Oltre la trascrizione: progettare il contesto

Chiedi a un agente AI di proseguire un lavoro. Dietro quella semplice richiesta c’è una quantità crescente di messaggi, definizioni di strumenti, risultati di ricerca, file e decisioni. Quali di questi dovrebbe vedere il modello al prossimo passaggio? In NanthAI lavoriamo da mesi intorno a questa domanda.

Pubblicato anche su [9][10].

Pi e la sua società madre, Earendil, stanno ora portando nuove energie ingegneristiche a questo problema attraverso la scoperta degli strumenti MCP e Codemode. I loro articoli recenti sono un contributo benvenuto a una direzione che portiamo avanti in NanthAI.[1][2]

Quei due articoli precedenti erano casi di studio tecnici dettagliati. Qui ne ripercorriamo le idee centrali e usiamo il lavoro recente di Pi per esplorare il livello successivo. Il punto di partenza è semplice: un agente dovrebbe poter accedere a molte più informazioni e capacità di quante debba portare con sé in ogni prompt.

I nostri articoli di maggio hanno posto le basi. Questo approfondimento esamina l’approccio di Pi accanto a essi.

Questo approfondimento collega quelle idee: ciò che entra prima che gli strumenti vengano eseguiti, ciò che arriva al modello durante l’esecuzione e ciò che resta utile dopo.

La conversazione cresce. E cresce il bagaglio.

Una semplice app di chat spesso invia la conversazione fino a quel momento insieme a ogni nuovo messaggio. Aggiungendo strumenti, i risultati si uniscono alla cronologia. Aggiungendo integrazioni, un catalogo completo degli strumenti può accompagnare ogni richiesta. Sia le capacità sia la cronologia fanno crescere il prompt.

Pubblicato anche su [10].

L’approccio di base ripropone la cronologia accumulata. NanthAI prepara il contesto dalla conversazione, dai ricordi e dalle prove recuperabili.

Una trascrizione ha uno scopo chiaro: permettere a una persona di seguire la conversazione. Una richiesta al modello ha un altro scopo: dare al modello le informazioni necessarie per agire ora. Queste viste si sovrappongono, ma non devono essere identiche. L’utente può conservare una cronologia leggibile mentre il runtime prepara un contesto di lavoro più mirato.

NanthAI separa la conversazione leggibile dalle prove e dallo stato del runtime che la sostengono. Gli artefatti grezzi conservano i risultati degli strumenti. Le memorie compatte portano informazioni utili con riferimenti alle fonti. L’assemblaggio del contesto seleziona il materiale appropriato per la richiesta successiva.

Pubblicato anche su [10].

Finestre di contesto più ampie e memorizzazione dei prompt nella cache sono utili insieme a questa architettura. Una finestra più grande offre capacità. La cache può ridurre il costo dei prefissi ripetuti. L’assemblaggio del contesto decide innanzitutto che cosa merita quella capacità. È una scelta di progettazione dell’informazione che continua a contare mentre i modelli diventano più capaci.

Dai all’agente una via d’accesso.

Pubblicato anche su [9].

Una skill è un pacchetto individuabile di conoscenze su un flusso di lavoro. La sua breve descrizione aiuta il modello a riconoscere quando usarla. Le istruzioni complete spiegano come svolgere il lavoro. Uno strumento è un’operazione eseguibile: cercare, leggere, calcolare, creare o aggiornare. Una skill può richiedere più strumenti e più skill possono condividere lo stesso profilo di strumenti.

In NanthAI, caricare una skill introduce le istruzioni del flusso di lavoro e attiva i profili di strumenti necessari. La skill collega il compito sia alle indicazioni sia alle capacità necessarie per eseguirlo.

Immagina una richiesta per un report di ricerca. Il catalogo fornisce all’agente informazioni sufficienti per individuare la skill appropriata. Il suo caricamento introduce il flusso di ricerca e le capacità richieste. Se in seguito serve una capacità diversa, un’altra skill può ampliare l’insieme di strumenti attivi. Il modello parte con un modo per trovare ciò che gli serve.

NanthAI usa le skill per attivare indicazioni e profili di strumenti. Pi aggiunge la scoperta dei singoli strumenti MCP accanto alle proprie skill.

Pi affronta la scoperta degli strumenti MCP attraverso descrizioni compatte dei server, ricerca e ispezione degli strumenti. L’agente individua singole dichiarazioni e può usarle tramite Codemode o attivare strumenti per chiamate dirette. Pi supporta anche skill con istruzioni caricate su richiesta.[3][5]

Questo rende il confronto più interessante della semplice domanda su chi carichi gli strumenti solo quando servono. NanthAI collega esplicitamente le conoscenze dei flussi di lavoro a gruppi di strumenti. La scoperta MCP di Pi offre all’agente una selezione più fine tra singoli strumenti. Entrambi separano la conoscenza dell’esistenza di una capacità dal caricamento dei suoi dettagli completi.

Pubblicato anche su [9].

Una "memoria dello strumento" dovrebbe ricondurre alle sue prove.

Pubblicato anche su [10].

Un artefatto dello strumento è il registro dell’esecuzione: ciò che è stato richiesto e ciò che è stato restituito, compresi un file o un errore. Una memoria dello strumento è una rappresentazione più piccola delle prove utili di quel registro. Porta un collegamento alla fonte. L’assemblaggio del contesto sceglie quali messaggi, memorie, riferimenti e dettagli esatti devono entrare nella generazione successiva.

Trascrizione, artefatti, memorie e contesto assemblato hanno ruoli diversi. I riferimenti alle fonti li collegano.

Supponiamo che uno strumento produca un CSV e che l’agente spieghi il risultato. Al turno successivo, al modello potrebbero bastare la conclusione e un riferimento al file. Più tardi, l’utente chiede le righe esatte alla base di un numero. Una memoria compatta dà al sistema un percorso per tornare all’artefatto originale. Il riepilogo è utile perché le prove restano recuperabili.

La distinzione aiuta anche con il tempo. La disponibilità del calendario può diventare obsoleta in fretta; l’identità di un file generato può restare utile molto più a lungo. Le memorie degli strumenti portano quindi informazioni su freschezza e provenienza. L’assemblatore può distinguere prove attuali da un’osservazione precedente, anziché trattarle come ugualmente autorevoli perché appaiono nella chat.

Pubblicato anche su [10].

Conserva le prove. Scegli che cosa trasmettere.

Una volta eseguiti gli strumenti, il problema del contesto cambia forma. Una ricerca o una chiamata API può restituire centinaia di record quando alla risposta bastano pochi fatti. Qui Codemode di Pi offre un confronto particolarmente utile.

MCP dà agli strumenti un modo comune per collegarsi agli agenti. Il modo in cui un agente espone quegli strumenti al modello è una scelta progettuale separata. L’articolo MCP di Earendil e la copertura di The New Stack rendono concreta questa distinzione: un’integrazione può essere disponibile senza che ogni schema occupi il prompt fin dall’inizio.[1][2]

L’agente scrive JavaScript che richiama strumenti, unisce o filtra le risposte ed emette risultati selezionati. I valori intermedi possono restare nello script, così il modello non deve ricevere ogni risposta completa per far avanzare il calcolo.[4]

Pi può ridurre le risposte intermedie all’interno di un’operazione. NanthAI seleziona e riutilizza le prove tra le richieste.

Pubblicato anche su [10].

La distinzione sta nel punto d’intervento. Codemode può ridurre i dati intermedi prima che arrivino al modello per la prima volta. Le nostre memorie e il nostro assemblaggio determinano ciò che viene portato avanti nelle richieste successive. Gli strumenti specializzati di NanthAI elaborano già internamente i dati; il ciclo generale degli strumenti restituisce il contenuto prodotto da ciascuno strumento.

Sono tecniche correlate in fasi diverse dello stesso flusso di informazioni. Il contributo di Pi ci offre un altro punto utile da cui esaminare quel flusso.

Ecco anche perché le sole chiamate parallele non esprimono tutto il valore di Codemode. L’esecuzione parallela può recuperare più risultati contemporaneamente. L’elaborazione tramite codice può poi combinarli ed emettere solo le prove necessarie alla risposta. Cambia ciò che il modello riceve, oltre al modo in cui sono organizzate le chiamate.

Un report. Tre decisioni sul contesto.

Immagina di chiedere a un agente di confrontare due esportazioni delle vendite e spiegare quali clienti hanno registrato i cambiamenti maggiori. Il report finale richiede nomi dei clienti, differenze significative e prove a sostegno. Il flusso di lavoro può toccare molte più righe di quante ne contenga il report.

Prima dell’esecuzione, NanthAI può caricare la skill di analisi pertinente e attivarne gli strumenti. È il problema della selezione delle capacità del nostro primo articolo. Le istruzioni non pertinenti su calendario o messaggistica non devono accompagnare l’analisi.

Tre decisioni sul contesto illustrate con un report. Ogni colonna mostra un meccanismo dell’approccio indicato.

Durante l’esecuzione, uno script Codemode potrebbe leggere entrambi gli insiemi di dati tramite strumenti, unire i record per cliente, calcolare i cambiamenti e restituire le differenze maggiori. Questo illustra il meccanismo aggiuntivo di Pi: esprimere più passaggi di elaborazione dei dati nel codice e scegliere il risultato ricevuto dal modello.[4]

In seguito, l’architettura del contesto di NanthAI può conservare gli artefatti e portare memorie utili degli strumenti nelle richieste successive. Quando l’utente chiede di rivedere il rapporto, il contesto selezionato e i riferimenti alle fonti aiutano a proseguire il lavoro. Le prove esatte possono essere recuperate quando il compito lo richiede.

Con il nostro recente aggiornamento del runtime locale, questa divisione delle responsabilità fa già parte del prodotto. NanthAI può assegnare lavoro a un runtime collegato sul tuo Mac, compreso Pi. NanthAI assembla il contesto pertinente di conversazione, ramo, ricordi e artefatti; Pi combina quel contesto preparato con le proprie istruzioni e i propri strumenti di runtime, esegue il ciclo dell’agente e chiama il provider LLM configurato.

NanthAI prepara il contesto; Pi viene eseguito sul Mac collegato e chiama il provider LLM configurato. La risposta torna nella stessa conversazione.

Torniamo al report sulle vendite: chiedi il confronto in NanthAI e il runtime Pi collegato può svolgere l’analisi con il contesto preparato da NanthAI. La risposta torna nella stessa conversazione. Quando fai una domanda successiva, NanthAI prepara il contesto pertinente per il turno seguente, mentre il runtime gestisce l’esecuzione. Il nostro investimento nell’assemblaggio del contesto e le capacità dei runtime locali si incontrano in un solo flusso di lavoro.

Il lavoro continua. Il contesto lo accompagna.

Pubblicato anche su [10].

Questo conta quando le persone confrontano modelli, riprendono un compito o cambiano ambiente di esecuzione. La preparazione condivisa di NanthAI riunisce il ramo pertinente della conversazione, riepiloghi, messaggi recenti, ricordi e prove degli artefatti. La stessa preparazione canonica supporta turni cloud e locali.

NanthAI prepara un contesto condiviso per diversi percorsi di esecuzione. Ogni percorso mantiene le proprie capacità degli strumenti.

Considera due rami di una conversazione di pianificazione. Uno esplora un budget prudente; l’altro sviluppa una proposta più ambiziosa. Ognuno può generare un foglio di calcolo diverso. La richiesta successiva dovrebbe usare il file e le ipotesi associati al ramo che l’utente sta proseguendo. Il file più recente in un punto qualsiasi della conversazione non è automaticamente quello giusto.

Anche Pi mantiene la continuità attraverso sessioni, rami e compattazione. L’articolo Pi Durable di Earendil estende il suo lavoro all’esecuzione con punti di ripristino e al recupero.[6] Il suo progetto di contesto ed esecuzione merita di essere compreso secondo le proprie scelte.

NanthAI porta il contesto condiviso in un prodotto che comprende client, modelli e percorsi di esecuzione, incluso Pi stesso. Un motore di esecuzione può gestire la propria sessione di lavoro mentre NanthAI mantiene il registro condiviso. È il valore pratico della separazione descritta a maggio: il lavoro può continuare oltre una singola sessione del modello.

Pubblicato anche su [10].

Costruisci il contesto per il prossimo passo utile.

I nostri articoli di maggio hanno stabilito due principi collegati: esporre progressivamente le capacità e assemblare deliberatamente la cronologia utile. Il lavoro recente di Pi porta un’altra solida prospettiva di implementazione, soprattutto sulla scoperta degli strumenti e sull’elaborazione dei loro risultati.

Il problema comune è quante informazioni un agente debba portare con sé per svolgere lavoro utile. Gli approcci differiscono per ciò che selezionano, quando lo selezionano e quale parte del sistema è responsabile della decisione.

Un confronto degli aspetti principali: capacità progressive, risultati selettivi e continuità del lavoro.

Anche Cloudflare e Anthropic hanno pubblicato lavori sull’esecuzione di codice sugli strumenti.[7][8] Accogliamo con favore l’attenzione e l’investimento ingegneristico che questo problema sta ricevendo. Confrontare progetti funzionanti e imparare dalle diverse scelte dei team ha un valore reale.

Per NanthAI, questo prosegue un investimento costante in skill, memorie degli strumenti e contesto assemblato. La nostra attenzione resta sull’esperienza resa possibile da queste basi: scegliere i modelli che vuoi, rendere accessibili le capacità giuste e mantenere disponibile il lavoro utile per il passo successivo.

Metti al lavoro un contesto migliore con NanthAI

In NanthAI queste scelte architetturali diventano uno spazio di lavoro: scegli i tuoi modelli, definisci i loro flussi con le skill, lavora con i file e prosegui con il contesto utile a portata di mano.

Prepara una bozza con un modello, ottieni un altro punto di vista e decidi dove portare la conversazione. Esplora un ramo senza perdere la direzione originale. Porta il lavoro supportato di Pi o Codex dal tuo Mac nelle stesse conversazioni che usi sul telefono e nel browser.

Investiamo da mesi nelle basi di questa esperienza. È incoraggiante vedere Pi, Earendil e altri team dedicare energie e idee allo stesso problema. Il confronto ingegneristico su un contesto migliore si sta arricchendo e siamo lieti di contribuire con un prodotto funzionante e le riflessioni che lo sostengono.

L’AI che ti serve al prezzo che vuoi

Esplora NanthAI

Articoli e fonti

1. The New Stack: One MCP server used 18,000 tokens before doing anything
2. Earendil: You Said No MCP! (29 September 2026)
3. Pi documentation: MCP servers and tool exposure
4. Pi documentation: Codemode
5. Pi source: Skills and progressive disclosure
6. Earendil: Pi Durable (1 October 2026)
7. Cloudflare: Code Mode: the better way to use MCP
8. Anthropic: Code execution with MCP
9. NanthAI: Skills as Tool Gates (11 May 2026)
10. NanthAI: The Transcript Trap (15 May 2026)

Logo Pi dal materiale stampa ufficiale di Pi. Confronto tecnico basato su codice sorgente e documentazione esaminati a ottobre 2026.

Pubblicato anche su LinkedIn.