Home / Glossario

Glossario

I termini dell’AI che uso nei pezzi, spiegati in breve. Dove c’è un pezzo che li approfondisce, il link è sotto la voce.

agente

Un programma in cui un modello linguistico genera, un passo alla volta, le azioni da eseguire (leggere un file, lanciare un comando, cercare sul web) e riceve indietro i risultati. La sequenza dei passi la genera il modello, un turno alla volta, e non un codice scritto prima di partire.

Lo spiego in «E tu la sai la differenza tra workflow e agente?»

attention

Il meccanismo con cui un modello, mentre elabora un token, calcola quanto peso dare a ciascuno dei token del contesto e ne ricava una somma pesata. Il nome è una metafora: è un calcolo di pesi, non attenzione nel senso umano.

auto-compaction

Il meccanismo con cui l’harness, quando il contesto supera una soglia di token, sostituisce la cronologia con un riassunto generato dal modello. Da lì in poi il modello riceve il riassunto, non più i messaggi originali.

Lo spiego in «L’auto-compaction è una cagata pazzesca»

cache del prompt (prompt caching)

Il provider conserva per un po’ la parte iniziale del contesto già elaborata. Se la richiesta successiva comincia con gli stessi identici token, quella parte si legge dalla cache invece di rielaborarla, e costa molto meno.

Lo spiego in «L’auto-compaction è una cagata pazzesca»

CLAUDE.md

Il file di istruzioni in testo semplice che Claude Code carica all’inizio di ogni sessione, con le regole e le informazioni sul progetto che altrimenti dovresti ripetere. È contesto, non una regola imposta: una riga di CLAUDE.md non impone un esito, sposta una probabilità.

Lo spiego in «L’igiene di Claude Code»

compaction

Sostituire la parte vecchia di una conversazione con un riassunto generato dal modello, per fare spazio nella finestra di contesto. Non è una compressione senza perdite ma una riscrittura: quello che non finisce nel riassunto, per il modello non c’è più.

Lo spiego in «L’auto-compaction è una cagata pazzesca»

context rot

Il calo di accuratezza con cui un modello recupera e usa le informazioni quando il contesto si allunga. Più token ci sono nella finestra, meno le risposte sono affidabili, anche su compiti semplici.

Lo spiego in «L’igiene di Claude Code»

embedding

Una lista di numeri che rappresenta il significato di un testo. Testi dal significato simile hanno numeri vicini, e così si può cercare per somiglianza di significato e non solo per parole identiche.

finestra di contesto

La quantità massima di token che stanno in una richiesta, risposta del modello compresa. Dentro ci sta tutto: le istruzioni, la conversazione, i file letti, gli output degli strumenti.

Lo spiego in «L’auto-compaction è una cagata pazzesca»

harness

Il programma che sta attorno al modello: ricostruisce il contesto e lo invia a ogni richiesta, ed esegue gli strumenti che il modello chiede di usare. Claude Code, Codex e Cursor sono harness.

Lo spiego in «E tu la sai la differenza tra workflow e agente?»

inference

Usare un modello già addestrato per generare una risposta a un prompt, token dopo token. Si distingue dall’addestramento, la fase in cui il modello viene costruito a partire dai dati.

J-space

Un piccolo insieme di schemi di attività interni a Claude (alcune decine alla volta, meno di un decimo dell’attività totale), individuati da Anthropic con una tecnica chiamata J-lens (la J viene dalla Jacobiana, un concetto matematico). Ogni schema è legato a una parola; Anthropic paragona l’insieme al «global workspace» delle neuroscienze, ma precisa che il lavoro non stabilisce se Claude sia cosciente.

logit

Il punteggio grezzo che il modello calcola per ogni possibile token successivo, prima di trasformarlo in una probabilità. Il token con il logit più alto è anche il più probabile, ma quale venga generato dipende da come si campiona (temperature, top-k).

MCP (Model Context Protocol)

Uno standard aperto, introdotto da Anthropic nel novembre 2024, con cui un’applicazione AI si collega a strumenti e fonti di dati esterni sempre allo stesso modo (l’immagine ufficiale è la presa USB-C). Un server MCP è il piccolo programma che, per un servizio (un calendario, un generatore di immagini), espone questi strumenti all’applicazione.

Lo spiego in «Frontend is Dead»

prompt

Il testo che si dà in ingresso a un modello linguistico per ottenere una risposta: la domanda, le istruzioni, gli esempi. Il modello genera un seguito plausibile di quel testo, quindi cambiare le parole del prompt cambia la risposta.

RAG (retrieval-augmented generation, in italiano generazione aumentata dal recupero)

Prima di rispondere, un sistema cerca in una raccolta di documenti i passaggi più pertinenti alla domanda e li aggiunge al prompt. È come un esame a libro aperto: il modello genera la risposta a partire da quei testi, e non solo dai dati con cui è stato addestrato.

skill

Una cartella con un file di istruzioni (SKILL.md) che insegna a Claude Code un compito. Nel contesto restano sempre il nome e la descrizione; il resto entra solo quando la skill viene usata, da Claude o da te con /nome.

Lo spiego in «L’igiene di Claude Code»

stateless

Che non conserva niente da una richiesta all’altra: a ogni turno il modello riceve da capo l’intero contesto. È come dover rileggere tutta la chat del condominio ogni volta che si risponde «ok».

Lo spiego in «L’auto-compaction è una cagata pazzesca»

subagente

Un secondo agente che la sessione principale lancia con un compito preciso; lavora in un contesto suo e alla fine restituisce un rapporto. Alla sessione principale torna solo il rapporto, e così le letture lunghe non ne riempiono il contesto.

Lo spiego in «E tu la sai la differenza tra workflow e agente?»

temperature

Un parametro che regola la casualità con cui un modello sceglie il token successivo: a temperatura bassa sceglie quasi sempre i più probabili, a temperatura alta dà più spazio anche a quelli meno probabili. Anche con temperatura 0 le risposte non sono garantite identiche.

token

Il pezzo di testo che un modello linguistico riceve e genera: una parola corta, un pezzo di parola o un segno di punteggiatura. È anche l’unità con cui si pagano le richieste.

Lo spiego in «L’auto-compaction è una cagata pazzesca»

tool use

La capacità di un modello di generare la richiesta di usare uno strumento (una funzione scritta da qualcuno, come «cerca sul web» o «leggi questo file»), con i suoi parametri. A eseguirla non è il modello ma il programma che gli sta attorno, che poi gli rimanda il risultato.

Lo spiego in «E tu la sai la differenza tra workflow e agente?»

top-k

Un modo di scegliere il token successivo, in cui il modello sorteggia tra i k token più probabili (per esempio i primi 10) e ignora tutti gli altri. Serve a escludere le scelte molto improbabili.

transformer

L’architettura di rete neurale presentata nel 2017 nell’articolo «Attention Is All You Need» e usata dalla maggior parte dei modelli linguistici attuali. Elabora il testo con il solo meccanismo di attention, senza le reti ricorrenti che lo scorrevano una posizione alla volta, e così si addestra molto più in fretta e in parallelo.

workflow

Un sistema in cui la sequenza dei passi la scrivi tu, nel codice, prima di partire: il modello esegue i singoli passi, ma non decide il percorso. È un treno: va solo dove i binari sono già posati.

Lo spiego in «E tu la sai la differenza tra workflow e agente?»

Il prossimo pezzo te lo segnalo su Telegram

Resta aggiornato sull’AI senza rincorrere tutto: sai cosa cambia, cosa provare subito e cosa aggiornare prima che sia un problema.

Avvisami su Telegram