danilo

@giacomozucco ha subito le mie molestie per circa un anno dalla stesura di questo articolo, che esce finalmente oggi! Lo ringrazio inoltre per il proof reading che mi ha gentilmente mandato tramite messaggi vocali piu lunghi di un album dei tool! <3 danilogiudice.medium.com/gli…

@ivanfioravanti i think the trailer is way better than game, what time to be alive

Imagine an anonymous developer bringing together 40 years of technology and research, then sending a white paper to a mailing list on October 31, 2008, outlining his idea for peer-to-peer digital money. He puts together proof of work, ECDSA, SHA-256, Merkle trees, a consensus mechanism, and game theory to solve the Byzantine Generals Problem, which had remained unsolved for 27 years. Pornographically speaking, it does some other pretty exciting things too: like recalibrating mining difficulty every 2,016 blocks, regardless of changes in computing power. A mechanism of breathtaking elegance. Then he takes this slow, expensive thing called blockchain and makes it useful. But more importantly, he embeds a political message aimed directly at institutions and governments, right there in the genesis block. He separates money from the state, makes censorship resistance possible, puts rules above rulers, and gives sovereignty back to the individual. Bitcoin is probably the greatest open-source experiment in history. A lesson in the importance of verification: don’t trust, verify. It’s the biggest revolution since the wheel and the Internet. The most important convergence of mathematics, economics, philosophy, politics, and game theory. It introduced a new social order where governance is decentralized, with no CEO and no central coordinator. It transformed trust from a human weakness into individual sovereignty. And after all that, its creator walked away from everything and simply “moved on”, disappearing without a trace. Fucking legend. Happy Birthday, Bitcoin.

Immagina che uno sviluppatore anonimo unisca 40 anni di tecnologia e ricerca e, il 31 ottobre 2008, invii a una mailing list il white paper della sua idea di denaro digitale peer-to-peer: ci mette dentro proof of work, ECDSA, SHA-256, Merkle trees, un sistema di consenso e teoria dei giochi che risolve il problema dei generali bizantini, rimasto irrisolto per 27 anni. Pornograficamente parlando, fa anche altre cose eccitanti: come ricalibrare la difficoltà ogni 2016 blocchi nonostante le variazioni di potenza di calcolo, un meccanismo di una eleganza disarmante. Poi prende quella cosa lenta e costosa chiamata blockchain e la rende utile, ma soprattutto lancia un messaggio politico diretto a istituzioni e governi, fin dal genesis block. Ha separato denaro e Stato, ha dato resilienza alla censura, ha posto regole al di sopra dei governanti e ha restituito sovranità all’utente. Bitcoin è probabilmente il più bel esperimento open-source della storia, una pedagogia della verifica: don’t trust, verify. È la più grande rivoluzione dopo la ruota e Internet. La più importante convergenza tra matematica, economia, filosofia, politica e teoria dei giochi. Ha introdotto un nuovo ordine sociale dove la governance è decentralizzata, senza CEO, senza coordinatore. Ha trasformato la fiducia, da debolezza umana, in autonomia individuale. E dopo tutto questo, il suo creatore ha abbandonato tutto ed è “passato ad altro”, scomparendo nel nulla. Fucking legend. Buon compleanno, Bitcoin.

REA counterspell is here

Sii Filippo Albertin - comincia a parlare di bitcoin nel 2020 e a shillare referral Coinbase e Binance - poi fonda bitcoin veneto e si vanta del massimalismo - spara merda su PlanB perchè nessuno lo ha invitato prossima volta basta chiedere che ti procuro io un biglietto

Ci sono anche io!

MA TU LA SAI LA DIFFERENZA TRA UN AGENTE E UN WORKFLOW? Se ti è mai capitato di affidare a un agente un compito che fa sempre gli stessi passi, e che tu conosci benissimo, stai pagando un ciclo di tool call inutilmente perchè potevi usare un workflow. Secondo Anthropic un agente usa circa 4 volte i token rispetto ad un workflow. Il meccanismo è semplice: la differenza è chi controlla il flusso. Anthropic definisce i workflow come sistemi in cui LLM e tool sono orchestrati da percorsi di codice predefiniti, e gli agenti come sistemi in cui l’LLM dirige da sé il processo e l’uso dei tool. In sostanza se sai definire sia obiettivo che step per arrivarci, allora puoi misurare numero e ordine delle chiamate che quindi diventano dei "costi" fissi e prevedibili. Con un agente il percorso lo genera il modello, un turno alla volta. L’harness invia contesto e definizioni dei tool; se la risposta ha stop_reason tool_use, esegue il tool, aggiunge il tool_result e rimanda tutto. Il ciclo si chiude con end_turn o con un limite di iterazioni. Quanti giri servono non lo saprai MAI prima, e a ogni giro definizioni dei tool, tool_use e tool_result tornano come token di input. Si chiama Agent Loop per un motivo. L’obiezione migliore che si possa fare è che il workflow si rompe al primo caso non previsto, mentre l’agente si adatta. Vero, ma Anthropic stessa scrive che i sistemi agentici scambiano latenza e costo con prestazioni migliori, e che va valutato quando lo scambio conviene. E gli errori si sommano: se ogni passo riesce nel 95 % dei casi, 20 passi di fila riescono nel 36 % (con errori indipendenti). La mia tesi: se i passi li so scrivere, li scrivo nel codice. L’agente entra solo dove il numero di passi non si può sapere prima, e sempre con un limite di giri. Mai un agente per un percorso fisso. Nel mio progetto i caroselli sono un workflow: un JSON, node tools/genera.mjs, verifica automatica di area sicura e contrasto, PDF. Claude Code scrive solo il JSON partendo dalle fonti: l’unico passo in cui il percorso non lo so prima. Rimani nel loop: t.me/stocasticparrot

. @paoloardoino is definitely a Metallica fan, no doubt

La caption di questa foto puoi darla tu nei commenti 👇

we are witnessing something that, while predictable, is nonetheless frightening we must find a way to turn it to our advantage

“Il denaro è, nella sua essenza, la misura delle scelte di un uomo” Ecco perché ho scelto Bitcoin.

L'AUTO COMPACTION E' UNA CAGATA PAZZESCA (cit.) Se ti è mai capitato che post-compaction un agente ha violato un rail esplicito (accade in media in 30 run su 100) la causa potrebbe essere proprio l'auto-compaction. Pre- Il meccanismo è semplice: un LLM è stateless, non conserva nulla tra una richiesta e l’altra. A ogni turno l’harness, ricostruisce il contesto e lo invia per intero: system prompt, definizioni dei tool, CLAUDE.md e tutta la cronologia, compresi output dei tool e file letti. La cache del prompt fa pagare meno solo il prefisso identico. Il contesto quindi cresce a ogni turno. Quando supera la soglia (in Claude Code circa 1 milione di token), l’harness invia la cronologia al modello con un prompt di sintesi e sostituisce i turni precedenti con il riassunto generato. System prompt e contesto di progetto restano; i messaggi originali escono dal contesto e la cache della conversazione si invalida. Da lì il modello genera in avanti ma condizionato dal solo riassunto, perde quindi ciò che ha funzionato, ciò che era sbagliato, etc. L’obiezione migliore che si possa fare è che il riassunto conserva obiettivo, stato e next step, e senza compaction a finestra piena la sessione si ferma. Vero, ma il problema è cosa resta fuori. - Rail Wang et al. (arXiv 2608.11242, luglio 2026) hanno misurato una retention media del 17 % dei vincoli dati dall’utente, ovvero i rail. Nell’esperimento il rail era «non cancellare email finché non confermo»: è stato violato in 30 run su 100 dopo la compaction, prima 0 volte su 100. - Qualità dell’output Nei dati di LangWatch (873 compaction in 162 giorni, un solo sviluppatore) i messaggi di correzione dell’utente passano dal 17,7 % al 41,9 % nei 5 step successivi: ×2,4. Il tool error rate resta al 2,6–3,2 %. Le chiamate funzionano, peggiora quello che l’agente ne fa. - Trigger In Claude Code la soglia di default è circa 967.000 token. La v2.1.92 di Claude Code, per una regressione, l’ha portata a 400.000, e la issue #53801 riporta compaction a circa 195.000. - Contesto lungo Aspettare il pieno non aiuta: nel test RULER (2024) GPT-4 reggeva 64.000 token sui 128.000 dichiarati. E la compaction scatta proprio quando il contesto è più lungo, cioè quando il modello lavora peggio, non prima. La mia tesi: l’auto-compaction è un fallback, la strategia è esternalizzare lo stato e farlo diventare statefull. Estrarre i rail e tenerli separati dal riassunto porta la retention sopra il 90 % (sempre Wang et al.). In Claude Code io tengo i rail in CLAUDE.md, che fa parte del contesto di progetto e resta fuori dalla conversazione, e lo stato in un HANDOFF.md aggiornato a fine task. Mai auto-compaction. Ogni mia sessione comincia con «carica handoff»: una "compaction" fatta a mano, che scatta quando dico io e con quello che io dico di inserirgli. E poi la sessione si concluse sempre con un /clear. Fammi sapere se ti è stato utile e ricorda di seguirmi su: t.me/stocasticparrot