Come creare flussi di lavoro AI quando sei stanco di ottimizzare i prompt

Ciao a tutti, sono leopardracer!

Trovare buone idee per i contenuti mi portava via ore ogni settimana. Reddit in una scheda, le notizie in un’altra, arXiv in una terza, e una nota su Obsidian dove incollavo tutto cercando di ricordare come i pezzi si collegassero. Ogni ricerca con l’AI richiedeva secondi, ma il resto del tempo lo passavo a fare da collante.

La cosa peggiore era quanta attenzione bruciavo solo per passare da una scheda all’altra o da una chat all’altra. Ogni cambio mi costava concentrazione, e ogni ripartenza rendeva il lavoro più pesante di quanto fosse.

Allora non lo sapevo, ma invece di ottimizzare all’eccesso i miei prompt, avrei dovuto semplicemente creare un flusso di lavoro. Ci ho messo un po’ a trovare il modo migliore per farlo, e ora sono pronto a condividere come trasformare i prompt in workflow.

In questo articolo:

• Perché le abitudini con i prompt si rompono quando si scala
• Come individuare il tuo primo candidato per un workflow
• Dove trovare i punti di giunzione nelle conversazioni lunghe
• Il modello di passaggio che porta il contesto in avanti

Se stai copiando e incollando output tra chat AI, stai facendo il lavoro di coordinamento che l’AI dovrebbe fare. La soluzione è trasformare i tuoi prompt in un workflow dove ogni passo scrive su un file e il successivo lo legge. Il contesto si porta avanti da solo, senza che tu lo trasporti. Ti fermi solo dove serve una decisione vera.

Quando il Prompting Smette di Funzionare

Quasi tutti iniziano con l’AI allo stesso modo. Scrivi una domanda, ottieni una risposta, la copi da qualche parte, ripeti. Così ho passato il mio primo anno con l’AI. E lo capisco, sembra produttivo perché ogni interazione ti dà qualcosa di concreto.

Poi noti che passi più tempo a gestire l’AI di quanto l’AI te ne faccia risparmiare. Sei tu a copiare tra un passo e l’altro. Sei tu a ricordare cosa serviva al terzo passo dal primo.

Uno studio dell’ottobre 2025 pubblicato su arXiv ha scoperto che l’accuratezza degli LLM cala significativamente quando le informazioni rilevanti sono inserite in contesti più lunghi, anche quando tutti i token irrilevanti sono mascherati.

Blog e corsi sull’ingegneria dei prompt vendono ancora l’idea che le parole giuste risolvano tutto. Stanno ottimizzando il livello sbagliato. Stai cercando di far passare una pipeline attraverso una finestra di chat, e nessuna quantità di parole ben scelte cambierà questo fatto.

Raggiungere un tetto con il prompting significa che hai un problema di architettura.

Come Individuare il Tuo Primo Workflow AI

Prima di andare avanti, prova questo. Pensa all’ultimo compito ripetitivo che hai fatto con l’AI. Quello che ti ha portato via 45 minuti e ti ha fatto venire voglia di urlare al minuto 30. Ora chiediti:

• Ho copiato e incollato tra un passo e l’altro?
• Ho aperto più finestre di chat perché il contesto si sporcava continuamente?
• Dovevo ricordare cosa serviva al terzo passo dal primo?
• L’AI produceva buoni output a ogni passo, ma il risultato finale era mediocre?

Se hai risposto sì a una qualsiasi di queste domande, hai già un candidato per un workflow. Stavi facendo manualmente il lavoro di coordinamento.

Ecco un prompt che puoi usare subito. Incollalo alla fine della tua prossima conversazione lunga con l’AI, dopo aver completato un compito:

1Ripensa a questa conversazione che abbiamo appena avuto. Sto per incollare il prompt iniziale con cui ho cominciato. Voglio che analizzi se questo compito potrebbe essere convertito in una competenza o un workflow riutilizzabile.
2
3Nello specifico:
41. I passi che ho fatto potrebbero essere strutturati come una sequenza in cui ogni passo produce l'output necessario al passo successivo?
52. Ci sono punti di passaggio in cui il contesto deve essere portato avanti?
63. Questo compito trarrebbe beneficio dall'essere suddiviso in passi separati con contesto pulito, invece di essere eseguito come un'unica lunga conversazione?
74. Come sarebbero input, istruzioni, output e checkpoint se diventasse un workflow?
8
9Ecco il prompt iniziale che ho usato: [INCOLLA QUI IL TUO PROMPT INIZIALE]
10
11Dimmi se è un buon candidato per un workflow e, in tal caso, abbozza come sarebbero i passi.

Esegui questo dopo il tuo prossimo compito ripetitivo. Potresti scoprire che stai già facendo manualmente un lavoro a forma di workflow.

Funziona che tu usi Hermes, Claude Code, Codex, Cowork o qualsiasi altro strumento di conversazione AI. I modelli rimangono gli stessi. Gli strumenti non contano. La struttura sì.

Dove Trovare i Punti di Giunzione in una Conversazione Lunga

Convertire una conversazione lunga in un workflow inizia con l’individuare dove si trovano i punti di giunzione nel tuo processo attuale.

Quando hai una lunga conversazione con l’AI, cerca i momenti in cui hai cambiato marcia. Dove hai detto “okay, ora facciamo X” e hai iniziato un nuovo contesto mentale. Dove hai copiato qualcosa da prima nella chat e l’hai incollato in una nuova richiesta. Dove hai dovuto ricordare all’AI su cosa stavi lavorando perché se n’era dimenticata. Quei punti di giunzione sono dove lo scope creep si verifica.

Quelli sono i tuoi punti di giunzione. Ogni punto di giunzione è un potenziale passo in un workflow.

Il mio punto di rottura è arrivato durante un progetto di ideazione di contenuti. Dovevo trovare angolazioni interessanti per articoli di newsletter, il che significava attingere da più fonti. I thread di Reddit facevano emergere lamentele su problemi specifici, gli articoli di notizie coprivano nuovi strumenti, e i paper su arXiv suggerivano nuove capacità.

Ho iniziato manualmente, copiando e incollando post di Reddit in un documento, raccogliendo titoli di notizie, eseguendo ricerche su arXiv e salvando gli abstract. Ogni fonte viveva nella propria sessione di chat perché le finestre di contesto si sporcavano continuamente. Quando finivo con Reddit, mi ero già dimenticato cosa avevo trovato nella ricerca di notizie.

Poi ho creato competenze individuali per ogni fonte. Una competenza per la ricerca su Reddit, un’altra per il recupero di notizie, una terza per i paper su arXiv. Ogni competenza funzionava bene da sola, ma ero ancora io a coordinare tra di loro. Eseguivo la competenza Reddit, salvavo l’output, eseguivo la competenza notizie, salvavo quell’output, eseguivo la competenza arXiv, salvavo quell’output. Poi combinavo manualmente tutti e tre in una lista finale di idee.

Stavo facendo manualmente il lavoro di coordinamento dell’agente. L’AI sapeva fare bene ogni passo. Il problema erano i passaggi. Io ero il middleware.

Come Portare Correttamente il Contesto in Avanti

I workflow sono sequenze di passi in cui ogni passo produce qualcosa di cui il passo successivo ha bisogno. Ciò che distingue i workflow dal prompting è che il contesto si sposta in avanti automaticamente, invece di essere portato a mano.

La guida “Building Effective Agents” di Anthropic, pubblicata a dicembre 2024 e ampiamente citata come risorsa definitiva, fa una netta distinzione. I workflow sono sistemi in cui LLM e strumenti sono orchestrati attraverso percorsi di codice predefiniti. Gli agenti sono sistemi in cui gli LLM guidano dinamicamente i propri processi.

Per chi non scrive codice, i workflow sono il punto ideale. Tu definisci il percorso. L’AI fa il lavoro a ogni tappa.

Anthropic descrive cinque modelli di workflow. In parole semplici:

Concatenamento di prompt funziona come una catena di montaggio. L’output del primo passo diventa l’input del secondo. Ogni passo rimane semplice e mirato.

Instradamento invia input diversi su percorsi diversi. Come uno smistatore di posta che spedisce le lettere al giusto codice postale.

Parallelizzazione esegue più cose contemporaneamente. Come avere tre ricercatori invece di uno.

Orchestratore-lavoratori usa un agente capo che suddivide il lavoro e lo delega ad agenti lavoratori.

Valutatore-ottimizzatore fa sì che un agente esegua il lavoro e un altro lo controlli. Il primo rivede in base al feedback.

Io chiamo i file che tengono tutto insieme file di passaggio. Ogni passo scrive il proprio lavoro in modo che il passo successivo non debba indovinare. Il formato conta meno del principio. Potrebbe essere un file Markdown, un Google Doc, un blocco di testo strutturato. Ciò che conta è che ogni passo produca qualcosa che il passo successivo possa leggere.

Ho provato di tutto per tenere il contesto tra i passi. Le variabili in memoria scompaiono quando la sessione finisce, le voci di database richiedono configurazione e manutenzione, e i file di stato condiviso si corrompono quando due passi scrivono contemporaneamente.

I file Markdown in Obsidian hanno vinto perché sono noiosi e affidabili.

Ogni passo in un workflow scrive il proprio output in un file Markdown, e il passo successivo legge quel file. I file stanno in una struttura di cartelle che rispecchia il workflow. Quando qualcosa va storto, apro il file e vedo esattamente cosa ha prodotto il terzo passo. Risalgo al problema all’indietro lungo la catena.

Questo mi dà anche qualcosa che non mi aspettavo. Tengo traccia di ciò che ogni sottoagente o passo ha fatto, con collegamenti ai file specifici che ha prodotto. Quando qualcosa suona strano nell’output finale, apro i file intermedi e trovo dove è iniziata la deviazione.

Il Markdown ha anche vantaggi pratici. Il testo semplice funziona ovunque. I file si spostano tra sistemi senza conversione. Le modifiche sono versionabili nel tempo. Tutto viene visualizzato bene in Obsidian, che già uso per gli appunti.

Memorizzare il contesto in un database o in un meccanismo di stato condiviso aggiunge complessità, richiede configurazione e crea dipendenze. I file Markdown non richiedono nulla tranne una cartella e un editor di testo.

Ogni passo scrive il proprio lavoro. Il passo successivo legge ciò che il precedente ha scritto. Il contesto si porta avanti attraverso i file, non attraverso la memoria.

Costruire un Workflow AI Passo Dopo Passo

Lascia che ti mostri come funziona in pratica. Userò il mio workflow di ideazione contenuti come esempio, ma la struttura funziona per qualsiasi compito ripetitivo.

Quattro passi compongono questo workflow. Ogni passo legge dal file di output del passo precedente e scrive nel proprio file di output.

Passo 1: Ricerca su Reddit

Input: Un argomento o una parola chiave da cercare.

Cosa fa: Cerca su Reddit thread in cui le persone lamentano problemi legati a quell’argomento.

Output: reddit-findings.md con titoli dei thread, URL e lamentele principali.

Passo 2: Recupero notizie

Input: Lo stesso argomento.

Cosa fa: Cerca fonti di notizie per articoli su nuovi strumenti o tendenze legati a quell’argomento.

Output: news-findings.md con titoli, URL e riassunti.

Passo 3: Ricerca su arXiv

Input: Lo stesso argomento.

Cosa fa: Cerca su arXiv paper che suggeriscono nuove capacità legate a quell’argomento.

Output: arxiv-findings.md con titoli dei paper, abstract e note sulla rilevanza.

Passo 4: Sintesi

Input: Tutti e tre i file dei passi 1-3.

Cosa fa: Legge tutti e tre i file e li sintetizza in una lista di idee per angolazioni di articoli.

Output: idea-angles.md con 5-10 potenziali argomenti per articoli, ciascuno basato sulla ricerca.

Ogni passo riceve un contesto pulito con esattamente ciò di cui ha bisogno. Niente è sepolto. Niente è dimenticato.

Il mio primo tentativo di questo workflow era brutto. File sul desktop, una checklist in un’app per appunti, e un sacco di copia-incolla a tenerlo insieme. Ma era strutturato. Ogni passo aveva un input e un output chiari. L’agente non doveva ricordare nulla di tre passi prima perché gli davo esattamente ciò di cui aveva bisogno.

Alla fine ho costruito un’unica competenza che gestisce l’intera pipeline. Preleva da Reddit, fonti di notizie e arXiv in sequenza, scrive ogni gruppo di risultati in un file Markdown separato, poi sintetizza tutti e tre in una lista finale di idee. La competenza va dall’inizio alla fine senza che io copi nulla tra i passi.

Prompting vs. Workflow: Lo Stesso Compito

L’ideazione di contenuti appare completamente diversa con il metodo del prompting rispetto al metodo del workflow.

Il metodo del prompting: apri una chat e chiedi all’AI di cercare su Reddit lamentele su un argomento specifico. Ti dà una lista. Copi quella lista in un documento. Apri una nuova chat e le chiedi di recuperare articoli di notizie sullo stesso argomento. Ti dà titoli e riassunti. Copi quelli nel tuo documento. Apri un’altra chat e le chiedi di cercare su arXiv paper rilevanti. Ti dà gli abstract. Copi anche quelli.

Quando hai finito, hai tre blocchi separati di testo in un documento. Ora devi sintetizzarli in angolazioni di idee. Incolli tutto in una nuova chat e chiedi idee. L’AI produce una lista, ma è generica. Ha perso le sfumature delle lamentele di Reddit perché sono state sepolte nel testo combinato. Ha perso i risultati di arXiv perché erano in fondo a un prompt di 5.000 parole.

Il metodo del workflow: esegui una competenza che cerca su Reddit e scrive i risultati in un file chiamato reddit-findings.md. La competenza poi cerca fonti di notizie e scrive in news-findings.md. Poi cerca su arXiv e scrive in arxiv-findings.md. Ogni file è pulito e mirato.

Il passo finale legge tutti e tre i file e li sintetizza in idea-angles.md. Ogni passo riceve un contesto pulito con esattamente ciò di cui ha bisogno. Niente è sepolto o dimenticato.

La ricerca di Clare Liguori in AWS ha testato cinque approcci per guidare il comportamento degli agenti in 3.000 esecuzioni di valutazione. Le semplici istruzioni nei prompt hanno raggiunto un’accuratezza dell’82,5%, il che significa che circa un’interazione su cinque falliva. Quando ha aggiunto cicli di feedback strutturati, che chiama gancio di direzione, l’accuratezza ha raggiunto il 100% in 600 esecuzioni.

Una struttura migliore ha fatto la differenza, non prompt migliori.

L’ho testato personalmente confrontando come diversi modelli gestiscono veri workflow Hermes. I modelli che sembravano impressionanti nei benchmark spesso fallivano nei workflow strutturati perché pensavano troppo a passi semplici o ignoravano i vincoli di formato. La struttura conta più della capacità grezza.

Dove gli Umani Controllano Ancora

Ogni workflow ha bisogno di checkpoint, ma non tutti i passi ne hanno bisogno. Aggiungere punti di revisione ovunque trasforma il workflow in una serie di interruzioni.

Io uso i cancelli decisionali. Ti fermi solo dove deve essere presa una scelta reale. Quale angolazione perseguire. Quale fonte prioritizzare. Se tagliare una sezione che non si adatta.

Se l’output va bene e non serve una decisione, non ti fermi. I workflow vanno avanti fino a quando non raggiungono un punto in cui non possono proseguire senza il tuo giudizio.

I cancelli decisionali verificano se l’output corrisponde alla tua intenzione. L’AI produce contenuti grammaticalmente corretti e ben ricercati che vanno comunque nella direzione sbagliata. I cancelli decisionali lo intercettano prima che il passo successivo si basi su un’assunzione errata.

Sul mio canale Telegram ho scritto una guida completa su come aggiungere cancelli di approvazione ai workflow Hermes, se vuoi i dettagli tecnici. I cancelli proteggono la tua reputazione bloccando azioni esterne senza il tuo OK, proteggono i tuoi dati richiedendo conferma prima di modifiche di sistema, e proteggono il tuo portafoglio bloccando spese oltre una soglia senza approvazione.

Per la maggior parte dei workflow, hai bisogno di un cancello nel punto in cui l’output diventa pubblico o irreversibile. Un workflow di contenuti potrebbe avere un cancello dopo la scaletta, prima che la bozza finale vada live. Un workflow di ricerca potrebbe avere un cancello dopo la sintesi, prima che tu agisca in base ai risultati.

I cancelli decisionali sono dove mantieni il controllo della direzione mentre l’AI gestisce l’esecuzione.

Da Dove Iniziare con il Tuo Primo Workflow

Scegli un compito ripetitivo. Non il più complesso. Scegli quello che fai ogni settimana, che ti porta via 45 minuti e ti fa venire voglia di urlare al minuto 30. Quello è il tuo primo workflow.

Il mio era un briefing mattutino che recupera compiti e articoli prima del caffè. Due passi. Leggere da Asana, formattare l’output, consegnarlo. Abbastanza semplice da costruire in un pomeriggio, abbastanza utile da eseguire ogni giorno feriale da quando l’ho costruito.

Se sei nuovo con Hermes, inizia con un workflow a due passi come questo prima di tentare qualcosa di complesso.

I workflow minimi funzionanti hanno quattro parti: input (cosa entra), istruzioni (cosa fa l’agente), output (cosa esce) e checkpoint (dove verifichi). Non ti serve software. Non ti serve codice. Ti serve una cartella con dei file dentro.

Anche il consiglio di Anthropic in “Building Effective Agents” è di iniziare in modo semplice e aggiungere complessità solo quando necessario. Avvertono esplicitamente di non iniziare con framework o architetture complesse. Inizia con due passi. Rendili affidabili. Poi aggiungi un terzo.

La guida di Confluent sui workflow AI dice la stessa cosa. Le soluzioni semplici sono spesso il posto migliore per cominciare. Iniziare con una semplice ingegneria dei prompt potrebbe non essere perfetto, ma funziona abbastanza bene come primo tentativo. Quando raggiungi il tetto, aggiungi struttura. Non aggiungere struttura preventivamente.

L’approccio noioso batte quello intelligente. Il tuo primo workflow dovrebbe essere così semplice da essere imbarazzante. Un processo a due passi con un passaggio di file e un controllo umano. Tutto qui. Le persone che ottengono valore dai workflow AI hanno costruito quelli noiosi e li hanno eseguiti 50 volte, non quelli impressionanti eseguiti due volte.

La maggior parte dei consigli sulla produttività con l’AI ti dice di scrivere prompt migliori. Progettare passaggi migliori è dove si trova il vero guadagno. I prompt a ogni passo possono essere mediocri se il contesto che ricevono è pulito. Un prompt brillante in un thread di chat gonfio produrrà comunque un output mediocre.

Riconoscere quando stai facendo lavoro di coordinamento che l’AI dovrebbe fare è il vero cambiamento. Una volta che vedi il modello, non puoi più non vederlo. Ogni compito ripetitivo diventa un candidato per la struttura. Ogni passaggio manuale diventa un problema di design.

Raggiungere un tetto con il prompting significa che hai un problema di architettura. Costruisci la pipeline. Lascia che il contesto fluisca. Tieni le mani sulle decisioni che contano.

Se questo ha cambiato il tuo modo di pensare ai workflow AI, segui @leopardracer per altri contenuti come questo e unisciti al mio canale Telegram: https://t.me/+ygATQAt9sUM1N2U6