Agentic Coding
La programmazione agentica è uno sviluppo software in cui un agente IA legge una codebase, modifica file, esegue test, corregge gli errori e restituisce una modifica da revisionare.
La programmazione agentica è lo sviluppo software in cui un agente di programmazione basato sull'IA porta a termine un'attività dall'inizio alla fine: legge il codice pertinente, pianifica una modifica, modifica i file, esegue comandi e test, risolve gli errori e restituisce un commit o una pull request da esaminare. Lo sviluppatore descrive l'attività e valuta il risultato, anziché digitare ogni riga. Tra gli agenti di programmazione più usati ci sono Claude Code di Anthropic, Codex di OpenAI, l'agente di programmazione di GitHub Copilot, la modalità agente di Cursor e agenti open source come OpenHands; la maggior parte si basa su modelli di ragionamento addestrati per gestire lunghe sequenze di chiamate agli strumenti.
Come funzionano gli agenti di programmazione#
Un agente di programmazione è un agente IA i cui strumenti sono quelli di uno sviluppatore: ricerca e lettura di file, modifica di file, una shell per build e test, controllo delle versioni e, talvolta, un browser. Il suo harness per agenti esegue un ciclo in cui un modello linguistico di grandi dimensioni (LLM) legge l'attività, esamina i file, propone una modifica o un comando, ne legge l'output e sceglie il passaggio successivo. Anche la progettazione degli strumenti è importante di per sé: nel 2024 lo SWE-agent di Princeton ha risolto il 12,5% dei problemi di SWE-bench, molto più dei precedenti metodi non interattivi, soprattutto grazie a comandi compatti progettati per visualizzare, cercare e modificare il codice; gli autori hanno chiamato questo approccio interfaccia agente-computer.
I repository indirizzano gli agenti tramite file di istruzioni come AGENTS.md, un formato aperto per i comandi di build e test e le convenzioni di programmazione, ora gestito dalla Agentic AI Foundation, oltre che tramite competenze degli agenti che caricano procedure specifiche per un'attività quando servono e server Model Context Protocol (MCP) che collegano sistemi di tracciamento dei problemi, database e documentazione. Gli agenti operano in modo interattivo in un terminale o IDE oppure in sandbox cloud, dove più attività procedono in parallelo e ciascuna termina con una pull request. Un agente principale può anche delegare ricerche, esecuzioni di test o revisioni a sottoagenti dotati di proprie finestre di contesto: una forma di orchestrazione di agenti IA. Poiché un repository, una dipendenza o una pagina web può contenere una prompt injection, gli agenti di programmazione eseguono i comandi in una sandbox per agenti e chiedono conferma prima di inviare codice, eliminare file o contattare nuovi host.
Programmazione agentica e pratiche correlate#
- Completamento del codice: suggerisce le righe successive mentre lo sviluppatore scrive, come faceva GitHub Copilot al suo lancio nel 2021. Lo sviluppatore continua a scrivere ed eseguire il programma, accettando o rifiutando ogni suggerimento.
- Assistenti conversazionali: un chatbot risponde alle domande di programmazione con frammenti di codice che lo sviluppatore copia, esegue e corregge manualmente.
- Programmazione basata sul vibe: espressione coniata da Andrej Karpathy nel febbraio 2025 per descrivere lo sviluppo software tramite prompt e accettazione di codice scritto dall'IA senza leggerlo. Descrive il modo in cui una persona tratta l'output; nei team professionali la programmazione agentica mantiene di solito nel ciclo la revisione del codice, i test e l'integrazione continua.
Programmazione agentica nella visione artificiale#
Le attività di operazioni di machine learning (MLOps) si prestano agli agenti di programmazione perché ogni fase termina con un risultato verificabile: un dataset viene convertito e validato, un'esecuzione di training parte e registra le metriche, un modello esportato si carica e restituisce le stesse predizioni. A un agente a cui viene chiesto di perfezionare un rilevatore basta scrivere il file YAML del dataset, avviare il training, leggere le metriche di validazione e proporre l'esperimento successivo. Ultralytics Agent Skills mette a disposizione di Claude Code, Codex, Cursor, Gemini CLI e altri agenti compatibili questo flusso di lavoro sotto forma di competenza router yolo e di competenze per selezione dei modelli, dataset, training, ottimizzazione, inferenza ed esportazione, oltre a una competenza platform-cli che gestisce il training cloud e le distribuzioni tramite Ultralytics Platform usando la riga di comando ul cloud. Una richiesta come «esporta il mio modello YOLO addestrato in TensorRT con quantizzazione INT8 e confrontane le prestazioni» segue quindi le procedure di esportazione e benchmark documentate dalle competenze, che indicano all'agente di fare affidamento sull'output yolo checks e yolo cfg del pacchetto installato quando i due non coincidono.
Valutare gli agenti di programmazione#
SWE-bench, introdotto nell'ottobre 2023, è il benchmark di riferimento per la programmazione agentica: comprende 2.294 problemi GitHub reali provenienti da 12 repository Python popolari; ciascuno viene valutato in base al superamento dei test del progetto dopo l'applicazione della patch dell'agente. Al rilascio, il modello migliore, Claude 2, ne risolveva l'1,96%. SWE-bench Verified di OpenAI, un sottoinsieme di 500 attività che ingegneri umani hanno confermato essere risolvibili, è diventato la versione più citata; verso la fine del 2025 i migliori agenti ne risolvevano circa l'80%. Suite più difficili, come Terminal-Bench, valutano le attività da riga di comando; i team aggiungono anche valutazioni degli agenti sui repository interni. La produttività effettiva si misura separatamente: nello studio randomizzato di sviluppatori open source esperti di METR, all'inizio del 2025, 16 sviluppatori impegnati su 246 attività in progetti maturi che conoscevano bene impiegarono il 19% di tempo in più con gli strumenti di IA, soprattutto Cursor con Claude 3.5 e 3.7 Sonnet, pur stimando in seguito che gli strumenti li avessero resi il 20% più veloci.










