Manifesto
Disclosure & Manipulation
La maggior parte degli strumenti AI ti mostra la risposta e nasconde tutto il resto. Aether fa il contrario.
È uno studio agentico local-first e multi-provider (Anthropic, OpenAI, Gemini, Ollama e endpoint compatibili), pensato per una cosa sola: capire come lavora davvero un agente LLM — e imparare usandolo.
Disclosure. Di solito un agente è una scatola nera: vedi l'output, non il perché. Aether apre la scatola — il system prompt assemblato di ogni richiesta, il contesto, gli step di ragionamento, ogni tool call con il suo output, i token. Non indovini più cosa guida le risposte: lo osservi.
Manipulation. Si capisce facendo. Breakpoint sui tool, gate con preview prima delle azioni irreversibili, iniezione di contesto, controllo dalla CLI. Cambi una variabile e vedi l'effetto: è così che si impara.
Aether è per chi lavora con l'AI e vuole smettere di tirare a indovinare coi prompt — per capire sul serio System Prompt, Tools, Skills e Gate, e le best practice che emergono costruendo software agentico.
Cosa capisci con Aether
Gli agenti, smontati
System Prompt
Cosa riceve il modello
Le istruzioni, il contesto e i tool che il modello riceve davvero — di solito invisibili. In Aether vedi il system prompt assemblato di ogni dispatch: capisci come il framing cambia le risposte.
Tools · MCP
Cosa può fare
Le funzioni che l'agente può chiamare: filesystem, shell, qualunque server MCP. Le colleghi a 1 clic e vedi ogni tool call con il suo output, distinti dal resto: capisci quando e perché usa uno strumento.
Skills & agenti
Come si compone
Competenze e procedure riutilizzabili. Componi skill, sub-agent e swarm — c'è persino skill-smith, un agente che ti aiuta a scriverne di nuove. Impari a strutturare capacità invece di ripetere prompt.
Gate & approvazioni
Chi tiene il controllo
Il controllo sulle azioni irreversibili. Metti i tool in auto o gate e approvi con la preview del diff: impari a far correre l'agente senza perderne il controllo.
Lezioni dal campo
Best practice, non teoria
- Brainstorm prima del codice. Un piano concordato e guidato dai test batte l'intuizione. Usare le skill Superpowers di Obra non è più un'opzione: gli agenti di Aether stessi vorrebbero partire da questa regola, e tutta Aether è implementata così.
- Sub-agent isolati. Compito stretto, contesto stretto: il lavoro in parallelo è affidabile quando non si condivide troppo contesto — tutto ciò che entra in più è rumore in sessione.
- Gate prima di toccare il mondo. File, shell e git sono tool embedded di default (integrati via MCP) e passano da un'approvazione con preview: l'LLM è libero fino a lì.
- Il contesto è una risorsa. Rooting per-workspace, fork delle conversazioni e tool mirati — invece di dare tutto a tutti e dappertutto.
Cosa ancora manca
La roadmap
- AST — leggere il codice come albero sintattico, non come testo: ragionare sulla struttura del programma, non sulle stringhe.
- LSP — agganciare i Language Server: diagnostica, definizioni e riferimenti da IDE, dati direttamente all'agente.
- Ingestione & RAG — indicizzare documenti e codebase e recuperarne solo i pezzi pertinenti come contesto, invece di incollare tutto.
- Tools aggiuntivi — più strumenti embedded oltre a filesystem, shell e git.
- Test di integrazione multi-provider — prove end-to-end su più provider LLM, per garantire parità di comportamento.
- Controllo remoto — pilotare il daemon e le sessioni da remoto, non solo da localhost.
- Autenticazione LDAP — login via directory aziendale, per l'uso in team.
L'appetito vien mangiando.
In azione
Aether dal vivo
Schermate reali: un agente Ollama e Anthropic che lavorano sotto il tuo sguardo.
Uno sguardo da vicino
Dettagli
skill-smith — un sub-agent che scrive skill con te. Ne vedi (e modifichi) la system instruction: sub-agent → system prompt → skill.
