@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center
skinparam wrapWidth 220

title Ambiente di Test — Sessioni Opencode × 3 LLM
left to right direction

package "🖥️ Terminal Sviluppatore" #E8F5E9 {
  rectangle "AGENT.adoc\n(regole, backlog)" as AG
  rectangle "PROMPT_REPRISE\n(missione)" as PR
  rectangle "INDEX.adoc\n(roadmap)" as IDX
}

package "☁️ Ollama Cloud" #BBDEFB {
  rectangle "DeepSeek-V4-Pro\n1.6T / CSA+HCA" as DV4
  rectangle "Kimi K2.6\n1T / MLA" as KIMI
  rectangle "GLM-5.1\n744B / MLA+DSA" as GLMG
}

package "⚙️ Codebase Gradle" #FFF9C4 {
  folder "buildSrc/" {
    file "codebase.kt"
    file "readme.kt"
    file "site.kt"
    file "slider.kt"
    file "snapshot.kt"
  }
  file "build.gradle.kts\n(947 righe)"
  file "embeds.yml"
}

AG --> DV4 : Sessions 1-8 ✅
AG --> KIMI : Sessions 9-10 ⚠️
AG --> GLMG : Sessions 11-13 ⚠️

DV4 --> "Codebase" : "TDD, refactoring,\nsnapshot"
KIMI --> "Codebase" : "Degradazione\noltre i 60K token"

note bottom of GLMG
Migliore di Kimi
ma latenza +
DSA meno robusto
di CSA+HCA
end note

@enduml

@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center

title Radar Comparativo — 3 LLM nello sviluppo software assistito
legend right
  |= Couleur |= Modèle |
  | <#FF5252> | Kimi K2.6 |
  | <#FFC107> | GLM-5.1 |
  | <#4CAF50> | DeepSeek-V4-Pro |
endlegend

rectangle " " as space #FFFFFF

rectangle "Coerenza\n80K+ tokens" as coh #F5F5F5
rectangle "Qualità\ncodice" as qual #F5F5F5
rectangle "Ragionamento\narchitettonico" as arch #F5F5F5
rectangle "Resistenza\nallucinazioni" as hall #F5F5F5
rectangle "Velocità\n(esperienza dev)" as speed #F5F5F5
rectangle "Conoscenza\nGradle/Kotlin" as kg #F5F5F5
rectangle "Tasso di\ncorrezione" as corr #F5F5F5

coh --> qual
qual --> arch
arch --> hall
hall --> speed
speed --> kg
kg --> corr

note top of coh
  Kimi      ████░░░░░░ 4/10
  GLM       ██████░░░░ 6/10
  DeepSeek  █████████░ 9/10
end note

note top of qual
  Kimi      ███████░░░ 7/10 (sous 60K)
  GLM       ████████░░ 8/10
  DeepSeek  █████████░ 9/10
end note

note top of arch
  Kimi      █████░░░░░ 5/10
  GLM       ███████░░░ 7/10
  DeepSeek  █████████░ 9/10
end note

note top of hall
  Kimi      ██████░░░░ 6/10 → ██░░░░░░░░ 2/10 (> 60K)
  GLM       ███████░░░ 7/10
  DeepSeek  █████████░ 9/10
end note

note top of speed
  Kimi      █████████░ 9/10
  GLM       ██████░░░░ 6/10
  DeepSeek  █████░░░░░ 5/10
end note

note top of kg
  Kimi      ███████░░░ 7/10
  GLM       ███████░░░ 7/10
  DeepSeek  █████████░ 9/10
end note

note top of corr
  Kimi      ██░░░░░░░░ 2/10 (beaucoup de corrections)
  GLM       █████░░░░░ 5/10
  DeepSeek  ██████████ 10/10 (presque rien à corriger)
end note

@enduml

----
----
# Initialize a new JBake project
jbake -i

# Bake (generate) the site
jbake -b

# Bake and serve locally
jbake -b -s

# Bake and watch for changes
jbake -b --reset

# Specify source and destination
jbake source_folder output_folder

# Clear the output directory before baking
jbake -b . output --reset
----

— Un modello lento che produce codice corretto è più veloce di un modello veloce che produce codice sbagliato.

1. **Fai attenzione ai modelli senza rapporto tecnico pubblico**— Se l'équipe non documenta la sua architettura d'attenzione, è perché non ha fiducia nella sua tenuta nel contesto lungo.

[plantuml, format=svg, id=diag-decision-tree, alt="Arbre de décision pour choisir un LLM pour le développement logiciel assisté"]
----
@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center
skinparam wrapWidth 260

title Albero di decisione — Scegli il tuo LLM per lo sviluppo assistito
start

:Contexte initial\n> 20K tokens ?;

if (Oui) then
  :Architecture d'attention\nhybride ou multi-niveau ?;

  if (CSA+HCA) then
    :DeepSeek-V4-Pro
    Fenetre stable 128K
    Ideal pour gouvernance EAGER;
    stop
  elseif (MLA + DSA) then
    :GLM-5.1
    Correct jusqu'a ~120K
    Latence elevee;
    stop
  else (MLA seul)
    :Kimi K2.6 (sessions courtes)
    ou eviter pour long contexte
    Chercher un modele avec
    sparse attention;
    stop
  endif
else (Contexte < 20K)
  :N'importe lequel fonctionne.
  Privilegier la latence.;
  stop
endif

@enduml
----

== E l'agente di governanza in tutto questo?

Questa esperienza conferma un punto che difendo dal mio articolo sulla governance Eager/Lazy :**la qualità del LLM e la qualità della governance sono moltiplicative, non additive**.

Con Kimi K2.6, la mia governance era impeccabile — ma il modello diluiva l'informazione. Risultato: governance perfetta × allucinazione = zero

Con DeepSeek-V4-Pro, la governance EAGER (30K token di regole) + LAZY (archivi di sessione, riferimenti tecnici) + Hot/Warm/Cold (backup rotativo) forma un ecosistema in cui ogni livello amplifica l'altro. L'agente ha le regole sotto gli occhi (EAGER), può consultare lo storico (LAZY) e il contesto non si satura mai (rotazione di backup).

 Un buon LLM senza governance è un motore di Ferrari senza volante. Una buona governance senza un buon LLM è un volante senza motore. DeepSeek-V4-Pro + la mia governance agente = la prima volta che ho la sensazione di guidare. ____

Il meccanismo di backup rotativo (rotazione ogni 10 sessioni o >500 righe EAGER) ha tutto il suo senso con un modello che tiene 128K di contesto: la finestra scorrevole di 10 sessioni attive mantiene il contesto fresco senza mai superare la zona di degradazione.

== Fonti tecniche

Ho incrociato la mia esperienza empirica con i rapporti tecnici ufficiali per validare le mie osservazioni:

1. *DeepSeek-V4 Technical Report* — PDF recuperato dahttps://huggingface.co/deepseek-ai/DeepSeek-V4-Flash[HuggingFace]. Figure 9 : "Retrieval performance remains highly stable within a 128K context window. While a performance degradation becomes visible beyond the 128K mark, the model's retrieval capabilities at 1M tokens remain remarkably strong." Architettura CSA+HCA documentata sezione 2.3.

1. *GLM-5 Technical Report* —https://arxiv.org/abs/2602.15763[arXiv:2602.15763]. DSA introdotto tramite pre-addestramento continuato, "lossless by construction". Contesto massimo 202.752 token. Le tabelle 3/5/6 documentano le prestazioni a lungo contesto rispetto alle alternative (SWA, Gated DeltaNet, SimpleGDN).

1. *Kimi K2.6 Model Card* —https://huggingface.co/moonshotai/Kimi-K2.6[HuggingFace]. MLA, 256K contesto massimo. Strategia di discard-all oltre la soglia sulle attività agentiche (confermando implicitemente il limite pratico del MLA nel contesto lungo).

1. *Kimi K2 Technical Report* —https://arxiv.org/abs/2507.20534[arXiv:2507.20534]. Architettura MoE, ottimizzatore MuonClip, prestazioni agentiche (HLE, BrowseComp, Terminal-Bench).

Il punto più rivelatore: nella loro stessa valutazione, Moonshot applica una strategia di *discard-all* (eliminazione del contesto vecchio) non appena la finestra di contesto viene superata. Questo conferma esattamente ciò che ho osservato: il solo MLA non può mantenere la coerenza sull'intera finestra di 256K. L'architettura non tiene il passo.

== Conclusion: La scelta dell'artigiano

Dopo tre settimane e tredici sessioni di sviluppo reale, il verdetto è senza appello :

|===
|Kimi K2.6 |GLM-5.1 |(Empty output) |Eccellente sotto 60K |Solido fino a 120K |Domina ovunque |Inutilizzabile oltre |Confusioni di superficie |Stable fino a 128K |2 sessioni, abbandonato |3 sessioni, abbandonato |8 sessioni, adottato
|===

DeepSeek-V4-Pro è diventato il mio LLM predefinito per tutte le sessioni di sviluppo software assistito con Opencode. Non perché è il più recente. Non perché ha i migliori benchmark accademici. Ma perché nella vita reale di uno sviluppatore che spinge plugin Gradle Kotlin DSL con un contesto agente di 30K token, è l'unico che non mi tradisce quando il contesto si allunga.

CSA+HCA è un *game changer* architettonico. La compressione a doppio livello + sparsificazione non è un dettaglio di implementazione — è ciò che fa la differenza tra un assistente di codice e un compagno di squadra affidabile.

(No source text provided to translate.) Ho scelto DeepSeek-V4-Pro perché è l'unico dei tre che trasforma la mia governance dell'agent da una limitazione difensiva ("come evitare che l'agent dimentichi?") in un vantaggio offensif ("cosa possiamo costruire ora che l'agent ricorda tutto?"). ____

---

*Questo articolo è il frutto di 13 sessioni di sviluppo reale sul progetto`codebase-gradle`, documentate in`.agents/sessions/`secondo la mia metodologia di governance agent Eager/Lazy/Hot/Warm/Cold. Le fonti tecniche citate sono accessibili pubblicamente su HuggingFace e arXiv.
----

---

Questo articolo è il risultato di 13 sessioni di sviluppo reale sul progetto`codebase-gradle`, documentate in`.agents/sessions/`secondo la mia metodologia di governance agent Eager/Lazy/Hot/Warm/Cold. Le fonti tecniche citate sono accessibili pubblicamente su HuggingFace e arXiv.*