10 tecniche per il coding direttamente da Claude Code

10 Tecniche Ninja per il Coding con Claude Code, Secondo i Suoi Creatori

Quando uno dei creatori di uno strumento svela i suoi trucchi del mestiere, varrebbe la pena ascoltare. Boris Chenry, figura chiave nello sviluppo di Claude Code, ha recentemente condiviso su X dieci tecniche che potrebbero cambiare radicalmente il modo in cui programmiamo con l'AI. Non si tratta di semplici suggerimenti da manuale, ma di vere e proprie strategie nate dall'esperienza quotidiana di chi questo strumento lo ha costruito e lo usa al limite delle sue possibilità.

Ciò che rende queste indicazioni particolarmente preziose è la loro natura pragmatica. Non stiamo parlando di teorie astratte sull'intelligenza artificiale, ma di soluzioni concrete a problemi reali che ogni sviluppatore affronta quotidianamente. E forse la vera rivoluzione sta proprio qui: nell'imparare a pensare alla programmazione assistita dall'AI non come a un semplice autocomplete potenziato, ma come a una nuova forma di collaborazione che richiede metodi e strategie proprie.

Il Multitasking Reinventato: Lavorare in Parallelo

La prima tecnica che Chenry propone ribalta completamente l'idea tradizionale del flusso di lavoro sequenziale. Aprire da tre a cinque git worktree contemporaneamente, ciascuno con la propria sessione di Claude attiva, rappresenta quello che lui stesso definisce "il più grande salto di produttività possibile". Non è una frase fatta: stiamo parlando di gestire simultaneamente diversi rami di sviluppo, diverse funzionalità, diversi esperimenti, senza perdere il contesto di nessuno.

L'integrazione nativa dei worktree nell'app desktop di Claude Code non è casuale. È nata proprio dall'osservazione di come il team lavorava realmente. Alcuni membri hanno persino sviluppato alias della shell (za, zb, zc) per saltare istantaneamente da un ambiente all'altro. È affascinante vedere come strumenti pensati per l'AI finiscano per plasmare anche le nostre abitudini più radicate, come l'organizzazione del workspace.

Questa modalità di lavoro parallelo non sarebbe possibile con un assistente umano, non alla stessa scala. Qui l'AI dimostra uno dei suoi vantaggi più sottovalutati: la capacità di mantenere contesti multipli completamente separati senza confondersi, senza affaticarsi, senza perdere coerenza. È come avere più versioni di se stessi che lavorano su problemi diversi contemporaneamente.

La Pianificazione Prima dell'Azione

La seconda tecnica introduce un concetto che dovrebbe essere familiare a chiunque abbia mai gestito progetti complessi: separare la strategia dall'esecuzione. La modalità "Piano" di Claude Code non è un vezzo, è una necessità per i compiti che richiedono architettura e riflessione.

Concentrare l'energia sulla strategia permette a Claude di eseguire l'implementazione al primo colpo, quello che Chenry chiama "1,shot". Ma c'è un'indicazione ancora più importante: se le cose iniziano ad andare storte, tornare immediatamente in modalità piano. Non incaponirsi. È un consiglio che vale oro, e non solo nel contesto dell'AI.

Questa separazione riflette una verità profonda sulla natura del problem solving: spesso falliamo non perché l'esecuzione è scadente, ma perché la strategia era sbagliata fin dall'inizio. Chiedere a Claude di usare la modalità piano anche per le fasi di verifica, non solo per la scrittura del codice, significa trattare il testing come ciò che dovrebbe essere: un'attività strategica quanto lo sviluppo stesso.

L'Evoluzione Continua attraverso CLAUDE.md

Il terzo suggerimento è forse il più sottile e potente: investire nel file CLAUDE.md. L'idea è semplice ma rivoluzionaria: dopo ogni correzione, chiedere a Claude di aggiornare questo file così da non ripetere lo stesso errore. In altre parole, insegnare all'AI a imparare dalle proprie esperienze specifiche nel vostro progetto.

Chenry sottolinea che "Claude è incredibilmente bravo a scrivere regole per se stesso". Questa capacità di auto,riflessione e auto,miglioramento è ciò che distingue un assistente AI veramente utile da un semplice generatore di codice. Il file CLAUDE.md diventa una sorta di memoria istituzionale del progetto, ma scritta dall'AI stessa.

Un ingegnere del team fa un passo oltre: mantiene una directory di "note" per ogni progetto, aggiornata dopo ogni pull request, e punta il file CLAUDE.md verso di essa. È un approccio sistematico alla gestione della conoscenza che trasforma ogni commit in un'opportunità di apprendimento. Il tasso d'errore cala visibilmente nel tempo, non perché l'AI diventa magicamente più intelligente, ma perché diventa più consapevole del contesto specifico in cui opera.

Skill Personalizzate: La Vera Estensibilità

La quarta tecnica introduce il concetto di skill personalizzate riutilizzabili. Se fate qualcosa più di una volta al giorno, trasformatelo in una skill o in un comando. È il principio DRY (Don't Repeat Yourself) applicato all'interazione con l'AI.

Gli esempi forniti sono illuminanti: comandi /techdebt per eliminare codice duplicato, o comandi che sincronizzano Slack, Google Drive e GitHub in un unico blocco di contesto. Quest'ultimo esempio è particolarmente significativo perché dimostra come le skill possano fungere da ponte tra strumenti diversi, creando flussi di lavoro che altrimenti richiederebbero un coordinamento manuale costante.

Caricare queste skill su git per riusarle in ogni progetto trasforma l'investimento iniziale nella creazione della skill in un vantaggio moltiplicato. È l'equivalente di costruire una libreria personale di funzioni, ma a un livello di astrazione superiore. Non state automatizzando singole operazioni, state automatizzando interi pattern di lavoro.

Correzione Bug: Delegare Senza Micromanagement

La quinta tecnica affronta uno degli aspetti più frustranti dello sviluppo software: il debugging. L'approccio suggerito da Chenry è radicale nella sua semplicità: abilitare l'MCP di Slack, incollare il thread del bug e dire semplicemente "fix". Zero distrazioni.

Ancora più interessante è l'indicazione: "Vai a sistemare i test della CI che falliscono". Non fate micro,management sul "come". Questa filosofia rappresenta un cambio di paradigma nel rapporto con gli strumenti di AI. Non stiamo più dando istruzioni dettagliate passo per passo, stiamo definendo obiettivi e lasciando che l'AI trovi il percorso migliore.

Puntare Claude sui log di Docker per il troubleshooting di sistemi distribuiti è un altro esempio di come l'AI possa gestire complessità che tradizionalmente richiedono ore di analisi manuale. I sistemi distribuiti sono notoriamente difficili da debuggare perché gli errori possono propagarsi attraverso componenti multipli. Avere un assistente che può analizzare log da diverse fonti simultaneamente cambia completamente il gioco.

L'Arte del Prompting Avanzato

La sesta tecnica eleva il prompt engineering a forma d'arte. "Fammi il terzo grado su queste modifiche e non fare la PR finché non supero il tuo test". Usare Claude come revisore, non solo come esecutore, significa sfruttare la sua capacità di valutazione critica.

L'"approccio elegante" è particolarmente interessante: dopo una soluzione mediocre, chiedere "Sapendo quello che sai ora, butta tutto e implementa la soluzione più elegante". Questa tecnica riconosce che spesso la prima soluzione è solo un'esplorazione del problema. Una volta compreso lo spazio del problema, si può mirare a una soluzione veramente ottimale.

La specificità rimane fondamentale: più le specifiche sono dettagliate, migliore sarà l'output. Non è una limitazione dell'AI, è la natura stessa della comunicazione. Anche tra esseri umani, le istruzioni vaghe producono risultati imprevedibili. La differenza è che con l'AI, abbiamo la possibilità di iterare rapidamente fino a raggiungere la precisione necessaria.

Ottimizzare l'Ambiente di Lavoro

La settima tecnica si concentra sul setup del terminale, un aspetto spesso trascurato ma cruciale. Il team ama Ghostty per il rendering sincronizzato e il supporto unicode, dettagli tecnici che fanno la differenza nell'esperienza quotidiana.

Usare /statusline per mostrare sempre l'uso del contesto e il branch git corrente trasforma informazioni potenzialmente nascoste in feedback costante. È il tipo di trasparenza che previene errori e confusione.

Il suggerimento sulla dettatura vocale è illuminante: si parla tre volte più velocemente di quanto si scriva, e i prompt dettati tendono a essere molto più dettagliati. È un reminder che l'interfaccia con cui interagiamo con l'AI non deve necessariamente essere testuale. Il tasto fn premuto due volte su macOS per attivare la dettatura potrebbe sembrare un dettaglio minore, ma cambia radicalmente il flusso di lavoro.

Sub,Agenti: Divide et Impera

L'ottava tecnica introduce il concetto di sub,agenti, un'architettura che riflette pattern consolidati nell'ingegneria del software. Aggiungere "use subagents" a qualsiasi richiesta dedica più potenza di calcolo al problema, ma soprattutto mantiene pulita e focalizzata la finestra di contesto dell'agente principale.

Questa separazione delle responsabilità non è solo organizzativa, è strategica. Spostare compiti singoli sui sub,agenti previene l'inquinamento del contesto, uno dei problemi più insidiosi nel lavoro con AI su progetti complessi. Più informazioni aggiungiamo al contesto, più diventa difficile per l'AI mantenere la focalizzazione su ciò che è realmente rilevante.

Indirizzare le richieste di permessi a Opus 4.5 tramite un hook per scansionare eventuali attacchi e approvare automaticamente quelli sicuri è un esempio di come i sub,agenti possano gestire aspetti di sicurezza in modo trasparente. È automazione applicata alla supervisione, un meta,livello che raramente consideriamo.

Dati e Analytics: Una Nuova Relazione con i Database

La nona tecnica riguarda dati e analytics, e contiene una dichiarazione sorprendente: "Personalmente non scrivo una riga di SQL da oltre 6 mesi". Non è pigrizia, è efficienza. Chiedere a Claude Code di usare la CLI di BigQuery per analizzare metriche al volo significa eliminare il contesto,switching tra pensare al problema e pensare alla sintassi SQL.

Questa tecnica funziona con qualsiasi database che abbia una CLI, un MCP o un'API. L'universalità dell'approccio è importante: non stiamo parlando di una soluzione specifica per un tool specifico, ma di un pattern applicabile a tutto l'ecosistema di strumenti data.

C'è qualcosa di profondamente liberatorio nel poter interrogare i dati usando linguaggio naturale senza sacrificare precisione o potenza. Non stiamo abbassando l'asticella tecnica, stiamo alzando il livello di astrazione in modo che possiamo concentrarci sulle domande che vogliamo fare ai dati piuttosto che su come formularle sintatticamente.

Imparare con l'AI: Chiudere il Cerchio

L'ultima tecnica chiude il cerchio riportandoci all'apprendimento. Abilitare lo stile "Explanatory" o "Learning" in /config trasforma Claude da esecutore a insegnante, aiutandoci a capire il perché dietro le modifiche.

Chiedere a Claude di generare presentazioni visive in HTML o diagrammi ASCII per spiegare codebase sconosciute è un uso brillante dell'AI come strumento di documentazione attiva. Non stiamo leggendo documentazione statica scritta mesi fa, stiamo generando spiegazioni su misura per ciò che dobbiamo capire in questo momento.

Creare una skill di apprendimento a ripetizione spaziata, dove spieghiamo cosa abbiamo capito e Claude ci fa domande per colmare le lacune, è forse l'applicazione più sofisticata di tutte. Stiamo usando l'AI non per sostituire il nostro apprendimento, ma per rafforzarlo attraverso il testing attivo della nostra comprensione.

Oltre le Tecniche: Un Nuovo Mindset

Queste dieci tecniche, nel loro insieme, disegnano qualcosa di più grande della somma delle parti. Rappresentano un approccio fondamentalmente diverso al lavoro con l'AI, uno che riconosce l'importanza del metodo tanto quanto quella dello strumento.

Ciò che emerge con chiarezza è che l'efficacia nell'uso dell'AI per la programmazione non dipende dalla capacità di scrivere prompt magici, ma dalla costruzione di sistemi e abitudini che permettano all'AI di operare al meglio. È un investimento in infrastruttura cognitiva, se vogliamo chiamarla così.

La vera lezione di Chenry non sta nelle singole tecniche, per quanto preziose. Sta nel mostrare che lavorare efficacemente con l'AI richiede intenzionalità, sperimentazione e la volontà di ripensare flussi di lavoro che davamo per scontati. Non stiamo semplicemente aggiungendo un tool al nostro arsenale, stiamo ridefinendo cosa significa programmare.

E forse questo è il punto più importante: l'AI non ci rende programmatori peggiori se ci affidiamo troppo a lei, né ci rende automaticamente migliori solo perché la usiamo. Ci rende diversi, e spetta a noi decidere se quel "diverso" rappresenta un'evoluzione o solo un cambiamento superficiale. Le tecniche di Chenry suggeriscono che l'evoluzione è possibile, ma richiede lo stesso rigore e la stessa disciplina che abbiamo sempre applicato al nostro craft.

In definitiva, questi suggerimenti ci ricordano che l'intelligenza artificiale è, paradossalmente, tanto più utile quanto più intelligentemente la usiamo. E l'intelligenza, in questo caso, non sta nel prompt perfetto, ma nella costruzione paziente di un ecosistema di pratiche, strumenti e abitudini che amplificano ciò che l'AI fa meglio, mitigando ciò che fa peggio. È lavoro umano, profondamente umano, che rende l'intelligenza artificiale veramente intelligente.