MCP server personalizzati per Claude Code: estendere il workflow aziendale con tool custom
Il Model Context Protocol permette di dare a Claude Code accesso controllato a sistemi aziendali reali: database, API gestionali, CMS, automazioni. Come costruire un MCP server custom in PHP, dallo schema dei tool alla gestione dei permessi, per trasformare l'agente da generico a integrato nel workflow specifico dell'azienda. Architettura, esempi concreti e i rischi di over-broad token scoping da evitare. Continua a leggere
Ultima modifica:
Claude Code non è un autocomplete: è un agente che esegue task multi-step su una codebase reale. Configurazione di una pipeline di produzione per un team PHP senior: come strutturare il contesto del progetto, dove l'agente accelera davvero (refactoring estesi, code review, debugging) e dove serve il guardrail umano. Workflow concreto con permessi, regole e skill, non una demo da slide. 
Una harness di produzione per un agente di coding non è il client di default: è un sistema di hook, regole path-scoped, skill custom e un motore di permessi che decide cosa l'agente può e non può fare. Smonto il mio setup reale pezzo per pezzo: il validatore pre-bash, le regole che caricano il contesto giusto solo quando serve, le skill che incapsulano i workflow ripetitivi, e il permission engine che separa lettura da scrittura. Information gain altissimo per un senior che vive in Claude Code. 
Due vulnerabilità distinte di Claude Code, da non confondere: CVE-2025-59536 (CVSS 8.7 v4.0 / 8.8 v3.1, esecuzione di codice all'apertura di un repository malevolo prima del trust dialog, fix 1.0.111) e CVE-2026-21852 (CVSS 5.3 v4.0 / 7.5 v3.1, esfiltrazione della API key via override ANTHROPIC_BASE_URL nel settings.json del repo, fix 2.0.65). git clone e apri l'agente è il nuovo apri l'allegato: analisi tecnica e la difesa che uso in proprio via hook. 
Mettere un agente di coding in produzione significa dargli accesso a shell, file e credenziali. Il setup di sicurezza che uso davvero parte da un validatore dei comandi bash, un perimetro operativo definito via rules, il deny esplicito delle operazioni distruttive (rm -rf), gli env file in sola lettura e il blocco degli host non gestiti. Insider puro: trasformo il mio scaffolding personale in un case study difensivo replicabile, alla luce delle CVE su Claude Code del 2026. 
Il 31 marzo 2026 Anthropic ha pubblicato per errore 512.000 righe di Claude Code via source map nel pacchetto npm 2.1.88. Ho analizzato il codice leakato e distillato otto lezioni architetturali trasferibili a qualunque MCP server interno: QueryEngine, Tool Registry, Permission Engine, prompt caching stratificato, anti-distillation, auto-compact contesto, KAIROS heartbeat agent, feature flags progressivi. 
Gestire molti progetti attivi contemporaneamente è un problema cognitivo, non tecnico. Il context switching è costoso. Nella mia pipeline personale l'AI fa da co-pilota: knowledge management automatico, session handoff con memoria persistente, generazione di recap pre-chiamata cliente. Ti racconto il metodo e le automazioni concrete che mi permettono di non perdere qualità cambiando contesto. 
Stack trace PHP con 40 frame, log Nginx con 3.000 righe, crash non deterministico ogni 6 ore. Il debugging tradizionale richiede ore. Con un workflow Claude-assistito porto molti casi dalla segnalazione alla root cause in 20 minuti. Ti mostro come strutturo il contesto per l'LLM, i prompt specializzati per diversi tipi di errore, e i casi dove l'AI sbaglia in modo prevedibile. 
Scrivi una spec, lasci che l'AI la trasformi in codice, e quando qualcosa non va riapri solo la spec. È seducente. Non funziona: ogni iterazione produce codice peggiore. Il problema non è la spec, è che mancano le ossa del design su cui appoggiarla. Design concept, ubiquitous language, TDD: tre discipline pre-AI che oggi contano di più, non di meno. 
Gli LLM sono ragionatori euristici, non formali: Torre di Hanoi a 10 dischi = accuracy zero. Se chiedi al modello di scrivere il programma che la risolve, accuracy 100%. Principio identico in AlphaEvolve DeepMind (2506.13131): matrix mult 4x4 in 48 scalar mult, primo miglioramento in 56 anni su Strassen. Tutorial operativo sul tool use in Claude, GPT-5.3-Codex e Gemini, sandboxing sicuro, recovery rate, loop infiniti.