Inizia la prova gratuita
Tendenze Novità Generi Autori
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Ricerca in corso...
SoBrief
Oltre il Vibe Coding

Oltre il Vibe Coding

Titolo originale: Beyond Vibe Coding
Trasforma il codice generato dall’IA in software affidabile, mantenendo il giudizio che alle macchine manca.
di Addy Osmani 2025 252 pagine
3.18
100 valutazioni
Ascolta
Immersivi
V2.3
Amazon Kindle Audible
Prova l'accesso completo per 3 giorni
Sblocca l'ascolto e molto altro!
Continua

Punti chiave

Lascia che l’IA traduca le intenzioni in codice, ma mantieni il giudizio ingegneristico nelle mani delle persone.

Un lavoro di livello superiore. La programmazione basata su prompt (vibe coding) consiste nel descrivere in linguaggio comune il risultato desiderato e lasciare che l’IA generi gran parte dell’implementazione. Chi sviluppa passa dal digitare ogni istruzione a indicare la direzione, valutare ciò che emerge e decidere se risponde alle esigenze reali. Per esempio, un semplice strumento web può prendere forma attraverso poche richieste e revisioni, anziché richiedere un lungo lavoro di configurazione manuale.

La velocità non equivale a responsabilità. L’IA prevede codice plausibile sulla base degli schemi appresi; non verifica autonomamente che il risultato sia corretto, sicuro o adatto a chi lo userà. L’argomento centrale del libro non è che chi sviluppa debba smettere di programmare, ma che debba usare l’IA per lavorare più in fretta, restando responsabile del risultato.

Analisi

Questo cambiamento ricorda le precedenti evoluzioni verso livelli di astrazione più alti, dalle istruzioni macchina ai linguaggi di alto livello: diminuisce lo sforzo richiesto dalla traduzione meccanica, mentre diventa più importante definire correttamente l’obiettivo. È un vantaggio concreto, soprattutto quando l’implementazione è di routine. Ma una richiesta in linguaggio naturale può nascondere disaccordi sul significato di «funziona». Perciò una specifica utile ha bisogno di criteri di accettazione osservabili, non solo di una descrizione convincente. Il ruolo umano non consiste soltanto nell’approvare il risultato: consiste nello stabilire che cosa significhi avere successo e a chi debba essere utile il software.

Usa l’esplorazione rapida per i prototipi e un’ingegneria disciplinata per i software da cui le persone dipendono.

Scegli la modalità giusta. L’ingegneria assistita dall’IA è un approccio più strutturato: prima si definiscono requisiti e vincoli, poi si usa l’IA per compiti specifici durante progettazione, programmazione, test e manutenzione. La programmazione basata su prompt (vibe coding) è più esplorativa e l’implementazione emerge attraverso prompt e revisioni. Nessuno dei due approcci è sempre migliore. Un prototipo rapido per verificare un’idea può tollerare qualche imperfezione; un sistema finanziario, un prodotto consolidato o una funzionalità inserita in una grande base di codice richiedono pianificazione e revisione più rigorose.

Passa dall’uno all’altro. Chi sviluppa può lasciare che l’IA imposti la struttura di una nuova funzionalità, per poi passare a un processo che parte dal piano e definire modelli dei dati, gestione degli errori e test. La distinzione riguarda soprattutto il costo di un eventuale insuccesso e il futuro del codice. La generazione rapida è utile quando è importante imparare in fretta; la disciplina ingegneristica è essenziale quando altre persone o sistemi devono potersi affidare al risultato.

Analisi

È una scelta basata sul rischio, non un referendum sulla bontà o meno del codice generato dall’IA. Nello sviluppo di prodotti, i prototipi servono a ottenere informazioni: un modello imperfetto può essere prezioso se consente di capire a basso costo se gli utenti desiderano una funzionalità. I sistemi di produzione devono invece garantire un comportamento affidabile, quindi il costo di un difetto nascosto cambia i termini del calcolo. La domanda utile non è «Dovrebbe scriverlo l’IA?», ma «Quali garanzie richiede questo contesto?». I team possono tradurre la domanda in pratica fissando soglie di revisione e test proporzionate al possibile impatto di un errore.

Aspettati che l’IA prepari il 70% più familiare, non che risolva il 30% più difficile.

La parte facile, nel mezzo. Il «problema del 70%» descritto nel libro indica uno schema ricorrente, non una misura universale: l’IA produce rapidamente codice standard, poi fatica a completare il lavoro necessario per renderlo robusto. I compiti familiari, come schermate CRUD, strutture iniziali di progetto e integrazioni API di routine, si basano su schemi comuni. Il lavoro restante spesso riguarda casi limite, requisiti poco chiari, architettura, prestazioni e integrazione di una modifica in un sistema esistente.

Una bozza plausibile può trarre in inganno. Una funzionalità generata dall’IA può sembrare completa in una demo, ma fallire quando gli utenti inseriscono dati imprevisti, hanno una connessione lenta o seguono una sequenza insolita di azioni. L’IA può anche introdurre una correzione che causa nuovi problemi, innescando un frustrante ciclo di regressioni. Gli ingegneri esperti individuano questi problemi grazie a conoscenze del dominio e a un ragionamento sull’intero sistema che il modello non possiede autonomamente.

Analisi

La percentuale è memorabile perché descrive la forma del lavoro: i progressi facili arrivano presto, mentre correttezza e integrazione assorbono uno sforzo sproporzionato. Questo schema si ritrova in molti compiti complessi, dai prototipi di ricerca ai progetti edilizi, nei quali la prima bozza visibile non equivale a un sistema finito. La proporzione esatta, tuttavia, varia in base al compito, al team e al modello; trattare il 70% come una previsione sarebbe fuorviante. La lezione più duratura è prevedere esplicitamente tempo per verifica e integrazione, invece di presumere che la generazione rapida del codice elimini il lavoro difficile.

Considera i prompt come specifiche concise e guida poi il risultato con feedback intenzionali.

Fornisci al modello il contesto che gli manca. L’ingegneria dei prompt è la pratica di formulare istruzioni e contesto per indirizzare l’IA verso un risultato utile. Un buon prompt di programmazione specifica il linguaggio e l’ambiente, descrive il comportamento previsto, stabilisce i vincoli e definisce i casi limite. Per segnalare un bug, includi il codice pertinente, l’errore esatto, il risultato atteso e quello effettivo. Una richiesta vaga invita a una supposizione generica; una precisa restringe il problema.

Affina il risultato invece di ricominciare alla cieca. Esamina il risultato, individua lo scarto specifico e chiedi una modifica mirata. Gli esempi possono mostrare il formato o lo stile di programmazione desiderato; i file o la documentazione pertinenti del progetto possono fornire un contesto concreto. Suddividi le richieste troppo complesse in compiti più piccoli. Se l’IA fraintende, riformula l’istruzione invece di ripeterla senza cambiamenti. Il prompt fa parte del processo ingegneristico: non è una formula magica che elimina la necessità di ragionare.

Analisi

Scrivere buoni prompt è strettamente legato all’analisi dei requisiti e alla scrittura tecnica. Esplicitare input, vincoli e comportamento atteso spesso porta alla luce lacune nella comprensione di chi formula la richiesta, prima ancora che venga generata una riga di codice. Esempi e contesto possono ridurre l’ambiguità, ma più testo non significa automaticamente meglio: i dettagli irrilevanti distolgono l’attenzione dalle informazioni importanti. Una disciplina utile consiste nel fornire la specifica minima sufficiente e poi verificare se il risultato la soddisfa. In questo modo il prompting diventa un metodo ripetibile per comunicare un compito, non una messinscena.

Non integrare mai codice generato che non sai spiegare, testare e mantenere.

Il comune non è il su misura. Il libro definisce «effetto della soluzione maggioritaria» la tendenza dell’IA a produrre un approccio familiare e ampiamente applicabile, anziché quello più adatto a un progetto specifico. Se le viene chiesta una funzione di ricerca senza vincoli, potrebbe scegliere una semplice ricerca lineare anche quando le prestazioni richiedono un altro metodo. Potrebbe inoltre usare una dipendenza, un presupposto o uno stile in conflitto con la base di codice.

Fai tua la bozza. Confronta l’implementazione con l’intento iniziale, esamina presupposti e casi limite ed esegui test a livello di funzione, integrazione e flusso completo, secondo necessità. Riorganizza nomi poco chiari, duplicazioni o funzioni troppo lunghe. I test sono particolarmente importanti dopo le revisioni, perché preservano il comportamento previsto man mano che il codice cambia. Quando comprendi il risultato e te ne assumi la responsabilità, diventa semplicemente parte del progetto, a prescindere da chi abbia scritto la prima bozza.

Analisi

Questa regola è una risposta pratica al bias di automazione: la tendenza a fidarsi delle raccomandazioni automatizzate più di quanto giustifichino le prove. Una modifica ben presentata può infondere sicurezza senza dimostrare la correttezza. La revisione del codice e i test, al contrario, rendono il lavoro leggibile: mostrano quali presupposti contiene l’implementazione e dove è definito il suo comportamento. I test non certificano ogni qualità e una suite di test può codificare requisiti sbagliati, quindi l’interpretazione umana resta essenziale. La prova più forte della responsabilità su un codice è che chi dovrà mantenerlo sappia spiegarne il comportamento e modificarlo in sicurezza.

Crea rapidamente un prototipo, poi rafforza o sostituisci le scorciatoie prima che gli utenti reali vi facciano affidamento.

Usa la velocità per imparare. L’IA può trasformare rapidamente un’idea in un modello funzionante, facilitando la verifica di un’interazione o la raccolta dei primi riscontri degli utenti. Lo scopo del prototipo è rispondere a una domanda precisa, non diventare di nascosto un sistema di produzione. L’esempio del libro di un servizio che converte CSV in grafici segue questo percorso: una prima versione rapida dimostra l’idea, poi gli utenti reali e i file più grandi rivelano requisiti che il prototipo non aveva bisogno di soddisfare.

In produzione cambia lo standard. Prima del rilascio, esamina l’architettura, aggiungi la gestione degli errori, convalida gli input, valuta sicurezza e prestazioni, documenta il sistema e testa flussi di lavoro reali. Uno studio del 2021 citato nel libro ha rilevato potenziali vulnerabilità in circa il 40% del codice generato dall’IA. Tieni un elenco dei servizi simulati e delle scorciatoie temporanee e non aggiungere funzionalità che non contribuiscano a rispondere alla domanda centrale del prototipo.

Analisi

Un prototipo è un esperimento, quindi il suo valore va misurato in base all’incertezza che elimina, non a quanto appare rifinito. Questo richiama l’idea scientifica di un test minimo ma informativo: costruire solo quanto basta per imparare qualcosa di significativo. Il pericolo è che una dimostrazione riuscita spinga a distribuire lo stesso artefatto, benché le sue scorciatoie fossero accettabili solo in condizioni controllate. Un passaggio deliberato dall’esperimento al prodotto evita questo errore di categoria. A volte la scelta più sicura per la produzione è conservare ciò che si è imparato e ricostruire l’implementazione.

Indica esplicitamente sicurezza, privacy, licenze ed equità tra i requisiti fin dal primo prompt.

Un codice plausibile può essere insicuro. Il codice generato dall’IA può esporre segreti, comporre query SQL a partire da input non attendibili, gestire male l’autenticazione, consentire accessi tra origini troppo ampi o rivelare dettagli sensibili nei messaggi di errore. Un’analisi del 2023 citata nel libro ha rilevato potenziali debolezze di sicurezza nel 25-33% del codice generato, a seconda del linguaggio. Specifica il comportamento sicuro e poi verificalo con revisioni del codice, strumenti di analisi della sicurezza, test e documentazione aggiornata.

La responsabilità va oltre i bug. Non inviare codice riservato o dati personali a strumenti che non sei autorizzato a usare. Verifica le dipendenze e controlla se risultati insolitamente distintivi sollevano questioni di licenza, perché il codice open source non è automaticamente di pubblico dominio. Considera se le supposizioni incorporate nel risultato escludano alcuni utenti, per esempio trattando una convenzione onomastica o un’impostazione locale come universale. Il coinvolgimento dell’IA non solleva lo sviluppatore o l’organizzazione dalle proprie responsabilità.

Analisi

Sicurezza ed etica vengono spesso trattate come fasi di revisione separate, ma questa sezione mostra perché debbano rientrare nella definizione stessa del compito. Un sistema può funzionare esattamente come è stato implementato e tuttavia violare la privacy, imporre presupposti iniqui o creare obblighi attraverso codice copiato. È un problema sociotecnico: il rischio nasce dall’interazione tra modello, materiali di addestramento, prompt dello sviluppatore, politiche organizzative e contesto di distribuzione. Liste di controllo e strumenti di analisi aiutano a rendere visibili i problemi, ma non possono decidere quali compromessi siano accettabili. Questa decisione spetta a persone responsabili che comprendano utenti e conseguenze.

Assegna agli agenti autonomi compiti circoscritti e rivedi ogni modifica che restituiscono.

Delegare a distanza. Un agente di programmazione in background riceve un obiettivo, lavora in un ambiente isolato, modifica file, esegue comandi o test e restituisce una proposta di modifica, spesso sotto forma di pull request. A differenza di un assistente integrato nell’editor, può lavorare in modo asincrono su più parti di un repository. È quindi utile per compiti circoscritti, come aggiornare dipendenze, ampliare la copertura dei test o eseguire refactoring ripetitivi.

L’autonomia moltiplica i costi di coordinamento. Un agente può concatenare decisioni singolarmente plausibili e arrivare a un’implementazione coerente ma sbagliata. Più agenti possono anche lavorare in ambienti non allineati o modificare porzioni di codice sovrapposte, creando difficoltà di integrazione e revisione. Assegna a ciascun compito criteri di successo e limiti chiari. Quando disponibile, esamina il piano dell’agente, controlla i risultati dei test e considera le modifiche restituite come lavoro da revisionare, non come lavoro già approvato.

Analisi

Gli agenti in background fanno assomigliare lo sviluppo software al lavoro distribuito: i compiti vengono svolti in parallelo, lo stato è separato e l’integrazione diventa una sfida centrale. Il parallelismo aumenta la produttività solo se dipendenze e interfacce sono gestite; altrimenti crea più lavoro al momento dell’unione. Lo stesso principio vale per i team umani, ma gli agenti non dispongono di coordinamento informale, consapevolezza condivisa della situazione né della capacità di notare l’incertezza di un collega. Limiti chiari ai compiti e modifiche isolate non sono quindi burocrazia superflua: sono il livello di coordinamento che rende la delega utile anziché caotica.

Considera la programmazione in linguaggio naturale come una nuova interfaccia, non come un motivo per abbandonare le basi.

La forma può cambiare. Il libro immagina uno sviluppo che si orienta verso conversazioni in cui le persone dichiarano i propri obiettivi, rispondono a domande di chiarimento e lasciano che l’IA traduca le intenzioni in codice. Questo può rendere la creazione di software semplice accessibile a chi possiede conoscenze del dominio ma poca esperienza di programmazione. Può anche consentire a chi sviluppa di esplorare più opzioni di implementazione senza doverle realizzare tutte manualmente.

Il ragionamento resta importante. Il linguaggio naturale è flessibile, ma ambiguo. Chi sviluppa deve comunque capire abbastanza di algoritmi, architettura, test e debugging da accorgersi quando un’interpretazione è sbagliata. Il futuro più probabile è una combinazione: linguaggio naturale per indicazioni di alto livello, codice formale per precisione e controllo, e giudizio umano per collegare i due. Le basi non sono superate: sono ciò che rende affidabile la nuova interfaccia.

Analisi

L’analogia non implica che l’inglese sostituisca la programmazione, ma che diventi un ulteriore livello di astrazione. Ogni astrazione riduce alcuni oneri e sposta l’attenzione verso nuovi punti di possibile errore: i linguaggi di alto livello hanno semplificato la sintassi, senza eliminare la necessità di correttezza e progettazione. Le interfacce in linguaggio naturale possono ampliare la partecipazione, ma anche rendere opaco il comportamento di un sistema se gli utenti non sono in grado di esaminarne o contestarne l’implementazione. Accessibilità e responsabilità, dunque, dipendono da più della facilità di generazione: servono strumenti e pratiche che permettano alle persone di capire, testare e contestare ciò che il sistema ha costruito.

Analisi

Il contributo più forte del libro è il rifiuto di trattare la programmazione con l’IA come una magia o una minaccia. Descrive il cambiamento come una ridistribuzione dello sforzo: l’implementazione di routine costa meno, mentre acquistano importanza le decisioni su che cosa costruire, la specifica del comportamento, l’integrazione dei componenti e la verifica della qualità. La stima ricorrente del 70% coglie questo spostamento, ma è più utile come avvertimento sulla natura del lavoro che come statistica universale di produttività. L’ultima parte richiede molto perché il software non è solo codice: è codice inserito in requisiti, utenti, infrastrutture, aspettative di sicurezza e anni di cambiamenti futuri.

Questa prospettiva chiarisce anche perché l’esperienza cambi il valore dell’IA. Un ingegnere esperto può riconoscere quando un’implementazione plausibile viola un vincolo implicito; un principiante può scambiare la plausibilità per correttezza. Questo non dimostra che i principianti non possano trarne vantaggio. Significa che il valore didattico dello strumento dipende dalla sua capacità di rendere visibile il proprio ragionamento e incoraggiare la pratica attiva, invece di rendere chi apprende un consumatore passivo. L’IA può essere un tutor, uno strumento per preparare bozze o un distributore automatico di risposte, e ciascun ruolo produce risultati di apprendimento diversi.

I consigli sul flusso di lavoro convincono perché considerano la verifica parte della generazione, non una cerimonia finale. Compiti piccoli, test, revisione del codice, controllo delle versioni e incarichi circoscritti agli agenti creano un ciclo di feedback che può intercettare gli errori quando correggerli è ancora poco costoso. Queste salvaguardie, tuttavia, richiedono tempo e competenze. Produrre codice più in fretta non garantisce consegne più rapide se restano limitate le capacità di revisione, gli ambienti di test o la responsabilità sull’architettura. Le organizzazioni dovrebbero quindi misurare risultati affidabili e completi, non righe di codice generate o funzionalità mostrate in una demo.

Il libro è anche una fotografia di un mercato degli strumenti in rapido cambiamento, perciò i confronti specifici tra prodotti invecchieranno. Le sue idee più durature sono più utili: commisurare l’autonomia al rischio, mantenere la responsabilità umana e usare l’IA per ampliare l’esplorazione senza delegare il giudizio. La domanda pratica centrale non è se il codice sia stato scritto da una macchina. È se le persone responsabili sappiano spiegare perché quel codice debba far parte del progetto, dimostrare che si comporta come previsto e mantenerlo quando cambia il contesto.

Riassunto in 30 secondi
L’IA può scrivere rapidamente codice di routine, ma architettura, casi limite e integrazione richiedono ancora competenze umane. Considera il risultato generato un punto di partenza: definisci i vincoli, apporta modifiche mirate, testa il comportamento e comprendi i cambiamenti prima del rilascio. Uno studio citato ha rilevato potenziali vulnerabilità in circa il 40% del codice generato dall’IA; un altro ha riscontrato problemi di sicurezza nel 25-33% del codice, a seconda del linguaggio. Usa prototipi rapidi per imparare, poi rafforzali o sostituiscili prima che gli utenti facciano affidamento su di essi.
Contiene spoiler

Ultimo aggiornamento:

Segnala un problema

Sintesi delle recensioni

3.18 su 5
Media di 100 valutazioni da Goodreads e Amazon.

Oltre il Vibe Coding riceve recensioni contrastanti, con una media di 3,33 stelle su 5. I critici osservano che il libro ripropone in gran parte i post del blog dell’autore e ripete eccessivamente concetti come la distinzione tra programmazione basata su prompt e programmazione assistita dall’IA. Secondo i recensori, contiene troppe parti riempitive, contenuti specifici per il web e dettagli legati a strumenti che potrebbero diventare rapidamente obsoleti. Il pubblico a cui si rivolge non è chiaro: è troppo basilare per gli sviluppatori esperti e potenzialmente disorientante per i principianti. Sebbene i consigli di fondo siano validi, i lettori suggeriscono di consultare invece i post del blog di Osmani e le discussioni online, ritenendoli più utili sul piano pratico.

La tua valutazione:
4.04
134 valutazioni
Vuoi leggere il libro completo?

Glossario

programmazione basata su prompt (vibe coding)

Programmazione esplorativa guidata dai prompt

Un modo di creare software che parte dai prompt: una persona descrive in linguaggio naturale il comportamento desiderato e un’IA genera o modifica il codice attraverso interazioni ripetute. Privilegia l’esplorazione rapida e la realizzazione veloce di prototipi funzionanti. Può essere utile per schemi ricorrenti, ma non elimina la necessità di esaminare, testare e perfezionare il codice prima di farvi affidamento.

ingegneria assistita dall’IA

Sviluppo strutturato con il supporto dell’IA

Un metodo disciplinato per integrare l’IA nel ciclo di vita dello sviluppo software, mantenendo il controllo nelle mani di chi sviluppa. Il lavoro parte dai requisiti, dai vincoli o dai criteri di accettazione; l’IA viene impiegata per compiti mirati, come la stesura del codice, il refactoring o la generazione di test. La revisione umana e le pratiche ingegneristiche consolidate restano fondamentali per la qualità, la sicurezza e la manutenibilità a lungo termine.

problema del 70%

L’IA si blocca nell’ultimo tratto

Uno schema ricorrente in cui gli strumenti di IA producono rapidamente una prima implementazione di requisiti familiari, ma faticano a completare il lavoro necessario per ottenere un software affidabile. Questo lavoro restante può includere casi limite, architettura, integrazione, prestazioni e manutenibilità. Nel libro, la percentuale è una stima esemplificativa, non un parametro fisso applicabile allo stesso modo a ogni progetto.

effetto della soluzione maggioritaria

Gli schemi comuni prevalgono sulle esigenze specifiche

La tendenza dei modelli di IA a generare soluzioni comuni negli esempi su cui sono stati addestrati, anziché soluzioni ottimizzate per un progetto specifico. Un metodo familiare può funzionare con gli input ordinari, ma entrare in conflitto con le esigenze locali di prestazioni, con l’architettura o con le convenzioni del team. Chi sviluppa deve individuare le ipotesi del modello e fornire contesto o rivedere il risultato.

ingegneria dei prompt

Guidare l’IA con istruzioni

La pratica di scrivere e perfezionare prompt affinché un sistema di IA riceva obiettivi chiari, contesto pertinente, vincoli e aspettative sul risultato. Nello sviluppo software, prompt efficaci possono specificare il linguaggio, il framework, il comportamento di input e output, i casi di errore e le convenzioni del progetto. L’ingegneria dei prompt comprende la correzione iterativa quando il risultato generato non soddisfa il requisito previsto.

programmazione conversazionale (CHOP)

Programmare attraverso prompt iterativi

Uno stile di sviluppo in cui chi programma lavora con un’IA impartendo istruzioni conversazionali e perfezionandole ripetutamente. Descrive i compiti, valuta le implementazioni dell’IA e ne orienta le modifiche, invece di scrivere manualmente ogni riga. Questo approccio può accelerare lavori consistenti, ma spetta comunque alla persona scegliere le soluzioni e integrarle in modo coerente.

agente di programmazione in background

IA che lavora sul codice in modo asincrono

Un sistema di IA a cui viene assegnato un compito di sviluppo e che può esaminare autonomamente un repository, pianificare modifiche, intervenire sui file, eseguire comandi o test e restituire il lavoro proposto, spesso sotto forma di branch o pull request. A differenza di un assistente integrato nell’editor, opera in modo asincrono e su più file. Il suo risultato deve comunque essere esaminato da una persona, soprattutto quando i requisiti o i confini del sistema sono complessi.

ReAct

Ragionamento abbinato all’uso di strumenti

Uno schema di prompt e di agenti che combina pianificazione o ragionamento con azioni, come chiamare un’API, eseguire codice o interrogare uno strumento, e usa poi il risultato per proseguire. A differenza di una risposta composta solo da testo, un flusso di lavoro ReAct può incorporare le informazioni restituite da un’azione esterna. Richiede un ambiente che metta effettivamente a disposizione gli strumenti; altrimenti, il modello non può davvero utilizzarli.

Sull'autore

Addy Osmani è Senior Staff Engineering Manager presso Google Chrome, dove guida team impegnati a migliorare le prestazioni del web e l’esperienza di sviluppo. Nel corso della sua carriera si è affermato come una figura di spicco nella comunità dello sviluppo web, pubblicando diversi libri per condividere la propria esperienza con sviluppatori di tutto il mondo. Osmani è anche un relatore molto richiesto e interviene a conferenze internazionali su temi legati allo sviluppo web, all’ottimizzazione delle prestazioni e alle moderne pratiche di sviluppo. Il suo lavoro in Google si concentra sul rendere il web più veloce e più accessibile per chi sviluppa applicazioni.

Scarica PDF

Per conservare questo riassunto di Oltre il Vibe Coding e leggerlo in seguito, scarica il PDF gratuito. Puoi stamparlo o leggerlo offline quando vuoi.
Download PDF

Scarica EPUB

Per leggere il riassunto di Oltre il Vibe Coding sul tuo e-reader o sulla relativa app, scarica l’EPUB gratuito. Il formato digitale .epub è ideale per leggere ebook su telefoni, tablet ed e-reader.
Download EPUB
Vuoi leggere il libro completo?
Segui
Ascolta
Home
Swipe
Libreria
App
Prova l'accesso completo per 3 giorni
Ascolta, salva e molto altro
Confronta le funzionalità Gratuito Pro
📖 Leggi i riassunti
Leggi riassunti illimitati. Gli utenti gratuiti ne ricevono 3 al mese
🎧 Ascolta i riassunti
Ascolta riassunti illimitati in 40 lingue
—
❤️ Segnalibri illimitati
Gli utenti gratuiti sono limitati a 4
—
📜 Cronologia illimitata
Gli utenti gratuiti sono limitati a 4
—
📥 Download illimitati
Gli utenti gratuiti sono limitati a 1
—
Prova senza rischi
Oggi: accesso immediato
Ascolta i riassunti completi di oltre 26.000 libri. Sono più di 12.000 ore di audio!
Giorno 2: promemoria della prova
Ti invieremo una notifica per avvisarti che la prova sta per scadere.
Giorno 3: inizia il tuo abbonamento
L'addebito avverrà il 24 nov,
puoi annullare in qualsiasi momento prima.
Consume 2.8× More Books
2.8× libri in più Ascolto Lettura
I nostri utenti ci adorano
600,000+ lettori
Trustpilot Rating
TrustPilot
4.6 Eccellente
Questo sito è una vera rivoluzione. Ho letto riassunti di libri come mai prima d'ora. Consigliatissimo.
— Dave G
Vale ogni centesimo e ogni minuto, ed è davvero ben fatto. Non ho mai visto riassunti di questa qualità su altri siti. Utilissimo!
— Em
Consigliatissimo!! Servizio fantastico. Perfetto per chi vuole qualcosa in più di un'anteprima ma senza tutti i dettagli di un audiolibro completo.
— Greg M
Risparmia il 62%
Annuale
$119.88 $44.99/anno/anno
$3.75/mese
Mensile
$9.99/mese
Inizia la prova gratuita di 3 giorni
3 giorni gratis, poi $44.99/anno. Cancella quando vuoi.
Unlock a world of fiction & nonfiction books
Oltre 26.000 libri al prezzo di 2
Leggi qualsiasi libro in 10 minuti
Scopri nuovi libri come su Tinder
Richiedi qualsiasi libro se non è ancora disponibile
Leggi più libri di chiunque tu conosca
App n. 1 per gli amanti dei libri
Lifelike & immersive summaries
Garanzia di rimborso entro 30 giorni
Scarica i riassunti in EPUB o PDF
Cancella in qualsiasi momento con pochi clic

Perché un solo riassunto?

Scanner
Trova un codice a barre da scansionare

⭐
⭐
⭐
Abbiamo un regalo speciale per te
Apri
38% di sconto
SCONTO PER TE
⭐
⭐
⭐
$79.99
$49.99/anno
Solo $4.16 al mese
Continua
Bastano 2 tocchi per iniziare, cancellare è facilissimo
Impostazioni
Generali
Widget
Caricamento...