Il Mio Cervello AI Un Mese Dopo: 36 Agenti, 13 Integrazioni MCP e Cosa Ho Riscritto

Un mese fa ho pubblicato un video che mostrava il mio workspace AI. Un terminale. Memoria persistente. Agenti che sanno chi sono. Un setup one-click che chiunque poteva installare.

Quel setup è già obsoleto.

Non perché fosse sbagliato. Perché usarlo ogni giorno ha esposto tutto quello che non riusciva a fare. Quindi ho riscritto la maggior parte — il file del brain, il roster degli agenti, l’intero layer di enforcement.

Ecco cosa è cambiato, cosa si è rotto, e cosa farei diversamente se ricominciassi oggi.

I numeri

Un mese di utilizzo quotidiano. Costo totale: ~$100/mese (abbonamento Claude Max).

Cosa	17 gennaio	19 febbraio	Variazione
Agenti	~16	22 core + 14 subagenti	+20
Integrazioni MCP	3-4	13+	+10
Skills (auto-loading)	0	25	nuovo
Hook (enforcement)	0	4	nuovo
File del brain	1 (407 righe)	7 file modulari	-80% token
Regole di configurazione	655	179	-73%

Questi numeri non raccontano tutto. I cambiamenti veri sono stati strutturali.

Riscrittura 1: La chirurgia al brain

Il brain originale era un file solo. brain/context.md. 407 righe. Tutto — revenue, deal, progetti, stato dei contenuti, note tecniche — in un unico documento.

Ogni sessione iniziava caricando tutto. Ogni sessione bruciava token su contesto che non era rilevante. Stavi lavorando sui contenuti? Caricavi comunque i dati della pipeline commerciale. Facevi debug di codice? Eccoti il calendario editoriale. Il modello annegava nel rumore ancora prima che gli facessi una domanda.

Allora l’ho diviso.

brain/
├── context.md          ← indice di 60 righe (carica sempre)
└── contexts/
    ├── stratega.md     ← azienda, positioning, pricing
    ├── projects.md     ← lavoro clienti attivo
    ├── building.md     ← prodotti in costruzione
    ├── content.md      ← stato del content engine
    ├── academy.md      ← Stratega School
    └── side.md         ← side project

Ora /start legge l’indice di 60 righe, chiede su cosa stiamo lavorando, e carica solo il file di contesto rilevante. La regola di decisione è semplice: un file per area di lavoro, caricato su richiesta, mai tutto insieme.

L’utilizzo dei token è sceso di circa l’80%. Ma la differenza vera non è il costo — è la qualità degli output. L’AI ha smesso di darmi risposte generiche perché ha smesso di processare contesto generico. Stesso modello. Stessi prompt. Risposte decisamente migliori.

Il primo tentativo di divisione non ha funzionato. Ho tagliato il file per argomento ma ho lasciato riferimenti incrociati ovunque — il contesto dei contenuti citava ancora i deal, il contesto dei progetti faceva ancora riferimento alle scadenze editoriali. Ogni file doveva essere autosufficiente. Ci è voluto un secondo passaggio.

La lezione che continuo a reimparare: il sistema che funziona al giorno 1 si rompe al giorno 30. Non perché era sbagliato. Perché i pattern di utilizzo rivelano quello che l’architettura non riesce a gestire.

Riscrittura 2: Consolidamento degli agenti

Avevo 27 agenti. Alcuni erano ridondanti. L’agente Matteo Voice scriveva copy con la mia voce. Il Roaster la demoliva e la valutava. Agenti separati, compiti sovrapposti. Li ho uniti in un unico Copy Critic che fa entrambe le cose.

La stessa cosa è successa altrove. L’agente Startupper è stato assorbito dalla “Founder Mode” del CTO. Il Pretotyper è diventato un protocollo all’interno del Growth Hacker.

27 agenti sono diventati 22. La regola che uso adesso: questo agente ha bisogno di una propria memoria e personalità che entrerebbe in conflitto con quella di un altro agente? Se sì, è un agente. Se no, è un protocollo dentro un agente esistente.

Poi ho aggiunto i subagenti — specialisti leggeri che girano in parallelo senza toccare la conversazione principale. Un CI Researcher che fa tre analisi competitive contemporaneamente. Un Code Reviewer che controlla le modifiche dopo ogni edit. Un Content Drafter che scrive post LinkedIn in background.

22 agenti core + 14 subagenti = 36 in totale. Ma la superficie è in realtà più piccola perché il routing è automatico adesso. Il che mi porta al vero upgrade.

Il layer di enforcement

Questa è la parte che ha cambiato tutto, ed è invisibile.

Ecco cosa succedeva prima: iniziavo un task tecnico — debug di un workflow, configurazione di un server MCP — e dimenticavo di caricare prima il mio agente CTO. L’output era generico. Sprecavo 10 minuti prima di realizzare che l’agente non era caricato, poi ricominciavo.

Adesso un hook si attiva prima di ogni interazione. Controlla se il task è tecnico. Se lo è, carica silenziosamente il protocollo CTO. Nessuna scelta. Nessuna dimenticanza. Non sapevo nemmeno che si attivasse finché non ho guardato i log.

# Cosa succede prima che scriva qualcosa:
UserPromptSubmit → agent-call-enforcer.py → rileva task tecnico → carica protocollo CTO

Un secondo hook si attiva quando una sessione finisce. Scrive un riepilogo nel knowledge graph — automaticamente. Nessun salvataggio manuale del contesto. Il sistema si ricorda, che glielo dica io o no.

Le skill hanno sostituito i comandi statici. Il vecchio /start era un file markdown che girava sempre allo stesso modo. Il nuovo /start è una skill che si auto-carica in base al contesto, fa routing al modulo giusto del brain, interroga il memory graph per gli elementi pendenti, e si adatta al dispositivo su cui mi trovo.

La differenza: i comandi sono cose che invoco io. Le skill sono cose che il sistema invoca da solo quando sono rilevanti.

Le integrazioni che contano davvero

Il video originale aveva Netlify. Forse una o due altre connessioni MCP.

Adesso ce ne sono 13:

Integrazione	Cosa fa	Impatto
Google Workspace	72 tool: Drive, Sheets, Gmail, Docs, Calendar	Game-changer
HubSpot	CRM completo: aziende, contatti, deal	Game-changer
n8n	Crea, esegui, fai debug di workflow di automazione	Game-changer
Meta Business	Monitoraggio campagne pubblicitarie	Alto
Stratega Memory	Knowledge graph tra le sessioni	Alto
Docker	Gestione container	Medio
Playwright	Automazione browser	Medio
Brave Search	Ricerca web dentro le sessioni	Medio
Context7	Documentazione librerie	Medio
Netlify	Deploy siti	Medio
Notion	Note riunioni, database	Basso
Slack	Notifiche	Basso

I primi tre hanno cambiato il mio workflow quotidiano. Google Workspace da solo — cercare email, leggere spreadsheet, aggiornare documenti, creare eventi in calendario — tutto dal terminale. HubSpot è quello che ha reso possibile pulire 450 aziende fino a 74 in un pomeriggio. n8n significa che costruisco e faccio debug di workflow di automazione senza aprire un browser.

Quella che ho rimosso: GitHub MCP. L’ho sostituita interamente con la CLI gh. Più leggera, più affidabile, nessun overhead MCP. Non tutto deve essere un’integrazione. A volte uno strumento da riga di comando è meglio.

Cosa ho costruito davvero con tutto questo

Non è teoria. Ecco cosa è passato per il sistema aggiornato in un mese:

Vendite — Dopo ogni call, la trascrizione passa per il mio agente head of sales. Lui redige l’email di follow-up con la mia voce, suggerisce i prossimi passi basandosi sul punteggio MEDDIC, e aggiorna il CRM. Quello che prima richiedeva 30 minuti ora ne richiede 5.

Pulizia CRM — 450 aziende in HubSpot, ~35% qualità dei dati. Claude Code connesso via MCP le ha pulite fino a 74 in un pomeriggio. Ho quasi cancellato due aziende con deal attivi nel processo. Ho scritto un post completo su quello.

Competitive intelligence — Prima di una call con un prospect, l’agente CI mappa il loro mercato, identifica i competitor, porta a galla notizie recenti. Tre analisi approfondite che girano contemporaneamente via subagenti.

Questo sito — Quattro iterazioni della homepage, un redesign completo rifiutato, un war council a tre agenti sulla pagina blog. Log completo del build qui.

Contenuti — Ogni post LinkedIn passa per questo sistema. Il content engine estrae dalla mia attività quotidiana i momenti condivisibili. Il copy critic fa a pezzi le mie bozze e le riscrive con la mia voce.

Cosa si è rotto

Credenziali ovunque. A un certo punto avevo chiavi API in .mcp.json (tracciato da git), in settings.local.json, nei file del brain. Un audit di sicurezza dopo: tutto consolidato in un unico file MASTER.env, credenziali rimosse da tutti i file tracciati, regole di settings tagliate da 655 a 179.

Se stai iniziando: centralizza le credenziali dal giorno 1. Non spargerle.

18 giorni di lavoro non committato. Ero così concentrato a costruire che mi sono dimenticato di fare push. 319 nuovi file, 82 modificati. A un crash dal perdere tutto. Adesso un daemon launchd fa auto-commit e push alle 23:00 ogni giorno. Il sistema mi protegge da me stesso.

Agent bloat. Il salto da 16 a 27 ha reso il routing confuso. Mi capitava di avere una sessione in cui due agenti davano consigli contraddittori perché i loro domini si sovrapponevano. Il consolidamento a 22 con subagenti chiari ha risolto. Ogni agente ha bisogno di un unico trigger. Se devi pensare a quale chiamare, ne hai troppi.

La manutenzione del contesto è un lavoro. I file del brain vanno aggiornati. Il knowledge graph va potato. Il contesto stantio produce output stantii. Spendo 10-15 minuti a settimana a revisionare e pulire il contesto. Non è glamour, ma è la differenza tra un’AI che sa cosa sta succedendo e una che sta indovinando.

Il setup aggiornato

Il setup one-click dal video originale funziona ancora:

curl -fsSL https://raw.githubusercontent.com/matteo-stratega/claude-workspace-template/main/setup.sh | bash

Ora include: struttura brain modulare, sistema di skill con auto-loading, esempi di hook per enforcement e auto-save, template agente con il pattern consolidato, e i comandi /start e /close aggiornati.

Cosa NON è nel repo: i miei 22 agenti (codificano il mio business, non un template) e le configurazioni MCP (hanno bisogno delle tue chiavi API). Il repo è lo scheletro. Tu aggiungi i muscoli.

Scaricalo qui — e se costruisci qualcosa con esso, voglio vederlo.

Non overbuildare dal primo giorno

Ogni agente e integrazione che ho aggiunto è nato da un problema specifico che ho incontrato — non da un template copiato.

Non ti servono 22 agenti e 13 integrazioni MCP per iniziare. Ti servono CLAUDE.md, brain/context.md e /start. Usalo per una settimana. Senti i punti di dolore. Poi aggiungi esattamente quello di cui hai bisogno.

Il sistema non è finito. Non lo sarà mai. Questo è il punto — cresce con il lavoro.

Parte 1: Ho Costruito un Cervello AI che Gestisce Tutto il Mio Business

Guarda il setup originale: My AI Brain: 1-Click Setup

Scarica il repo: claude-workspace-template

Domande Frequenti

Questo setup è abbastanza stabile per il lavoro vero?

Gestisco tutto il mio business con questo setup — deliverable clienti, vendite, contenuti, competitive intelligence. Si rompe circa una volta a settimana. Il daemon di auto-commit e il brain modulare fanno sì che non succeda nulla di catastrofico quando qualcosa si rompe. Lo risolvi, il contesto è preservato, vai avanti.

Quanto costa da mandare avanti?

L’abbonamento Claude Max è $100/mese. I server MCP sono gratuiti — si connettono a servizi che paghi già. I modelli locali (Ollama) sono gratuiti. Costo totale dell’infrastruttura oltre a Claude: praticamente zero se hai già i servizi.

Qual è l’errore più grande che le persone fanno con questo tipo di setup?

Overbuildare dal primo giorno. Inizia con CLAUDE.md, brain/context.md e /start. Usalo per una settimana. Senti dove si rompe. Poi aggiungi esattamente quello di cui hai bisogno. Ogni agente che ho esiste perché qualcosa di specifico era doloroso senza di esso.

Il Mio Cervello AI, Un Mese Dopo: Cosa È Cambiato