MCP e skills: misurare e ridurre i token senza perdere contesto

Filtri, proiezioni e lettura progressiva delle skills: un laboratorio MCP misura i token locali e verifica che i dati utili restino completi.
24 articoli per «ai», pagina 2 di 2

Filtri, proiezioni e lettura progressiva delle skills: un laboratorio MCP misura i token locali e verifica che i dati utili restino completi.

Un laboratorio Docker mostra come un harness governa permessi, retry, budget e prove, e quando conviene usare un runtime esistente.

Una PR piccola può passare i test e restare sbagliata. Un esempio Docker mostra come trovare il difetto, correggerlo e motivare l'accettazione.

Una prova Docker con LangGraph mostra cosa riparte dopo un crash e come evitare ticket duplicati con checkpoint e chiavi di idempotenza.

Quando basta una mappa dei progetti e quando servono submodule: setup completo, manifest, istruzioni per agenti e un esempio Git eseguibile.

Come verificare il lavoro degli agenti AI nello sviluppo: requisiti, fonti, test di regressione, review e rilascio, con un esempio e una skill riutilizzabile.

Come valutare gli agenti AI nello sviluppo: qualità, costo del lavoro completo, responsabilità e condizioni per adottare, limitare o fermare un pilota.

Come organizzare contesto, fonti e handoff per gli agenti AI. Un percorso reale in Notion, dal risultato METR al riuso e alla manutenzione della conoscenza.

LangChain, LangGraph, OpenRouter e Langfuse: ruoli, benefici da valutare e criteri di scelta per un progetto AI aziendale. Scenari e dettagli tecnici.

Ricerca in corso sul costo dei task con Claude e Codex: consumi, tempi e revisione umana, con comandi e configurazioni per le varianti da confrontare.

Crea una skill di code review per Claude e Codex. Il laboratorio confronta due descrizioni in quattro sessioni Codex, con risultati osservati e limiti.

Cos’è MCP e quando adottarlo in azienda: benefici da verificare, costi, permessi e criteri di scelta, con un server di esempio completo.