Area: LLM & Agenti

LLM, RAG, Agents, MCP

Segui il percorso di lettura completo, dal piano 1 in su →

LLM & Agenti Paper Summary

Compaction Cliff e Governance Decay: le regole che un agente perde quando riassume la propria memoria

Due paper misurano che cosa succede alle regole di un agente quando l'harness riassume il contesto per fare spazio: in…

LLM & Agenti Paper Summary

Harness o modello? Con lo stesso modello, l’harness del produttore non vince in media

Un esperimento a modello fisso confronta su 80 compiti privati l'harness del produttore e uno neutrale, con Opus 4.8 e…

LLM & Agenti Paper Summary

Harness²: ritoccare l’harness senza conoscere la risposta giusta, e imparare a ritoccarlo meglio

Un gruppo di Google Cloud AI Research fa correggere a un modello l'harness di un agente compito per compito, confrontando…

La repo di Harness²: la demo gira in tre secondi, un banco vero chiede la rete chiusa

Google ha pubblicato il codice di Harness², il sistema che ritocca l'harness di un agente compito per compito. Lo abbiamo…

LLM & Agenti Deep Dive

Decoerenza: il debito tecnico che cresce a ogni modifica, e che gli agenti rischiano di accelerare

Un saggio di Kristen Maevyn dà un nome alla forma peggiore di debito tecnico: tante soluzioni giuste una per una…

LLM & Agenti Deep Dive Nuovo

Distillare non vuol dire più rimpicciolire: la parola dietro il caso Kimi K3

La Casa Bianca accusa Moonshot di aver «distillato» Fable di Anthropic per costruire Kimi K3, un modello da 2.800 miliardi…