Qualità del Codice LLM: La Soluzione Agent.md per lo Sviluppo Assistito dall'AI

Fabien Sanglard, uno sviluppatore noto, ha condiviso il suo approccio per migliorare la qualità del codice generato dagli LLM. Il suo metodo si basa su un semplice file chiamato agent.md, che viene caricato automaticamente dagli harness di coding all'inizio di una sessione. Questo file contiene una serie di regole che 'super-fine-tunano' l'output del modello, affrontando i problemi comuni di codice spaghetti, commenti mancanti e struttura scadente.

Il viaggio di Sanglard con gli LLM è iniziato a metà del 2025, con risultati deludenti sul suo progetto Rust libadbmdns. Tuttavia, entro gennaio 2026, ha visto miglioramenti significativi, sebbene la qualità del codice rimanesse al di sotto degli standard di produzione. La svolta è arrivata a marzo 2026 quando ha iniziato a utilizzare IDE agentici come Antigravity e il plugin Claude Code di VS Code, che gli hanno permesso di iterare sul codice generato. È stato allora che ha realizzato la necessità di un insieme persistente di istruzioni per evitare di ripetersi in ogni sessione.

Regole Chiave per un Codice Migliore

L'agent.md di Sanglard è un elenco completo di regole, ciascuna mirata a un problema di qualità specifico. Alcune delle regole più efficaci includono:

Comunicazione breve: Per commenti e messaggi di commit, usa il minor numero di parole possibile. Evita superlativi e lodi; concentrati sulla nuda e cruda verità.
Evita numeri magici: Estrai valori ricorrenti in costanti o enum descrittive. Se un valore proviene da una specifica (come HTTP 200 OK), usa sempre una costante.
Riduci l'indentazione: Evita l'Anti-Pattern a Freccia utilizzando return anticipati e istruzioni continue.
Nomi di funzioni brevi: Mantienili sotto i 30 caratteri.
Usa enum al posto dei booleani: Per i parametri delle funzioni, questo migliora la leggibilità e la sicurezza dei tipi.
Aggiungi spazio di respiro: Usa righe vuote tra blocchi logici di codice.
Spiega il 'cosa' e il 'perché': Aggiungi commenti piccoli e pertinenti, usando esempi o disegni ASCII per sistemi complessi.
Rispetta la visibilità: Mantieni campi e funzioni privati a meno che non sia assolutamente necessario. Chiedi all'utente prima di modificare i modificatori di accesso.
Programma per livelli di astrazione: Incapsula meccanismi di basso livello (es. I/O grezzo) in driver dedicati, esponendo API di alto livello pulite.
Minimizza le modifiche: Non toccare blocchi di codice non correlati e mantieni il diff piccolo quando implementi funzionalità.
Segui le regole per i messaggi di commit: Usa le 7 regole di Chris Beams, inclusa una riga dell'oggetto di 50 caratteri e il modo imperativo.
Test-first per correzioni di bug: Scrivi prima un test fallito, poi la correzione, e osserva il test superare.

Queste regole affrontano i punti dolenti più comuni nel codice generato dagli LLM. Sanglard nota che, sebbene questo trucco abbia migliorato la qualità del codice, non è una bacchetta magica. Devi ancora leggere e verificare il codice, poiché gli LLM allucinano costantemente. Tuttavia, l'attenzione si sposta dallo stile all'architettura e al design.

continua a leggere sotto...

Affrontare la Diluizione del Contesto

Una delle maggiori sfide con gli LLM è la diluizione del contesto, nota anche come 'Persi nel Mezzo'. Man mano che il contesto cresce, il modello presta meno attenzione alle istruzioni nel mezzo. Sanglard suggerisce due modi per minimizzarla:

Mantieni il contesto breve: Inizia una nuova sessione per funzionalità.
Chiedi esplicitamente all'harness di ricaricare agent.md: Dire 'Ricaricare agent.md' quando vedi che la qualità del codice diminuisce può aiutare.

Queste strategie sono pratiche per gli sviluppatori che si affidano a lunghe sessioni di coding.

Aggiornamento Automatico di agent.md

Aggiornare agent.md non richiede modifica manuale. Sanglard consiglia di chiedere all'agente di aggiornare il file stesso quando ti ritrovi a ripetere un suggerimento. Questo crea un ciclo di feedback in cui l'agente impara dalle tue correzioni, rendendo le sessioni future più efficienti.

Questo approccio si allinea con la tendenza più ampia dell'uso degli LLM nello sviluppo, come si vede in strumenti come AppLLM e Desktop di Abacus.AI, che offrono sviluppo basato su browser e modalità multiple per il coding. L'industria si sta muovendo verso un'assistenza AI più integrata, e avere un modo strutturato per guidare l'AI è cruciale.

Perché Questo è Importante

L'agent.md di Sanglard è uno strumento semplice ma potente per chiunque utilizzi LLM per il coding. Affronta il divario tra demo impressionanti e codice pronto per la produzione. Codificando le preferenze di stile, gli sviluppatori possono risparmiare tempo e fatica, concentrandosi su decisioni di design di livello superiore.

Questo è particolarmente rilevante man mano che il coding assistito dall'AI diventa più prevalente. Le sfide della qualità del codice, della diluizione del contesto e del mantenimento degli standard sono universali. L'approccio di Sanglard offre una soluzione pratica che può essere adottata sia da singoli sviluppatori che da team.

Con l'evoluzione del panorama dell'AI, strumenti come agent.md diventeranno pratica standard. Colmano il divario tra le capacità grezze degli LLM e gli standard meticolosi dello sviluppo software professionale.