Da chatbot a agente.
Capire gli LLM e gli strumenti Anthropic.
Cos'è davvero un modello linguistico, perché un agente non è una chat, e come usare Claude Code, Cowork e Design senza prenderli per magia.
Cos'è un LLM, e perché non è magia
Un Large Language Model lavora su token e fa una cosa sola, tantissime volte: prevede il pezzo di testo successivo più probabile.
Un modello addestrato su grandi quantità di testo che genera linguaggio prevedendo, un token alla volta, la continuazione più probabile date le istruzioni e il contesto. Non interroga un database della verità: produce testo plausibile.
L'unità minima con cui il modello legge e scrive: un pezzo di parola, una parola corta, un simbolo. Il testo viene "spezzato" in token prima di essere elaborato.
La "memoria di lavoro" di una sessione: tutto ciò che il modello ha davanti adesso — istruzioni, file letti, risultati di strumenti, cronologia. Ha un limite di token.
Stima didattica: la tokenizzazione reale usa algoritmi tipo BPE e dipende dal modello. Regola pratica diffusa: ~4 caratteri ≈ 1 token in testi latini. Fonte: Anthropic — Context windows
Temperatura bassa = sceglie quasi sempre il token più probabile (output prevedibile). Temperatura alta = appiattisce le probabilità (output più vario, più rischio di errori). Fonti: Google ML Crash Course · Anthropic — Glossary
Cosa portare a casa
📦 Token
Tutto è testo spezzato in pezzi. Anche i tuoi file e le istruzioni.
🎯 Predizione
Genera il continuazione probabile, non recupera fatti certi.
⚠️ Può sbagliare
Convincente ≠ corretto. Hallucination, lacune, output incompleto.
Un LLM non "sa" nel senso umano: genera risposte plausibili sulla base di contesto, istruzioni e conoscenza appresa.
Limiti chiave (hallucination, conoscenza datata, context window come memoria limitata, steerability): Anthropic — Mapping the Mind of a LLM · Stanford CS324
Inferenza e modelli: cosa succede quando «pensa»
Usare Claude significa fare inferenza: un modello già addestrato genera la risposta, un token alla volta. E «Claude» non è un modello solo — è una famiglia, e scegliere quello giusto cambia qualità, velocità e costo.
Il processo con cui un modello già addestrato genera output a partire da un input: nessun nuovo apprendimento, solo applicazione di ciò che ha appreso, un token alla volta. È ciò che attendi (latenza) e ciò che paghi (token in input + output) a ogni richiesta.
Una specifica versione addestrata, con dimensioni, capacità, velocità e costo propri. Claude è una famiglia di modelli (linee Opus, Sonnet, Haiku): stessa «intelligenza» di base, equilibri diversi.
Tre linee, tre equilibri
🧠 Opus
La massima capacità: ragionamento profondo, lavori difficili e agentici di lunga durata. Più lento e più costoso — lo usi quando la difficoltà del task lo richiede.
⚖️ Sonnet
Il miglior equilibrio tra capacità e velocità. Spesso la scelta «di default» per il lavoro di produzione ad alto volume.
⚡ Haiku
Il più veloce ed economico: task semplici, classificazione, estrazione, alta frequenza. Quando velocità e costo contano più della profondità.
Nomi e versioni correnti delle linee: Anthropic — Models overview
Valori illustrativi per dare l'intuizione delle proporzioni, non un listino: capacità, velocità e prezzo reali dipendono dal modello specifico. Fonti: Models overview · Pricing
Da chat ad agente
Lo stesso modello, usato in modi diversi. Il salto non è "prompt migliori": è passare dal rispondere al lavorare su un obiettivo usando strumenti.
Un sistema in cui il modello dirige dinamicamente il proprio processo e l'uso degli strumenti: persegue un obiettivo, mantiene stato/contesto e completa task multi-step — non si limita a rispondere.
Nei workflow i passi sono predefiniti. In un agente è il modello a decidere dinamicamente cosa fare e quali strumenti usare. Spesso non serve un agente: basta una buona chiamata con il contesto giusto.
Il loop "gather context → take action → verify results → repeat" è il modo in cui lavora un agente di coding come Claude Code. Fonte: Claude Code — How Claude Code works
Chat: «Scrivimi una mail.» → risposta singola.
Agente: «Leggi questi documenti, estrai i punti rilevanti, prepara una bozza, confrontala con lo storico, crea il file finale.» → task multi-step con strumenti e verifica.
Chiedere bene, e dare il contesto giusto
Come scrivi le istruzioni: ruolo, obiettivo, contesto, vincoli, esempi, formato di output e criteri di successo. Per prompt importanti, si testano con esempi/eval.
Cosa metti, mantieni, recuperi, comprimi o isoli nel contesto disponibile al modello durante un task: documenti, esempi, regole, dati aggiornati, memoria, strumenti.
Prompt generato
Schema da fonti ufficiali: includere ruolo/obiettivo, contesto, vincoli, esempi, formato di output e criteri di successo. Anthropic · Google Gemini — prompt design
Il contesto è carburante, ma anche peso
Ogni file, istruzione, risultato di strumento o pezzo di cronologia che entra nella richiesta consuma token. Più contesto significa più costo, più latenza e — se è irrilevante — più rischio di confusione.
Valori illustrativi per dare l'intuizione delle proporzioni, non un listino. Più contesto = più token di input = più costo/latenza; il contesto irrilevante aumenta il rischio di drift. Fonti: Anthropic — Context windows · Claude Code — Context window
Una mappa di Claude: Chat, Code, Cowork, Design
Non esiste un solo modo di usare l'AI. Esistono superfici diverse per tipi di lavoro diversi. Clicca una card per espanderla.
Panoramica strumenti: Claude — Product overview
Artifacts — quando l'output diventa un oggetto
Un contenuto sostanzioso e autonomo che Claude apre in una finestra dedicata, accanto alla conversazione: «trasforma le idee in app, strumenti o contenuti condivisibili». Claude lo crea automaticamente quando l'output è significativo e auto-contenuto (in genere oltre ~15 righe) e probabilmente vorrai modificarlo, riusarlo o riferirti ad esso.
Cosa può diventare un artifact
Proprio come questo mini-sito: un artefatto interattivo, non una risposta di testo.
Cosa puoi farci
- modificare e iterare: editing in-place o via chat, con selettore delle versioni;
- condividere e pubblicare: link pubblico o all'organizzazione, copia/scarica;
- renderli interattivi: stato persistente e connessione a servizi esterni via MCP.
Focus: Claude Code
Un agente di coding che lavora dove vive il progetto: legge file, cerca nel codice, modifica file, esegue comandi, lancia test/build/lint e usa strumenti esterni — operando nel loop capisci → agisci → verifica. Senza strumenti Claude risponde; con gli strumenti può agire.
Come ragiona: obiettivo → loop → workflow
🎯 Goal
Gli dai un obiettivo, non micro-istruzioni passo-passo: «trova e correggi il bug del login». È lui a decidere come arrivarci.
🔁 Loop
Lavora in ciclo: gather context → take action → verify → repeat, finché l'obiettivo non è completo. La verifica (test/build/lint) chiude ogni giro.
🧩 Workflow
Per task strutturati segue o compone percorsi ripetibili: routing, parallelizzazione, orchestratore-worker, evaluator-optimizer. Workflow = passi guidati; agente = decide da sé.
Quando usarlo
- «Spiegami questa codebase.»
- «Trova dove nasce questo bug.»
- «Aggiungi questa feature / scrivi i test.»
- «Refactorizza questo modulo / preparami una PR.»
Concetti da conoscere
CLAUDE.md
skills
subagents
MCP
Sette modi per guidare Claude Code (CLAUDE.md, rules, skills, subagents, hooks, output styles, system prompt): Steering Claude Code
Si sceglie il livello di supervisione in base al rischio. Fonte: Claude Code — Permission modes
Focus: Cowork e Design
Per delegare lavoro non tecnico multi-step che produce un deliverable (report, deck, spreadsheet, briefing). Cinque segnali che un task è adatto:
- entrano più input (file, folder, connettori);
- esce un file/deliverable;
- lo rifarai (è ripetibile);
- sai riconoscere un buon risultato;
- il lavoro centrale è noioso: estrarre, riordinare, riconciliare, riformattare.
Azioni ricorrenti e schedulate. Cowork non è solo «una volta»: puoi delegare e schedulare task che si ripetono — un briefing ogni mattina da Slack/Gmail/calendario, un report periodico, un pacing di budget — così il deliverable arriva da solo a cadenza fissa (es. ogni giorno, ogni ora, ogni settimana).
Claude applicato a output visuali e iterabili: wireframe, mockup, prototipi, presentazioni, materiali. Non è «fammi un'immagine»: è «costruiamo un artefatto visuale modificabile e iterabile», con la possibilità di passare tra design e codice.
Estendere Claude: Skills, MCP e Connectors
Il modello conta, ma conta moltissimo ciò che gli metti intorno: istruzioni riutilizzabili (skills) e collegamenti al mondo reale (MCP e connectors). È qui che «Claude risponde» diventa «Claude lavora dove serve».
Principio di fondo: «il modello conta, ma l'harness intorno al modello conta moltissimo». Fonte: Claude Code in large codebases
Skills — istruzioni che Claude carica quando servono
Una cartella con istruzioni, script e risorse (più un piccolo frontmatter) che Claude carica on demand, solo quando sono rilevanti per il task. Non è semplice markdown: è un pacchetto di conoscenza o di procedura, riutilizzabile e condivisibile nel team.
Perché esistono
- Caricate solo quando servono: non pesano sempre sul contesto → meno token, meno rumore.
- Incapsulano un playbook: una procedura ripetibile invece di rispiegarla ogni volta.
- Condivisibili: lo stesso modo di lavorare per tutto il team.
Categorie utili
Skill o Plugin? Non sono la stessa cosa
Un pacchetto distribuibile che estende Claude Code e può impacchettare insieme più componenti — skills, subagents, hooks, server MCP (e altro) — con un manifest plugin.json (nome, versione, autore). Si condivide e si installa tramite marketplace, con skill «namespaced» (es. /mio-plugin:hello) per evitare conflitti.
🧩 Skill = un mattone
Una singola capacità (cartella con SKILL.md) che il modello carica on demand quando è rilevante. Può vivere da sola in .claude/.
📦 Plugin = la scatola
Raggruppa più componenti (skills + subagents + hooks + MCP) in un pacchetto versionabile e condivisibile, installabile con /plugin install da un marketplace.
Sette modi per guidare Claude Code (CLAUDE.md, rules, skills, subagents, hooks, output styles, append system prompt) e quando usarli. Fonte: Steering Claude Code
Subagents — lavoro isolato che non sporca il contesto
Un assistente isolato, con il proprio contesto separato, a cui delegare un side task o un'esplorazione lunga. Fa il suo lavoro a parte e restituisce al thread principale solo un summary, invece dell'intero viaggio: così la context window principale resta pulita.
Quando usarli
- esplorazioni lunghe in codebase grandi;
- task specializzati e ripetuti;
- mantenere pulito il contesto principale;
- far tornare un riepilogo invece di tutti i dettagli intermedi.
Il trade-off
Il thread principale vede meno dettagli intermedi. Per task critici, chiedi al subagent evidenze o un riepilogo strutturato (cosa ha trovato, cosa ha cambiato, cosa resta da verificare).
Orchestrazione — coordinare più agenti verso un obiettivo
Coordinare più chiamate, strumenti o agenti verso un obiettivo. Nel pattern orchestrator-workers «un LLM centrale scompone dinamicamente il task, delega a worker LLM e ne sintetizza i risultati» — i sottotask non sono predefiniti: li decide l'orchestratore in base all'input. Nei sistemi reali un lead agent coordina e delega a subagent specializzati che lavorano in parallelo.
Cinque pattern documentati da Anthropic. Fonte: Building effective agents
Dove lo vedi in Claude Code
- Subagents: worker isolati che tornano un summary al coordinatore, nella stessa conversazione;
- Agent teams (sperimentale): un lead + teammate con task list condivisa e messaggi diretti tra loro;
- Dynamic workflows / Workflow tool: uno script che orchestra da decine a centinaia di agenti fuori dal contesto della conversazione.
Workflow ≠ Agente (di nuovo)
Nei workflow i passi sono «orchestrati con percorsi di codice predefiniti»; negli agenti il modello «dirige dinamicamente il proprio processo e l'uso degli strumenti». L'orchestrazione può essere l'uno, l'altro, o un mix.
Hooks — automazioni deterministiche su eventi
Un'automazione deterministica agganciata a un evento del ciclo di lavoro (es. dopo una modifica a un file, prima di un commit). Gira sempre allo stesso modo e non dipende dal giudizio del modello: è la differenza tra «chiedo a Claude di ricordarsi di…» e «succede e basta».
Esempi tipici
- lanciare
lintoformata ogni modifica; - eseguire i test prima di considerare un task concluso;
- bloccare un'azione che non rispetta una regola;
- registrare/notificare quando avviene un certo evento.
Skill o Hook?
Skill = conoscenza/procedura che il modello sceglie di usare quando rilevante. Hook = regola che scatta sempre, a prescindere, su un evento. Usa l'hook quando l'automazione deve essere garantita, non opzionale.
MCP & Connectors — collegare Claude al mondo reale
Uno standard aperto per collegare modelli e app a strumenti, dati e API esterni. È la «presa universale»: invece di un'integrazione su misura per ogni sistema, un protocollo comune che li fa parlare con Claude.
L'integrazione concreta costruita su MCP verso un sistema specifico (GitHub, Figma, Slack, Gmail, Notion, un database…). MCP è il protocollo; il connector è la spina che colleghi davvero.
Il valore in una frase: niente più copia/incolla da sistemi esterni. Claude può leggere e agire dove il lavoro vive già, invece di farti fare da ponte manuale tra gli strumenti.
Esempi di sistemi collegabili via MCP/connectors. Fonte: Claude Code — MCP
Claude Cowork: la configurazione che fa la differenza
«Invece di portare il tuo lavoro a Claude, porti Claude al tuo lavoro»: punti una cartella, colleghi le app che già usi e descrivi il risultato. La differenza tra un output mediocre e uno ottimo non è quasi mai il prompt, ma il contesto che gli dai.
Definizione e framing: Get started with Cowork · Best practices · Claude — Cowork
L'ordine consigliato di setup
Dal pannello Customize: autorizzi una volta, poi Claude può leggere e scrivere in quel sistema (aggiornare un ticket, preparare una risposta, salvare un file). Tra quelli ufficiali:
Imposta Instructions a livello globale, di progetto o di organizzazione. Dai accesso solo alle cartelle giuste (Claude vede solo quelle collegate) e aggiungi istruzioni per-cartella. È qui che vive il «contesto ricco» che fa la qualità.
«Trasforma quello che abbiamo appena fatto in una skill»: cattura passi, template e dove stanno le fonti. La regola ufficiale: scrivi una skill dopo aver rifatto lo stesso task qualche volta.
Un plugin impacchetta connettori + skill in un bundle distribuibile per ruolo (Sales, Product, Legal, Operations): lo stesso modo di lavorare per tutto il team.
Memoria: dove vive il contesto che dura
Cowork legge e scrive file locali: la memoria può letteralmente vivere su disco, in cartelle che colleghi tu — più alcuni livelli «di sistema» che persistono tra le sessioni.
La context window è memoria di lavoro: vive nella sessione e si svuota (sez. 04). La memoria persistente sta altrove — su disco, nelle folder instructions o nel memory store di un Project — e sopravvive alla chiusura della sessione. Servono entrambe, ma vanno tenute distinte.
Non tutto va «ricordato»: salva fatti stabili, decisioni, vincoli, convenzioni, prossimi passi — non la cronologia grezza. Una buona memoria è curata, non un log che cresce all'infinito.
«Claude può leggere e scrivere i tuoi file locali senza upload o download manuali». Qualsiasi cartella collegata diventa archivio durevole: appunti, log, decisioni, output. (Legge file fino a 50 MB l'uno.)
Contesto legato a una cartella che «Claude può anche aggiornare da solo durante una sessione». È la nota di memoria più leggera e auto-mantenuta: un file di contesto per-cartella che cresce mentre lavori.
I Project hanno «un memory store dedicato che persiste tra le sessioni»: Claude ricorda il contesto dei task passati nello stesso progetto. Attenzione: «la memoria non è mantenuta tra le sessioni standalone» e non passa da un progetto all'altro.
Le Instructions globali valgono per ogni sessione; quelle di progetto si stratificano sopra. Contesto permanente che dai tu (tono, formato, regole), diverso dalla memoria che si accumula da sola.
Confronto delle superfici di memoria di Cowork (più il memory tool API, superficie diversa). Fonti: Get started · Projects
MEMORIA.md (fatti, decisioni, prossimi passi) e usa le folder instructions per dire a Claude di consultarlo e aggiornarlo. Per ricordare tra le sessioni, lavora dentro un Project (la memoria standalone non viene mantenuta).
/memories che «persiste tra le conversazioni». È una primitiva per sviluppatori, non la feature di Cowork — utile saperlo per non confonderle.
Quando un task è adatto: i 5 «ingredienti»
📥 Più input
Entra più di una cosa: più file, un'intera cartella, o file + connettori.
📤 Un deliverable
Esce un file: documento, deck, foglio, CSV — da allegare, presentare, riusare.
🔁 Ricorrente
Lo rifarai: i task ripetibili sono il punto ideale, più dei one-off.
✅ Formato noto
Sai già com'è fatto un buon risultato: lo valuti in 15 secondi.
🥱 Lavoro «di mezzo»
Il pensiero sta all'inizio (cosa vuoi) e alla fine (è giusto?); il mezzo, noioso, si delega.
🧭 Regola
Non servono tutti e 5: se ne centra qualcuno, è un buon candidato.
Fonte: Best practices for getting started with Cowork
Permessi, automazioni e sicurezza
🛂 Due modalità di permesso
«Ask before acting»: mostra il piano e aspetta la tua approvazione (consigliata). «Act without asking»: più veloce ma «aumenta significativamente il rischio di prompt injection» — solo se supervisioni fonti fidate. La cancellazione di file richiede sempre permesso esplicito.
⏰ Task schedulati
Con /schedule o dalla sidebar Scheduled: ogni run è una sessione Cowork a cadenza oraria/giornaliera/settimanale, con modello opzionale. Limite chiave: girano solo «mentre il computer è acceso e l'app Claude Desktop è aperta» (i run saltati ripartono al risveglio).
Disponibile su piani a pagamento (Pro, Max, Team, Enterprise) in Claude Desktop per macOS e Windows, accanto a Chat e Code. Verifica fonti: 2026-06-25.
CLI o UI? Dipende da dove lavori
Stessa intelligenza, superfici diverse. La scelta dipende da quanto vuoi stare vicino al sistema e da quanto è tecnico il task.
La CLI è per chi vuole lavorare vicino al sistema. La UI è per chi vuole delegare e controllare visivamente il risultato.
Superfici e trade-off: Claude Code — Overview · Claude — Product overview
Uso della CLI di Claude Code
La CLI si usa dentro la cartella del progetto, nel terminale. Parli in linguaggio naturale e porti il contesto direttamente da dove lavori.
🚀 Avvio
Apri il terminale nella cartella del progetto e avvii Claude Code lì: lavora con i file e i comandi del progetto reale.
📎 Porta il contesto
Riferisci file con @, incolla log, URL di documentazione, screenshot, o fai pipe dell'output di un comando direttamente nella richiesta.
🧭 Workflow consigliato
Per task incerti: explore → plan → code. Per task piccoli, chiedi direttamente. Usa plan mode quando il rischio è medio/alto o il codice è sconosciuto.
Esempio illustrativo di interazione (i comandi esatti dipendono dalla versione). Pattern e buone pratiche: Common workflows · Best practices
Acceleratore, non sostituto del giudizio
⚠️ Rischi da tenere a mente
- hallucination: output convincente ma sbagliato;
- dati sensibili messi in contesti non sicuri;
- perdita di tono o standard aziendale;
- azioni automatiche non controllate;
- dipendenza senza verifica.
✅ Buone pratiche
- mai fidarsi ciecamente: verifica fonti e numeri;
- niente dati riservati senza conoscere policy e ambiente;
- dare sempre criteri di verifica;
- per task importanti, chiedere assunzioni, incertezze e checklist;
- usare l'AI per accelerare, non per abdicare.
Verifica e tool design: Claude Code — Best practices · MCP e prompt injection: Claude Code — MCP
Il framework 4D dell'AI fluency
Un modello mentale semplice per principianti: collaborare con l'AI in modo effective, efficient, ethical, safe. Clicca ogni D.
Framework 4D (Delegation, Description, Discernment, Diligence) introdotto nel percorso AI Fluency di Anthropic. Riferimento prodotto/risorse: Anthropic — Intro to Claude
Cosa possiamo fare in Cantiere Creativo
Non è una questione di «se», ma di «come». Tre piani concreti: la persona, la produzione e l'offerta ai clienti.
1 · Ognuno può lavorare con un modello
Non serve essere sviluppatori
- Chat per ragionare, sintetizzare, fare bozze;
- Cowork per i deliverable non tecnici (report, deck, fogli);
- Code per chi tocca il codice;
- Design per wireframe, mockup, prototipi.
Ognuno sceglie la superficie — e il modello — adatti al proprio lavoro.
Il salto è culturale
Passare da «strumento che risponde» a «collaboratore a cui delego e di cui verifico il lavoro». Chi impara a delegare bene e validare diventa più rapido senza perdere il controllo della qualità.
2 · Cosa cambia: produzione e offerta commerciale
⏱️ Velocità
Bozze, ricerche, prototipi navigabili, varianti e report in ore invece di giorni. Più iterazioni con il cliente nello stesso tempo.
🧹 Meno ripetitivo
Estrazione, riformattazione, riconciliazione, primo QA: il lavoro «di mezzo» si delega. Il team si concentra su strategia e creatività.
📈 Capacità
Lo stesso team produce di più: margini e throughput migliori. L'offerta diventa più veloce e più ricca — preventivi, prototipi, opzioni.
3 · Cosa possiamo offrire ai clienti in futuro
Nuove linee di servizio
- Prototipi interattivi rapidi per validare idee prima di costruire;
- Soluzioni AI su misura: agenti, automazioni, skill e connettori (MCP) sui loro sistemi;
- Contenuti e design iterabili, non consegne «usa e getta».
Consulenza e governance
- AI fluency: formare i team dei clienti a delegare e verificare;
- Governance e sicurezza: permessi, dati, prompt injection — parte del valore che vendiamo;
- Affiancamento continuo: dal progetto una tantum alla collaborazione viva.
Cinque cose da portare a casa
1 · Non è magia
L'AI lavora su istruzioni, contesto e probabilità. Genera il plausibile, non la verità garantita.
2 · Gli agenti agiscono
Non si limitano a rispondere: eseguono task usando strumenti, in loop, con verifica.
3 · Il contesto conta (e costa)
La qualità dipende dal contesto che dai. Ma il contesto pesa: vai gestito, non riversato.
4 · Superfici diverse
Chat, Code, Cowork, Design: lavori diversi, strumenti diversi. Scegli in base al task.
Glossario
Tutte le fonti
Ogni definizione del corso è ancorata a queste fonti ufficiali, così puoi verificare in autonomia.
Criteri di selezione delle fonti (solo documentazione ufficiale, paper primari, corsi universitari/istituzionali) descritti in research/certified-sources.md. Verifica fonti: 2026-06-22.