Siamo onesti: siamo tutti un po’ stanchi di inseguire il “prompt perfetto”. Abbiamo passato mesi a perfezionare istruzioni chilometriche, a definire personaggi e a impostare vincoli maniacali, cadendo in quella che ormai definiamo “fatica da prompting”. Ma mentre cercavamo la formula magica, il paradigma è cambiato sotto i nostri occhi.

Non siamo più noi a dover istruire l’IA su ogni singolo respiro. Stiamo entrando nell’era del Loop Engineering, la nuova frontiera che sta rendendo il Prompt Engineering tradizionale un reperto archeologico. Il cambiamento è profondo: non siamo più i “suggeritori” dell’IA, ma i progettisti dei sistemi che permettono all’IA di gestire se stessa.

1. Il tramonto del Prompt Engineering

Il primo segnale di questa rivoluzione arriva dai vertici dello sviluppo tech. Figure come Boris Cerni, creatore di Cloud Code, hanno smesso di scrivere prompt. La sua visione è radicale: non è più l’umano a spiegare a Claude come agire; si creano dei “loop” in cui l’IA scrive i prompt per se stessa.

È un passaggio fondamentale dal micro-management delle istruzioni al design di architetture autonome. Peter Steinberger, la mente dietro OpenClow (uno degli agenti IA più avanzati), lo ha riassunto in modo brutale:

“Ti ricordo che tu non dovresti più fare prompting all’agente. Dovresti occuparati del design dei loop che ‘promptano’ automaticamente il tuo agente.”

2. Dalla gestione del contesto alla “Context Rot”

Per capire come siamo arrivati ai loop, dobbiamo passare per il Context Engineering. Se il prompt è l’istruzione, il contesto è la memoria di lavoro dell’IA. Oggi i modelli vantano finestre di contesto (Context Window) immense, fino a 1 milione di token, potenziate dal protocollo MCP (Model Context Protocol) che permette all’agente di connettersi direttamente a file, web e app.

Tuttavia, avere una memoria enorme non significa saperla usare. Superati i 200.000 token, i modelli soffrono di “Context Rot” (degradazione del contesto): l’eccessiva quantità di informazioni genera confusione e le performance crollano.

La vera soluzione non è riassumere il passato (operazione che fa perdere dettagli preziosi), ma cambiare radicalmente il modo in cui l’IA ricorda.

3. Harness Engineering: Il File System come “RAM”

Qui entra in gioco l’Harness Engineering, un’impalcatura esterna che trasforma il file system del tuo computer in una RAM persistente per l’agente. Invece di intasare la Context Window, strumenti come OpenClow utilizzano file Markdown strutturati per mantenere l’agente “lucido”:

• memory.md: per i fatti a lungo termine e le decisioni prese.
• dreams.md: un diario di bordo opzionale per le riflessioni del modello.
• Cartelle cronologiche: log organizzati per data.

L’agente non deve più ricordare tutto contemporaneamente. Utilizza strumenti di ricerca semantica per richiamare dati specifici e, tra un sotto-task e l’altro, svuota (“flusha”) la propria memoria di lavoro e ricarica solo ciò che serve. Questo processo elimina alla radice la Context Rot.

4. Loop Engineering: Come funziona la logica dei loop

Il Loop Engineering è il culmine di questa evoluzione: un’integrazione sistematica di strumenti (Tools) e impalcature (Harness) in un ciclo iterativo continuo. Non è semplicemente l’IA che usa uno strumento; è un sistema che si pone domande, esegue azioni, analizza i risultati e si corregge da solo fino al raggiungimento di un obiettivo.

La logica fondamentale di un GOL (Goal Oriented Loop) segue un flusso lineare e perpetuo:

[Trigger] ➔ [Esecuzione] ➔ [Verifica del Risultato] ➔ [Scrittura/Aggiornamento] ➔ [Nuovo Ciclo o Stop]

Per capire come si traduce l’istruzione pratica senza perdersi in tecnicismi, basti pensare a due logiche principali:

• Loop basati su Eventi o Tempo: Si imposta l’IA per attivarsi a intervalli regolari o al verificarsi di una condizione (es. “Ogni mattina alle 9 controlla i dati e aggiorna il report”).
• Loop basati su Obiettivo (GOL): Si definisce un traguardo finale e un limite (di tempo o di tentativi), lasciando l’IA libera di iterare e correggersi finché non raggiunge il risultato o esaurisce il budget (es. “Ottimizza la velocità di questa pagina web | Limite: 8 ore di tentativi”).

5. I 5 Livelli di Verifica: Quando l’IA capisce di aver vinto

Un loop senza verifica è solo un modo costoso per sprecare token. Per far funzionare un GOL, l’IA deve sapere quando fermarsi. Il Loop Engineering definisce 5 livelli di validazione:

1. Verifica deterministica: Un controllo booleano secco (Sì/No). Il codice compila? Il file esiste?
2. Regole e vincoli numerici: Parametri quantificabili. La pagina carica in meno di 100ms? L’accuratezza è superiore al 90%?
3. Verità terrena ritardata (Delayed Ground Truth): Risultati che arrivano dal mondo reale a posteriori. Ad esempio, analizzare i dati di engagement dopo 3 giorni per aggiustare il tiro nel ciclo successivo.
4. LLM come giudice: L’IA autovaluta aspetti qualitativi (estetici o funzionali), ad esempio confrontando il render visivo di un’interfaccia con un’immagine di riferimento.
5. Checkpoint umano: L’utente interviene per dare un punteggio di gradimento e guidare l’iterazione successiva.

6. Il caso Matrix Multiplication: Lo speedup del 320x

L’efficacia del Loop Engineering non è teorica. In un esperimento di ottimizzazione di uno script Python per il prodotto fra matrici, l’IA è stata lanciata in un loop autonomo con l’obiettivo di rendere il calcolo il più veloce possibile.

Senza alcun intervento umano e monitorando i propri errori, l’IA ha scalato la complessità in 10 tentativi sequenziali:

1. È partita dallo script originale di base.
2. Ha ridotto il carico modificando i tipi di dati (da float64 a float32).
3. Ha spostato il calcolo sulla GPU tramite CUDA.
4. È approdata all’uso dei Tensor Core con calcoli in mezza precisione (float16).

Il risultato? Uno speedup di 320 volte più veloce rispetto alla partenza. L’utente si è limitato a definire l’obiettivo; l’IA ha testato, misurato le performance, corretto il codice e iterato fino a toccare i limiti fisici dell’hardware.

Conclusione: Verso un’IA senza “babysitter”

Il Loop Engineering segna la fine dell’IA assistita. Stiamo passando dal correggere le virgole nei prompt al definire obiettivi ambiziosi, lasciando che i sistemi iterino autonomamente fino alla soluzione ottimale. La competenza del futuro non sarà la scrittura creativa di istruzioni, ma la progettazione di architetture di verifica.

Se la tua IA potesse lavorare in loop per 8 ore senza il tuo intervento, quale obiettivo ambizioso le daresti da risolvere oggi?

Nota di trasparenza: Questo contenuto è stato redatto/ottimizzato con il supporto di strumenti di Intelligenza Artificiale sotto la costante supervisione e revisione editoriale umana, in conformità all’Art. 4 del Regolamento (UE) 2024/1689 e alla L. 132/2025.¹

1. ↩︎