Pagina 2 di 2
Claude Code non è un autocomplete più potente: è un collaboratore a cui deleghi compiti, e come ogni delega funziona solo se sai cosa chiedere e come verificare. La differenza fra un uso ingenuo e uno ingegnerizzato è enorme, e si vede tutta nel risultato. Questa categoria racconta il secondo, con il taglio di chi lo usa in produzione ogni giorno.
Il primo tema è il collaboratore ingegnerizzato: la harness di produzione con hook, rule, skill custom e permission engine che trasforma il client di default in un sistema affidabile, lo stack di pacchetti che tratto come standard, i server MCP personalizzati per estendere il workflow verso i sistemi aziendali reali. La potenza non è nel modello, è nell'impianto che gli costruisci intorno.
Il secondo tema è il metodo di delega: specs-to-code fatto bene, con design concept e ubiquitous language, TDD per non annegare nell'output, il controllo del design che resta in mano tua. Delegare alla cieca produce debito; delegare con metodo produce leva.
Il terzo tema è la sicurezza, spesso ignorata: mettere un agente di coding in produzione significa dargli accesso a shell, file e credenziali, e questo apre una superficie di attacco reale, come dimostrano le vulnerabilità note dello strumento stesso. Scrivo del modello di sicurezza che applico davvero per difendere una harness in produzione.
Se vuoi introdurre Claude Code nel tuo team in modo serio, vedi lo sviluppo software con AI o scrivimi.
Un assistente di coding vale quanto le istruzioni che gli dai e la tua capacità di verificare l'output. Il resto è delega alla cieca.
Dopo 18 mesi di utilizzo sistematico di LLM per codice PHP in produzione, ho una visione precisa dei limiti reali. L'AI eccelle nel boilerplate, nel refactoring locale, nella spiegazione del codice. Fallisce sistematicamente sul ragionamento architetturale, sulla coerenza a lungo termine e sulle interazioni di sistema complesse. Continua a leggere
Uno stack trace PHP con 40 frame, un log Nginx con 3.000 righe e un crash che si ripete ogni 6 ore in modo non deterministico. Ho costruito un workflow di debugging assistito da Claude che porta dal sintomo alla root cause in 20 minuti invece di 4 ore. Vi mostro il prompt che uso e come strutturare il contesto. Continua a leggere
Migrare 200.000 righe di PHP da 7.4 a 8.3 manualmente è un progetto da 2-3 mesi. Con un workflow LLM-assisted scende a 2-3 settimane senza sacrificare qualità. Nella mia pipeline combino Rector per le trasformazioni meccaniche, Claude per i breaking change complessi, test caratterizzanti generati dal LLM, regression testing incrementale. Ti mostro il workflow reale con tempi giornalieri e le trappole tipiche. Continua a leggere
Claude Code fuori dalla scatola è potente, ma nei workflow aziendali complessi serve l'integrazione con database interni, API di gestionali proprietari, automazioni custom. Gli MCP server sono la risposta: un protocollo aperto per esporre tool strutturati agli agent LLM. Ti mostro l'architettura di un MCP server in PHP che ho costruito per interrogare database aziendali in sicurezza, con schema, validation e logging. Continua a leggere
Claude Code non è un autocompletamento migliorato, è un agente che esegue comandi sul tuo filesystem. Usarlo in produzione senza un'impostazione ingegneristica rigorosa significa creare debito tecnico invisibile. Ti racconto come l'ho configurato nella mia pipeline: hook di validazione pre-bash, rules per delimitare il perimetro operativo, integrazione con Git e con strumenti di analisi statica PHP. Continua a leggere
Il Model Context Protocol cambia il rapporto tra AI e strumenti aziendali: non più prompt, ma chiamate a strumenti tipizzati. Ho costruito tre MCP server per altrettanti clienti - uno per il database ERP, uno per il CMS, uno per il sistema di ticketing. Il tempo di task ripetitivi è sceso del 70%. Continua a leggere
Uso Claude Code quotidianamente da sei mesi su basi di codice PHP legacy. Non come sostituto del ragionamento - come amplificatore. Vi racconto il mio flusso reale: quali task delego completamente, quali richiedono supervisione stretta, dove l'AI sbaglia sistematicamente e come ho costruito i guardrail nel mio workflow. Continua a leggere
