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:
Mani sempre sulla tastiera— evita il context switch del mouse, mantenendo il flow** 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
| Strumento | Ruolo |
|---|---|
| Wezterm | |
| Emulatore di terminale performante, cross-platform (Windows/Mac/Linux), customizzabile via Lua con hot reload | |
| tmux | |
| Terminal multiplexer: split in pannelli, tab multipli, sessioni persistenti accessibili da qualsiasi dispositivo | |
| Neovim | |
| Editor moderno derivato da vim, navigazione totale da tastiera con linee numerate relative |
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 èagent 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:
- Crea branch e commit
- Isola in un worktree separato
- Analizza l'intento originale dalla sessione
- Rebase su main remoto, risolve conflitti Review adversarial in un contesto fresco — la maggior parte dei problemi emerge qui- Test end-to-end con evidenze (screenshot, video, log)
- Documentazione pass
- Lint check
- 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:
- Scompone in sotto-task paralleli
- Crea worktree con Treehouse per ognuno
- Lancia agenti in ogni worktree
- Esegue No Mistakes per validare
- 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)