Agent Engineering: Il Workflow Completo di un Ex Principal Engineer di Meta e Microsoft

Kun, ex principal engineer presso Meta, Microsoft e Amazon, con esperienza su sistemi come Bing, Windows e Facebook Games, condivide il suo workflow completo per lavorare con agenti AI. Negli ultimi anni ha costruito agenti di coding frontier in Atlassian e shipped 40-50 PR al giorno in produzione.

1. La Nave: Setup dell'Ambiente

Terminale come hub centrale

Kun fa quasi tutto nel terminale per due motivi:

1. Mani sempre sulla tastiera — evita il context switch del mouse, mantenendo il flow
2. Stesso workflow ovunque — anche dal telefono

"Se devi muovere la mano al mouse ogni pochi secondi, rompe il flow e forza il cervello a fare context switch."

Strumenti chiave

2. L'Equipaggio: Reclutare Agenti

Kun usa 4 harness per agenti AI:

• Claude Code — migliore esperienza out-of-the-box, ricco di funzionalità, a volte un po' buggy
• Codex (CLI) — scritto in Rust, più fluido, open source, meno customizzabile
• Pi Coding Agent — minimalista ed estensibile
• Open Code — battery-included, model agnostic, ottima integrazione con qualsiasi modello

Il suo workflow è agent agnostic — il panorama cambia troppo velocemente per legarsi a uno specifico strumento.

3. Addestramento: Memoria e Skill

Memory Files (due livelli)

Globale (~/.claude/CLAUDE.md):

• Solo 27 righe — tutto ciò che entra nel system prompt di ogni sessione
• Preferenze personali (es. "non usare emoji — sembra robotico")
• Regole comportamentali (es. "non dare troppo peso al costo di sviluppo quando fai decisioni tecniche")

Insight chiave: I modelli AI sono stati addestrati su stime umane. Un umano dice "ci vogliono settimane", ma l'AI può farlo in minuti. Bisogna correggere questo bias.

Di progetto (CLAUDE.md locale):

• Contesto del progetto, struttura repo, terminologia, convenzioni
• Costruita organicamente: ogni errore dell'agente viene corretto e memorizzato
• Nel tempo gli agenti diventano più esperti sul progetto

Skill (progressive disclosure)

Invece di caricare tutto nel system prompt (costoso in token), le informazioni condizionali vengono spostate in skill:

• Solo una breve descrizione va nel system prompt
• Il contenuto completo viene caricato solo quando necessario
• Usa npx skills (Vercel) per installare e gestire skill

Attenzione: Non installare skill random da internet, anche con molte stelle GitHub. Possono:

• Rubare API key o credenziali
• Degradare le performance dell'agente (+5% token, peggiori risultati)

4. Navigare con un Singolo Agente

Input Vocale

Kun usa Open Super Whisper — trascrizione locale, gratis, open source. La dettatura è 3x più veloce della digitazione (studiato da Stanford).

Strumenti efficaci per gli agenti

Non tutti i tool sono uguali. Benchmark di Kun su GitHub:

• GitHub MCP Server: 3x costi token, 2x latenza rispetto alla CLI
• Axi: design standard per tool ottimizzati per agenti (40% meno token del JSON)

Axi rispetta 10 principi di "agent ergonomics" — esiste un catalogo su axi.sh.

Lavish: Pianificazione Visuale

Invece di far scrivere all'agente un muro di testo, Lavish genera un HTML interattivo che:

• Usa lo stesso design system del progetto
• Permette di cliccare opzioni, annotare, dare feedback
• Comunicazione visuale invece che testuale

"Non posso più tornare a leggere testo nel terminale. È troppo più efficiente."

5. Scalare: Review e Qualità Automatica

No Mistakes — Pipeline Open Source

Quando un agente dice "fatto", invece di fare review manuale del diff:

1. Crea branch e commit
2. Isola in un worktree separato
3. Analizza l'intento originale dalla sessione
4. Rebase su main remoto, risolve conflitti
5. Review adversarial in un contesto fresco — la maggior parte dei problemi emerge qui
6. Test end-to-end con evidenze (screenshot, video, log)
7. Documentazione pass
8. Lint check
9. Crea PR e fa babysitting fino al merge

"Se ogni pezzo di codice richiede la tua review, crei un collo di bottiglia su te stesso."

Good Night, Have Fun — Loop Autonomi

Per task che richiedono ore (es. mentre dorme):

• Dà un obiettivo verificabile (es. "trova problemi di usabilità come un bambino di 7 anni")
• L'agente itera fino a una stop condition (token cap, iterazioni)
• Al risveglio: lista di commit pronti da approvare

6. Multi-Agente Parallelo

Treehouse — Gestione Workspace

Quando servono più agenti paralleli, git worktree manuale crea debito mentale. Treehouse:

• Crea worktree fresh con un comando
• treehouse status mostra worktree attivi/inattivi
• Alla chiusura del tab, libera il worktree per riuso

Kun lancia 3-4 sessioni in parallelo, ognuna in un tab tmux, e passa tra loro con shortcut da tastiera.

7. Il Primo Ufficiale: Orchestratore

Dopo aver scalato, destreggiarsi tra tante sessioni è estenuante. First Mate è l'ultimo livello:

• Si clona un repo, si lancia un agente al suo interno
• Si descrive il task ad alto livello
• First Mate:
  1. Scompone in sotto-task paralleli
  2. Crea worktree con Treehouse per ognuno
  3. Lancia agenti in ogni worktree
  4. Esegue No Mistakes per validare
  5. Prepara PR pronte per review

Esempio reale: "Aggiungi comando update a 3 progetti npm" → First Mate gestisce tutto.

8. Il Mindset del Capitano

"First Mate si prende cura di così tante cose che inizi a non avere più idee su cosa chiedergli. Questo è un buon segno: significa che il collo di bottiglia si sta spostando."

Il vero salto è:

• Da sailor (scrivi codice) →
• A captain (definisci la direzione, parla con utenti, capisci il landscape competitivo)