sul fatto che la verifica sia il punto.

Due pezzi più piccoli completano il quadro. Tmux-agent-status, pubblicato il 5 ottobre, non mostra nulla mentre gli agenti lavorano. Mostra un piccolo indicatore quando uno è bloccato in attesa di un permesso o ha finito. Il blog di PixLab ha riferito il 5 ottobre di più di 20 studenti dell'ultimo anno osservati. Gli strumenti di coding in uso erano ChatGPT o i modelli GLM di Z.ai. Un junior a livello di master continuava a chiedere a una chatbot come ottenere un elemento HTML tramite il suo ID. È un'osservazione dal programma di tirocinio di una sola azienda, non un sondaggio.

Niente di tutto questo stabilisce se gli agenti rendano gli sviluppatori migliori o solo più veloci ad approvare. I numeri che esistono sono quasi tutti prodotti dai fornitori, su attività appaiate, con intervalli abbastanza larghi da nascondere effetti piccoli.

L'articolo sulle impalcature è l'eccezione: guarda ai pari, parte dal codice e dice senza giri di parole quanto è giovane la disciplina.