# Agent Engineering: Il Workflow Completo di un Ex Principal Engineer di Meta e Microsoft > Source: > Published: 2026-07-07 10:35:58+00:00 # 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: **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)