Gli ingegneri di Anthropic uniscono 8 volte più codice al giorno rispetto a un anno fa. Il modello non è cambiato. L'hardware non è cambiato. Le dimensioni del team non sono cambiate. Ciò che è cambiato è ciò che Claude vede prima di iniziare a lavorare.
La maggior parte degli sviluppatori passa il tempo a scrivere prompt migliori. Gli ingegneri di Anthropic passano il tempo a costruire un contesto migliore. Quel singolo cambiamento è responsabile dell'intero divario di 8 volte.
La ricerca stessa di Anthropic lo afferma chiaramente: la qualità di un agente AI è determinata meno dal modello e più dal contesto che gli viene fornito. Claude vede solo ciò che si trova all'interno della finestra di contesto. Tutto ciò che è al di fuori di quella finestra non esiste. Il che significa che l'intero lavoro di un serio ingegnere AI non consiste nello scrivere prompt intelligenti, ma nell'assicurarsi che Claude abbia esattamente le informazioni giuste prima di intraprendere qualsiasi azione.
Quella disciplina ora ha un nome. Context engineering (ingegneria del contesto). E sta sostituendo il prompt engineering nello stesso modo in cui il prompt engineering ha sostituito lo scripting manuale due anni fa.
Aggiungi ai segnalibri e segui
Sono Noisy, uno sviluppatore con 4 anni di esperienza. Costruisco sistemi AI, pipeline di automazione e trovo modi per trasformare la tecnologia in un reddito reale.
Perché il tuo agente AI fornisce risposte sbagliate
La maggior parte delle persone incolpa il modello quando un agente AI fallisce. File modificato in modo errato. Ipotesi sbagliata. Errore ovvio che qualsiasi sviluppatore avrebbe notato.
Il modello non è quasi mai il problema. Il problema è la mancanza di contesto.
1Cosa la maggior parte delle persone dà a Claude | un prompt2Di cosa ha effettivamente bisogno Claude | conoscenza, memoria, file,3 | regole, esempi, strumenti,4 | stato, azioni precedenti
Un prompt è una frase. Il contesto è l'intero ambiente informativo in cui opera Claude. La differenza tra un agente che funziona e uno che non funziona è quasi sempre ciò che c'è in quell'ambiente, non quale modello è in esecuzione.
Anthropic lo descrive in questo modo: l'LLM vede solo ciò che è nella finestra di contesto. Il contesto è il sistema operativo per l'AI. Se lo costruisci male, nulla funziona, indipendentemente da quanto sia capace il modello.
Cos'è effettivamente il contesto
La maggior parte delle persone pensa che il contesto significhi il testo che incollano prima della loro domanda. Questo è solo un livello. Un contesto progettato correttamente ha sette componenti che lavorano insieme.
1Memoria | ciò che l'agente sa dalle sessioni passate2Istruzioni | regole, vincoli, stile di codifica3Esempi | come appare effettivamente un buon output4File | codice pertinente, documentazione, architettura5Azioni precedenti | ciò che l'agente ha già provato6Risultati tool | cosa hanno restituito ricerche e funzioni7Stato | a che punto si trova attualmente l'attività
Ogni volta che Claude intraprende un'azione, il contesto cresce. I risultati dei tool tornano indietro. Vengono letti nuovi file. Lo stato si aggiorna. Claude vede il nuovo contesto e decide l'azione successiva. Questo ciclo è il vero meccanismo di un agente: non il prompt, non il modello, ma il contesto che si evolve a ogni passo.
1Richiesta utente2↓3Contesto costruito da tutte e sette le componenti4↓5Claude decide l'azione6↓7Il tool esegue8↓9Risultato aggiunto al contesto10↓11Claude vede il nuovo contesto12↓13Azione successiva14↓15Ripeti fino al completamento
Un cattivo agente interrompe questo ciclo al secondo passaggio. Il contesto è incompleto, quindi Claude fa delle ipotesi. Le ipotesi sono sbagliate, quindi l'output è sbagliato. La maggior parte degli sviluppatori risolve questo problema riscrivendo il prompt. La soluzione reale è costruire il contesto correttamente.
Lo stack di contesto a tre livelli
Anthropic consiglia di pensare al contesto in tre livelli. Ogni livello ha uno scopo diverso e viene caricato in un momento diverso del lavoro dell'agente.
1Contesto Globale | sempre presente, ogni sessione2Contesto Progetto | caricato all'inizio del progetto3Contesto Attività | caricato per l'attività specifica
Il Contesto Globale è il livello permanente. Identità, regole di base, stile di codifica, cosa l'agente non dovrebbe mai fare. Questo non cambia mai tra le sessioni e non ha mai bisogno di essere rispiegato.
1Il contesto globale contiene:2- Identità e ruolo dell'agente3- Standard di codifica e regole di stile4- Vincoli di sicurezza5- Cosa non toccare o modificare mai6- Come gestire l'incertezza
Il Contesto Progetto è il livello di conoscenza. Tutto ciò di cui Claude ha bisogno per comprendere questa specifica base di codice: l'architettura, i pattern utilizzati, le decisioni prese e perché, le cose che sono andate storte in precedenza.
1Il contesto del progetto contiene:2- README e panoramica dell'architettura3- AGENTS.md con regole specifiche del progetto4- Struttura delle cartelle e convenzioni di denominazione5- Requisiti e pattern di test6- Dipendenze chiave e perché sono state scelte
Il Contesto Attività è il livello di esecuzione. Il file specifico su cui si sta lavorando, il ticket attuale, l'obiettivo immediato, i vincoli che si applicano a questa esatta attività.
1Il contesto dell'attività contiene:2- File corrente e file correlati3- L'obiettivo specifico per questa sessione4- Modifiche recenti e i loro risultati5- Risultati dei test attuali6- Vincoli specifici per questa attività
La maggior parte degli sviluppatori fornisce a Claude solo il contesto dell'attività. L'agente inizia ogni sessione senza contesto globale o di progetto e deve indovinare tutto ciò che non sa. È da quelle ipotesi che nascono gli errori.
AGENTS.md - il file che cambia tutto
Il singolo file più importante in qualsiasi configurazione seria di Claude Code. I ricercatori hanno identificato AGENTS.md come il nuovo standard per il contesto degli agenti di codifica AI: è ora presente in migliaia di repository di produzione proprio perché funziona.
AGENTS.md è dove risiede permanentemente il contesto del progetto. Claude lo legge automaticamente all'inizio di ogni sessione. Dopodiché, non ha più bisogno di sentirselo ripetere.
1# AGENTS.md23## Architettura4Monorepo con frontend Next.js e backend Express.5Tutte le rotte API risiedono in /api. Non modificare mai /legacy direttamente.67## Regole di codifica8Non usare mai axios. Usa sempre fetch.9Ogni componente: TypeScript, Tailwind, Server Actions.10Nessuna esportazione predefinita (default export) eccetto per le pagine.1112## Test13Vitest per i test unitari. Playwright per E2E.14Esegui npm test prima di ogni commit.15Non disabilitare mai un test fallito: correggilo o segnalalo.1617## Git18Non eseguire mai il commit direttamente su main.19Apri sempre una PR con una descrizione chiara.20Collega ogni PR a un ticket Linear.2122## Non toccare mai23src/payments/ - qualsiasi modifica richiede l'approvazione umana24src/auth/tokens/ - richiesta revisione di sicurezza25File .env - non leggere o modificare mai
Ogni regola in questo file è un errore che Claude non commetterà mai più. Più a lungo il progetto viene eseguito, più AGENTS.md diventa specifico e prezioso: è la conoscenza accumulata di ogni errore commesso dall'agente e di ogni convenzione stabilita dal team.
Lo stack di contesto che alimenta gli agenti seri
I migliori ingegneri AI non iniziano un'attività scrivendo un prompt. Costruiscono uno stack di contesto: una sequenza strutturata di informazioni che si carica prima che Claude intraprenda una singola azione.
1Passo 1 | carica contesto globale - identità, regole, stile2Passo 2 | carica contesto progetto - AGENTS.md, architettura, documenti3Passo 3 | cerca nella memoria esperienze passate pertinenti4Passo 4 | carica i file pertinenti per questa specifica attività5Passo 5 | carica lo stato attuale - risultati dei test, modifiche recenti6Passo 6 | definisci l'obiettivo dell'attività con chiari criteri di successo7Passo 7 | Claude agisce con informazioni complete
Confronta l'aspetto di un agente con un contesto ben progettato rispetto a quello predefinito:
1Cattivo agente:2Domanda → Claude → Risposta3Claude indovina tutto ciò che non sa45Buon agente:6Domanda7↓ cerca nei documenti8↓ cerca nella memoria9↓ leggi AGENTS.md10↓ leggi i file pertinenti11↓ controlla lo stato attuale12↓ Claude13↓ Risposta basata su informazioni complete
Il secondo agente non è più intelligente. È meglio informato. Il modello è identico. Il contesto no.
Memoria: il contesto che sopravvive tra le sessioni
Anthropic traccia una chiara distinzione tra i tipi di memoria che alimentano il contesto. La maggior parte degli agenti ne ha solo una: la conversazione attuale. Ecco perché iniziano ogni sessione da zero.
1Memoria a lungo termine | tutto ciò che è stato appreso in tutte le sessioni passate2Memoria a breve termine | cosa è successo prima in questa conversazione3Memoria di lavoro | cosa c'è nella finestra di contesto in questo momento
La memoria a lungo termine è ciò che fa aumentare il valore di un agente nel tempo. Ogni sessione vi aggiunge qualcosa. Ogni errore viene registrato. Ogni pattern di successo viene memorizzato. L'agente che è stato eseguito su una base di codice per sei mesi sa cose su quel progetto che nessun prompt può replicare.
L'implementazione pratica è un file di memoria: un documento markdown al di fuori della conversazione che l'agente legge all'inizio di ogni sessione e aggiorna alla fine.
1# Memoria Progetto23## Decisioni architetturali4- Scelto Supabase invece di Firebase: tempo reale meno critico, necessarie query SQL5- Passato da REST a tRPC: type safety sull'intero stack, giugno 202667## Cosa ha funzionato8- Una maggiore copertura dei test prima del refactoring previene le regressioni9- Suddividere le grandi PR in release con feature flag riduce i tempi di revisione1011## Cosa non ha funzionato12- Migrazioni autogenerate: la deriva dello schema ha causato un incidente in produzione13- Scritture parallele dell'agente sullo stesso file: usare sempre i worktree1415## Pattern ricorrenti16- I problemi di autenticazione sono quasi sempre riconducibili all'ordine del middleware17- I problemi di performance iniziano solitamente nel livello di query del database
Ogni sessione questo file viene letto. Ogni sessione viene aggiornato. L'agente non dimentica mai.
MCP: contesto da ogni luogo
Il contesto non proviene solo dai file nel repository. Un agente di produzione ha bisogno di contesto da ogni sistema in cui lavora il team: il sistema di tracciamento dei problemi, il monitor degli errori, la documentazione, il database, gli strumenti di comunicazione.
Il Model Context Protocol (MCP) è il modo in cui Claude estrae il contesto da sistemi esterni senza integrazioni personalizzate per ciascuno di essi.
1Filesystem | file locali, configurazioni, basi di codice2GitHub | problemi, PR, cronologia dei commit, risultati CI3Linear / Jira | ticket, priorità, stato del progetto4Slack | decisioni prese, contesto dalle discussioni5Postgres | dati live, schema, risultati delle query6Google Drive | documenti, specifiche, note di riunione7Sentry | errori live, frequenza, utenti interessati
Un agente con MCP configurato non vede solo il codice. Vede il ticket che descrive perché questa funzionalità è necessaria, la conversazione su Slack in cui è stata decisa l'architettura, l'errore di Sentry che mostra come gli utenti riscontrano il bug e lo schema del database che la correzione deve rispettare.
Questo è un contesto completo. Tutto ciò di cui Claude ha bisogno per prendere la decisione giusta senza tirare a indovinare.
Il flusso di lavoro dell'ingegneria del contesto
Ecco come appare un'attività correttamente progettata dal punto di vista del contesto, dall'inizio alla fine.
Invece di:
1Costruisci la funzionalità di esportazione.
Dai a Claude:
1Obiettivo2La funzionalità di esportazione sta bloccando la conversione da free a pro.3Vedi segnale: /signals/export-too-hidden.md45File pertinenti6src/features/export/ - implementazione attuale7src/components/ui/Button.md - pattern di pulsanti da seguire8tests/features/export.test.ts - copertura dei test esistente910Vincoli architetturali11Leggi la sezione di AGENTS.md: Regole di esportazione12Non modificare mai direttamente l'integrazione della fatturazione1314Criteri di successo15Tutti i test esistenti passano16I nuovi test coprono i tre formati di esportazione17PR aperta con ticket Linear EXP-47 collegato18Nessuna modifica a src/payments/
Stessa attività. Contesto completamente diverso. L'output non è leggermente migliore: è categoricamente diverso perché Claude sta prendendo decisioni con informazioni complete invece di fare ipotesi intelligenti.
La configurazione pratica per questo fine settimana
Giorno 1 - Costruisci lo stack di contesto a tre livelli. Scrivi un file di contesto globale con identità e regole di base. Crea AGENTS.md con l'architettura del tuo progetto, le convenzioni di codifica e l'elenco delle cose da non toccare mai. Imposta un file di memoria che si carica all'inizio della sessione e si aggiorna alla fine.
Giorno 2 - Connetti il contesto esterno tramite MCP. Installa il connettore GitHub in modo che Claude veda il tuo sistema di tracciamento dei problemi e la cronologia delle PR. Installa il connettore filesystem in modo che navighi nella base di codice in modo efficiente. Aggiungi Slack o Linear se il tuo team li usa per le decisioni.
Giorno 3 - Testa la differenza. Esegui la stessa attività con il tuo vecchio approccio basato solo sui prompt e con lo stack di contesto completo. Il divario nell'output è dove nasce la produttività 8 volte superiore.
Il cambiamento che è già avvenuto
Il prompt engineering riguardava la ricerca delle parole giuste. Il context engineering riguarda la costruzione dell'ambiente informativo giusto.
I migliori ingegneri AI di Anthropic non perdono tempo a creare prompt intelligenti. Passano il tempo ad assicurarsi che Claude abbia esattamente le conoscenze, la memoria, i file, le regole e lo stato giusti prima di intraprendere una singola azione. Il prompt è l'ultimo 1% del lavoro. Il contesto è il restante 99%.
Un agente con prompt perfetti e contesto scarso commette errori intelligenti. Un agente con prompt medi e contesto completo prende decisioni corrette. Il modello è lo stesso. L'ambiente informativo no.
Il contesto è il sistema operativo per l'AI. Costruiscilo bene e il divario di output di 8 volte smetterà di essere qualcosa che accade in Anthropic e inizierà a essere qualcosa che accade nella tua base di codice.
La maggior parte degli sviluppatori continuerà a riscrivere i propri prompt e si chiederà perché i risultati non migliorano. Alcuni passeranno un fine settimana a costruire uno stack di contesto adeguato e non torneranno più indietro.
Costruisci la tua vita, quindi scegli la strada giusta.
/ Se è stato utile, segui /
