Table of Contents

Torna al corso Flusso di lavoro pratico con l’IA

Accetta un risultato dell’IA solo dopo aver verificato le prove adatte all’attività. Una spiegazione curata, uno strumento configurato e un indicatore verde dei test rispondono a domande diverse. Questa lezione crea un unico verbale di revisione per il laboratorio del corso.

Obiettivo di apprendimento: produrrai un verbale di accettazione per fonti, ambito dei file, test, privacy e utilizzo.

Punti chiave

  • Verifica delle fonti: confronta un’affermazione fattuale con una fonte autorevole e aggiornata.
  • Verifica dell’ambito: controlla quali file o sistemi sono cambiati.
  • Verifica del comportamento: esegui test e casi manuali pertinenti.
  • Verifica della privacy: controlla quali dati sono arrivati allo strumento o al fornitore.
  • Verifica dell’utilizzo: registra token, chiamate agli strumenti e tariffa usata per il calcolo dei costi.

Prima di iniziare

Prerequisiti: il laboratorio del corso, docs/requirements.md, uno snapshot Git locale e la lezione MCP o l’alternativa nel browser. Dedica 40 minuti. La difficoltà è intermedia. Usa il laboratorio modificato nella prima attività con un agente di programmazione. Se hai saltato la modifica, usa una nuova estrazione e indica che i controlli delle funzionalità non sono implementati. La base intatta supera ancora i due test originali.

Verificare un’affermazione fattuale

Affermazione: «I valori di stato approvati sono open e pending». Apri docs/requirements.md, revisione 1. Il file indica open e done. L’affermazione è errata. Un tono sicuro non cambia il requisito.

Per le affermazioni sui prodotti, usa la documentazione ufficiale aggiornata e registra il titolo della pagina e la data di revisione. Un’affermazione su un menu, un piano, un comando o un limite di contesto diventa obsoleta prima di un principio generale del flusso di lavoro. La documentazione Codex , la documentazione Claude Code e la documentazione OpenCode descrivono le interfacce correnti.

AffermazioneFonteDecisione
open e pendingRequisito del laboratorio, revisione 1Rifiuta, sostituisci pending con done
Il conteggio senza filtri è 4Programma di base e quattro voci JSONVerifica eseguendo il programma
È avvenuta una lettura MCPTrascrizione degli strumenti della sessioneAccetta solo se è visibile una chiamata allo strumento

Ispezionare la modifica

Per un’attività di programmazione, usa Git per elencare i file modificati e leggere il diff effettivo. Un nuovo file non tracciato compare nello stato anche se non compare in un diff normale, quindi controlla entrambi.

git status --short
git diff -- task_report.py tests

Ambito previsto: dopo l’attività di filtraggio cambiano solo task_report.py e i test mirati. Una modifica a tasks.json, docs/requirements.md o a un file di configurazione nascosto richiede una spiegazione e una revisione separata. Se non hai eseguito modifiche, non dovresti vedere cambiamenti.

Verificare il comportamento

Esegui gli stessi controlli di base e delle funzionalità dalla cartella estratta del laboratorio. Il resoconto di completamento dell’agente deve riportare i risultati osservati.

python3 -m unittest discover -s tests -v
python3 task_report.py tasks.json
python3 task_report.py tasks.json --status open
python3 task_report.py tasks.json --status done
python3 task_report.py tasks.json --status invalid

Nella copia modificata, i test coprono i nuovi casi, i conteggi sono 4, 2 e 2, e il valore non valido termina con un errore chiaro e un codice di uscita diverso da zero. In una nuova copia iniziale, passano solo i due test di base e il totale è 4. Registra separatamente lo stato iniziale.

Un test della funzionalità non riuscito va diagnosticato. Se open restituisce 4, controlla se l’argomento del filtro raggiunge la funzione di conteggio e se il programma confronta il campo status dell’attività. Non indicare come superato un test fallito solo perché l’agente dichiara completata l’implementazione.

Controllare la riservatezza e l’accesso

Registra quali file ha ricevuto l’agente. Il laboratorio contiene dati sintetici e nessun segreto. Un progetto reale potrebbe contenere credenziali, dati dei clienti o documenti privati. Prima di condividere l’output, controlla prompt, log, schermate e diff per individuare questi valori.

Un test locale dimostra solo il comportamento locale. Non prova i permessi di un account cloud, l’ambito di un server MCP o il comportamento di un servizio distribuito. Verifica ogni confine nell’ambiente in cui è rilevante.

Registrare utilizzo e costi

I token misurano il volume di input e output del modello. I dashboard dei prodotti variano, quindi usa i dati d’utilizzo mostrati dal tuo fornitore. Registra a parte le chiamate agli strumenti e i costi per immagini o ambienti ospitati, quando pertinenti. Controlla le tariffe correnti prima di calcolare una fattura reale.

Apri la vista di utilizzo dell’account che ha eseguito l’attività. Registra i token di input e output mostrati, il modello, il periodo di fatturazione e l’eventuale categoria di input memorizzato nella cache. Per gli abbonamenti ChatGPT o Claude, un limite o una quota d’uso non equivale al costo API di una singola attività. Per un’esecuzione di OpenCode tramite API o fornitore, consulta l’utilizzo o la fatturazione di quel fornitore e la tariffa corrente. Se il prodotto non mostra i token per attività, scrivi «non disponibile» e non dedurre un costo dalla lunghezza della chat.

Calcolo illustrativo, non tariffa di un fornitore: 30.000 token di input a 1 $ per milione costano 0,03 $. 5.000 token di output a 5 $ per milione costano 0,025 $. Il costo complessivo del modello in questo esempio è 0,055 $, prima dei costi degli strumenti o dell’hosting.

costo input = token input / 1.000.000 × tariffa input
costo output = token output / 1.000.000 × tariffa output
totale = costo input + costo output + costi separati degli strumenti

Anche un’attività delegata consuma token. La delega sposta l’output dettagliato fuori dalla conversazione principale, ma non rende gratuito il lavoro. Confronta il costo con il valore del controllo indipendente.

Tieni separate le categorie di costo. Input memorizzato nella cache, nuovo input, output, chiamate agli strumenti ed esecuzione ospitata possono avere tariffe diverse. Questo esempio usa solo le tariffe per nuovo input e output. Non descrive un addebito di abbonamento o di uno strumento.

Tenere un verbale di accettazione

CampoEsempio compilato dopo la modifica
Fontedocs/requirements.md, revisione 1, letto
File modificatitask_report.py e tests/test_task_report.py in git status --short
TestSuperati i test di base e i nuovi test del filtro, registra il conteggio osservato
Output manualeOsservati Total tasks: 4, 2 e 2, valore non valido rifiutato
Stato della funzionalità--status open e --status done implementati
RiservatezzaSolo file sintetici
UtilizzoRegistra i dati del tuo fornitore, se disponibili
DecisioneAccetta solo dopo il superamento dei controlli di fonte, diff, test e privacy

Il tuo risultato: copia questo verbale e compilalo dopo la tua esecuzione. Sostituisci «osservato» solo con un output che hai visto. Scegli Accetta quando tutti i controlli richiesti passano, Rivedi quando la correzione è limitata, e Interrompi quando fonte, ambito o accesso non sono chiari.

Verificare la comprensione

  1. Domanda: il superamento della base iniziale dimostra che la funzionalità richiesta esiste? Risposta: No. Dopo la modifica, verifica il nuovo comportamento di accettazione.

  2. Domanda: cosa deve contenere un verbale di accettazione? Risposta: prove delle fonti, file modificati, controlli del comportamento, ambito di accesso e utilizzo osservato.

Risoluzione dei problemi

  • Nessuna fonte per un’affermazione: contrassegnala come non verificata e trova una fonte autorevole.
  • I test passano ma l’output è diverso: aggiungi un caso manuale e ispeziona i dati.
  • Mancano i dati d’uso: registra «non disponibile» invece di stimare un costo reale.
  • Il diff include dati privati: interrompi la condivisione dell’output e rimuovi quei dati dal verbale di esercitazione.

Prossimi passi

Continua con la delega degli agenti . Per dettagli su costi e privacy, leggi il routing dei fornitori e il confine di privacy dell’IA locale .

Navigazione del corso: Precedente: configurazione MCP , Indice del corso .