Passa al contenuto principale

Scoperta agentica: dentro l'harness che ha trovato ART

Avanzato
What you'll learn
  • Leggere la campagna ART come un'architettura, non come un titolo: cinque ruoli di agente, una catena di task con controlli a porte e una coda di triage
  • Capire perché 98 dei 119 task della campagna non erano nel brief, e perché la scoperta è nata da un'ipotesi respinta
  • Leggere correttamente il conto in token di un sistema multi-agente: 189,5M dei 215,6M di token erano scritture nella cache dei prompt
  • Spiegare i due risultati che la stampa ha saltato: la riproduzione 0 su 10 e gli strumenti che peggiorano la capacità del modello di vedere i dati
  • Copiare le parti trasferibili dell'harness per un corpus non biologico e sapere quali parti non si trasferiscono

Il 23 settembre 2026 Anthropic ha pubblicato Claude discovers a novel enzyme system with CRISPR-like repeats. La sera stessa è arrivato in prima pagina su Hacker News, con circa 655 punti e 672 commenti, oltre alla copertura delle agenzie su tutte le principali testate e a un evidente scossone sui titoli del gene editing. Il riassunto che tutti hanno ripetuto: ~950 agenti, 21 ore, 210 milioni di token, un nuovo sistema enzimatico.

Quei numeri sono reali. Sono anche la parte meno utile della storia.

Il preprint che li accompagna, Autonomous AI agents discover reverse transcriptases with tandem repeat arrays, di Yoon, Athukoralage, Ameisen, Kauderer-Abrams, Perry e Durrant, descrive l'harness, la contabilità, le modalità di fallimento e una serie di controlli. Contiene almeno quattro elementi che cambiano il modo in cui dovresti costruire le tue pipeline di agenti e che quasi nessuna copertura ha menzionato. Questa pagina parla di quelli.

Che cos'era davvero la campagna​

Un research brief, cioè un breve documento che enuncia l'obiettivo e non un flusso di lavoro, è stato espanso da un agente di lancio in cinque fasi, eseguite come una catena con controlli di completamento scriptati fra l'una e l'altra. Nessun task di una fase successiva poteva aprirsi finché la precedente non era chiusa.

FaseChe cosa faceva
1. Assemblaggio degli inputCostruire da zero set di riferimento e profili HMM
2. Scansione del databaseCensire i loci di trascrittasi inversa (RT) in 1,9 miliardi di cluster proteici metagenomici
3. Classificazione delle RTOrdinare in nove classi circa 200.000 cluster di RT recuperati
4. Censimento dei vicinatiCampionare ~11.000 loci e valutare 3.564 famiglie proteiche vicine ricorrenti come partner candidati
5. ApprofondimentiIndagare le famiglie che hanno superato i criteri di selezione degli agenti stessi

L'imbuto uscito dall'altra parte: 3.564 famiglie candidate → 16 che soddisfano i criteri degli agenti (+1 promossa più tardi) → 19 report scritti → 3 confermate come associazioni di RT davvero nuove. Quattordici delle diciassette sono state scartate perché artefatti di annotazione, parti di sistemi già descritti o vicini che si trovavano lì per caso. Separatamente, i worker hanno segnalato tre RT insolite che si sono rivelate nuove linee evolutive, una delle quali è ART.

Quel tasso di sopravvivenza è il vero titolo onesto. Una campagna autonoma ben condotta su un corpus da miliardi di elementi ha prodotto tre associazioni difendibili e un'anomalia interessante. Pianifica il budget di conseguenza.

L'harness: cinque ruoli, un unico registro condiviso​

Ogni agente della campagna era un'istanza di Claude Code configurata con Claude Mythos 5, in esecuzione in una sandbox con 60 core CPU, 192 GiB di memoria e nessuna GPU: le predizioni di struttura venivano inviate a una coda GPU separata (19 job, ESMFold o ColabFold). L'harness consentiva fino a 58 sessioni concorrenti.

Guided walkthrough1 of 7
  1. Una sessione trasforma il research brief nella catena di cinque fasi, ciascuna chiusa da un controllo di completamento scriptato. È l'unico punto in cui un'intenzione umana entra nel sistema: Anthropic dichiara che il coinvolgimento umano si è limitato al prompt iniziale e al lavoro di laboratorio.

Ripartizione delle sessioni per ruolo: 414 worker, 375 supervisor, 107 curator, 52 editor, più la sessione di lancio, per un totale di 949. Nota che la supervisione costa quasi quanto il lavoro. Se stai dimensionando un harness con molta revisione, un rapporto di sessioni worker/supervisor quasi 1:1 è la forma empirica qui osservata, non un 10:1.

Gli agenti avevano i normali strumenti di Claude Code (shell, file, ricerca web) più connettori aggiunti dall'harness verso il database delle proteine, la ricerca bibliografica e il recupero dei testi completi, la base di conoscenza condivisa e la coda GPU. Hanno installato ed eseguito da soli software bioinformatico standard: HMMER, MMseqs2, BLAST+, MAFFT, FastTree, Infernal, ViennaRNA e altri. Nei log conservati: 7.578 comandi di shell, 696 query al database, 131 ricerche bibliografiche, 61 richieste web.

Un dettaglio da copiare: la sandbox conteneva una libreria di circa 140 skill, guide metodologiche scritte, di cui i worker ne hanno consultate 15. Sette erano specifiche per la scansione e i loro titoli sembrano una checklist metodologica: contare le occorrenze indipendenti di una famiglia genica, valutare la disposizione operonica rispetto al fondo della finestra, giudicare le famiglie candidate, testare le rivendicazioni di novità, annotare famiglie non caratterizzate, proporre meccanismi insieme alle evidenze controfattuali e disegnare figure dei vicinati genici. Le ultime due sono quelle che mantengono onesta una campagna autonoma.

98 task su 119 non erano nel brief​

Il registro dei task della campagna si scompone così: 5 task originati dalle fasi del brief, 16 approfondimenti originati dalle famiglie promosse e 98 task di follow-up generati durante l'esecuzione. Circa quattro unità di lavoro su cinque sono state inventate dagli agenti a campagna in corso.

Non è spreco. È da lì che è venuto il risultato.

La catena, dall'analisi delle trascrizioni dell'articolo:

  1. Nel task t0010, un worker ha esaminato una famiglia di RT scelta perché si trovava accanto a una subunità di RNA polimerasi di un fago gigante. Ha respinto quell'associazione come ordine genico spurio, ma ha messo in coda comunque un follow-up per guardare la RT stessa, osservando che una RT isolata di tipo retron in un fago gigante era un risultato secondario degno di nota.
  2. Il supervisor ha ragionato che le RT dei retron lavorano con un RNA non codificante codificato a monte, e ha scritto il task brief successivo: controllare i fianchi 5′ alla ricerca di un RNA simile.
  3. Quelle RT avevano regioni a monte con una mediana di 27 bp, troppo corte per codificarne uno. I loro parenti più stretti avevano una mediana di 940 bp. Il worker ha caricato direttamente nel proprio contesto la sequenza a monte dei parenti per guardarla.
  4. Nel task t0062, leggendo quella sequenza grezza, ha notato a occhio un array di ripetizioni in tandem: un motivo di ~17 bp corrispondente a CATGTG[T/A]TCGCATGT, ripetuto con spaziatori di ~110–180 bp lungo un fianco di 2.900 nt di un contig di 228.907 bp. Un secondo locus mostrava la stessa architettura con una ripetizione completamente diversa.
  5. Poi ha argomentato contro se stesso, confrontando il pattern con le ripetizioni variabili dei DGR, i mini-array CRISPR e i sistemi RT noti che generano diversità, prima di eseguire una ricerca bibliografica pensata per demolire la rivendicazione di novità anziché confermarla.

Né il research brief né il task brief menzionavano ripetizioni o array. In quella sessione non è stato eseguito alcuno strumento di ricerca di ripetizioni. La scoperta esiste perché a un'ipotesi respinta è stato permesso di generare un follow-up, e perché l'harness ha lasciato che un worker inseguisse qualcosa che non gli era stato chiesto.

Implicazione di progetto: se la tua pipeline di agenti esegue solo il DAG che hai disegnato, hai costruito una versione più lenta di una pipeline convenzionale. Le parti da aggiungere sono quelle che costano e sembrano spreco: un canale per il lavoro proposto dagli agenti e una porta che riveda quelle proposte per iscritto, invece di eseguirle o scartarle in automatico.

Leggere correttamente il conto in token​

La cifra citata ovunque è "210 milioni di token". La contabilità dell'articolo è più specifica e la sua forma conta:

ComponenteToken
Input non in cache11,3M
Output14,9M
Scritti nella cache dei prompt189,5M
Totale dichiarato215,6M
Letti dalla cache dei promptesclusi dal totale

Quindi l'88% della cifra di titolo è fatto di scritture in cache, e la quantità reale più grande del sistema, le letture dalla cache, cioè il modo in cui 949 sessioni sono state alimentate da una base di conoscenza condivisa, non vi compare affatto. I token di output, quelli che istintivamente si stimano, sono il 7%.

Due conseguenze pratiche. Primo: se confronti il tuo harness con "210M di token", assicurati di contare le stesse quattro voci; la maggior parte dei dashboard riporta un mix diverso. Secondo: in un harness con molte sessioni e una memoria comune, l'economia della cache domina i costi. Una scrittura in cache è fatturata con un sovrapprezzo rispetto all'input base e una lettura con un forte sconto, quindi il rapporto fra le due è la leva più grande sul conto. Vedi Economia del Prompt Caching per come funziona questa aritmetica. L'articolo non indica un costo in dollari, e nemmeno noi.

Il tempo reale è stato di 21,5 ore a fronte di 76,9 ore-agente: una concorrenza media di circa 3,6 nonostante un tetto di 58. Le campagne di agenti di lunga durata sono molto più seriali di quanto suggerisca il limite di concorrenza, perché le porte fra le fasi e i cicli di revisione impongono attese.

La scoperta non si è riprodotta​

È il risultato che andrebbe citato più di ogni altro.

Gli autori hanno rilanciato la campagna identica, stesso harness e stesso brief, altre dieci volte, producendo 3.084 record di task e 5.632 trascrizioni di sessione. Quasi ogni replica che ha completato il censimento ha campionato loci ART. In due, i worker hanno aperto follow-up sulla linea evolutiva.

Nessuno ha letto il DNA a monte. L'array è stato mancato in ogni rilancio. L'articolo lo attribuisce all'ampiezza dello spazio di ricerca delle RT e al comportamento non deterministico dell'harness.

Prendilo sul serio in entrambe le direzioni:

  • Contro l'iper-attribuzione. "L'IA ha scoperto X" descrive un singolo campione di un processo stocastico, non una capacità che puoi invocare. Una campagna da 11 esecuzioni l'ha trovato una volta.
  • Per progettare le pipeline. L'unità di una ricerca agentica non è l'esecuzione, è la popolazione di esecuzioni. Se un risultato vale qualcosa, replica la campagna, deduplica fra le repliche e tratta i report delle singole esecuzioni come piste. Ottieni anche un controllo negativo gratuito: tutto ciò che ogni esecuzione produce è probabilmente una proprietà della tua pipeline, non dei dati.
  • Per la valutazione. Un harness che fa emergere un'anomalia reale 1 volta su 11 resta enormemente prezioso se il costo di un'esecuzione è di poche centinaia di dollari e il guadagno è un nuovo sistema biologico. Bassa riproducibilità non significa basso valore atteso, ma devi prezzare l'esecuzione, non il risultato.

Dare gli strumenti al modello lo ha reso cieco​

Poiché la campagna stessa non era riproducibile, gli autori hanno costruito un benchmark a input fisso: dare a un modello il sistema ART a uno di cinque livelli di informazione, chiedergli di caratterizzare il locus e predirne la funzione, e far valutare a un modello giudice (Mythos 5) il report rispetto a dieci affermazioni curate su array, RT e partner.

I cinque livelli salgono da due sequenze proteiche di RT, a due loci come testo grezzo, a tutti i 96 loci come file con strumenti, a file più strutture predette, a file più accesso a letteratura e web.

Il risultato atteso è che più informazione e più strumenti aiutino in modo monotono. È andata così per il gene partner. Per l'array, la scoperta vera e propria, si è invertito:

  • Con i loci in contesto come testo, i modelli più capaci hanno descritto correttamente l'array in almeno il 90% dei tentativi.
  • Con gli stessi dati come file, più strumenti, il riconoscimento è sceso fino al 32% (Opus 5, livello 4).
  • L'ispezione delle trascrizioni lo ha spiegato: nelle esecuzioni basate su file, il 39% dei tentativi non ha mai letto un tratto contiguo di 200 nt o più, senza mai vedere più di circa un'unità ripetuta. Hanno interrogato, filtrato con grep, riassunto e ragionato sulla sequenza senza mai guardarla.
  • Quando un'esecuzione leggeva ≥200 nt contigui, il riconoscimento era da 16 a 32 punti percentuali più alto. Aggregando i quattro modelli più forti, il riconoscimento è salito dal 29% al 76% man mano che entrava più DNA nel contesto, fino al 96% per Mythos 5.

Vale la pena notare anche il pannello di modelli: l'articolo ha testato sette modelli Claude e ha trovato un chiaro divario di capacità fra i quattro più forti (Opus 5.5, Mythos 5.1, Mythos 5, Opus 5) e gli altri (Opus 4.8, Opus 4.6, Sonnet 5), a dimostrazione che il successo della campagna originale dipendeva dal modello di frontiera su cui girava.

La lezione trasferibile non ha niente a che fare con la biologia. Ogni volta che il segnale vive nella forma dei dati grezzi (un pattern ripetuto in un log, uno scarto regolare in un binario, un ritmo anomalo in una serie temporale, strofe duplicate in una configurazione), l'accesso mediato dagli strumenti permette al modello di fare la cosa ragionevole e riassumere invece di guardare. Lo strumento è un'astrazione, e le astrazioni sono esattamente ciò che nasconde le anomalie. È l'opposto del consueto consiglio di context engineering, ed è una vera eccezione:

Forza l'osservazione diretta quando cacci anomalie

When investigating this record, do not rely only on summaries, counts, greps, or tool
output. Read at least 2,000 contiguous raw bytes/characters of the region itself into
your context and describe, literally, what you see — including anything structural you
notice that I did not ask about.

Then state: (a) what you expected this region to look like, (b) what it actually looks
like, and (c) any difference between the two that you cannot explain. Treat (c) as the
finding, not as noise.

Abbinalo al consiglio standard di Context Engineering: cura in modo aggressivo per i task di esecuzione, ma spendi i token per guardare direttamente i dati primari nei task di scoperta. Sono lavori diversi.

Perché se n'è accorto: un rilevatore che scatta sulle ripetizioni​

La sezione più insolita dell'articolo è un'analisi di interpretabilità eseguita sulla trascrizione della scoperta vera e propria. Gli autori hanno ripassato la sessione del worker attraverso Mythos 5 e scomposto l'attività del modello in un singolo strato in segnali interpretabili, cercando qualcosa che rispondesse al DNA ripetuto.

Ne hanno trovati due. Entrambi erano silenziosi prima dell'inizio dell'array. Il segnale di ripetizione 2 si rafforzava alla terza copia della ripetizione e restava stabile nel resto, con attività confinata quasi interamente alla ripetizione e al nucleotide immediatamente successivo. Il segnale di ripetizione 1 raggiungeva il picco alla terza copia e poi si affievoliva. Il controllo è la parte convincente: rimescolare i nucleotidi all'interno di ogni copia, preservando la composizione e distruggendo la ripetizione, ha silenziato il segnale 2 su tutte le 14 copie e il segnale 1 su 12 su 14. Nessuno dei due segnali è specifico del DNA.

Per confronto hanno fatto girare due modelli linguistici genomici dedicati, Evo 2 e gLM2, sullo stesso locus. Entrambi hanno segnalato le ripetizioni con sicurezza, e il modello bidirezionale (gLM2) le ha colte tutte, compresa la prima, mentre quello causale (Evo 2) ha predetto male le prime due copie e migliorato lungo l'array, esattamente il comportamento atteso da un modello che può guardare solo all'indietro.

Nella trascrizione, subito dopo l'attivazione del segnale compare un ragionamento in linguaggio naturale che chiama il pattern un array di ripetizioni in tandem. Un assistente generalista portava con sé un rilevatore interno per una proprietà strutturale della sequenza grezza, e l'attivazione di quel rilevatore è emersa come osservazione verbalizzata. È una risposta concreta e meccanicistica alla domanda "come se n'è accorto?", e un motivo per credere al risultato sulla cecità da strumenti invece di liquidarlo: un rilevatore non può scattare su byte che non sono mai entrati nel contesto.

Il giudice non l'ha messo al primo posto​

I 19 report sono stati classificati con un torneo di confronti a coppie (ogni coppia ordinata confrontata una volta, 342 partite) in cui un giudice Mythos 5 leggeva una rubrica fissa e due report anonimizzati e assegnava a ciascuno un punteggio da 1 a 5 su impatto (peso 0,35), novità (0,30), solidità (0,25) e azionabilità (0,10). Un report con punteggio pari o inferiore a 2 sulla solidità perdeva automaticamente. I punteggi sono stati stimati con un modello Bradley–Terry.

Il report su ART è arrivato terzo, con 32 vittorie su 36 partite.

Tre cose da ricavarne. Un girone all'italiana anonimizzato con sconfitta automatica sulla solidità è un design di LLM-judge molto migliore che valutare i report singolarmente su una scala da 1 a 10: il confronto a coppie è più stabile e la soglia di solidità elimina il nonsenso sicuro di sé prima che possa vincere sulla novità. Ma il miglior risultato del lotto non è stato classificato primo, quindi tratta la classifica di un LLM-judge come un ordine di triage, non come un verdetto, e tieni il tuo top-k abbastanza largo perché anche un terzo classificato arrivi a un umano. E nota che l'intero apparato è comunque a valle degli umani: ogni candidato sopravvissuto è andato a scienziati umani e il lavoro di laboratorio è stato interamente umano. Vedi Il collo di bottiglia della verifica per la forma generale di questo vincolo.

Che cosa si sa davvero di ART​

Serve abbastanza cautela da giustificare una separazione netta.

Supportato dal preprint:

  • ART, le trascrittasi inverse associate ad array, è una famiglia di RT in gran parte confinata ai genomi di fagi giganti, collocata in un clade vicino ai retron.
  • Ogni locus ha tre parti: un array di unità ripetute di ~200 nt, la RT e un gene partner dedicato. Sono stati osservati tre tipi strutturali di proteina partner (59, 7 e 3 linee evolutive).
  • La disposizione delle ripetizioni ricorda un array CRISPR, ma a differenza degli spaziatori CRISPR, le unità ART sono conservate fra fagi imparentati.
  • In una serie temporale di RNA-seq dell'infezione da fago SA1 di Staphylococcus (BioProject pubblico PRJNA836150), l'array è trascritto abbondantemente e appare come unità discrete, trascritte in grande eccesso rispetto all'enzima stesso. Quel pattern suggerisce un solo enzima fornito di un repertorio di RNA distinti.
  • Il sistema era nascosto in bella vista: per il fago MarsHill (GenBank MW248466.1), il rapporto originale sul genoma identificava la RT e proponeva un RNA non codificante al 5′, ma non descriveva né le ripetizioni né il gene partner.

Non dimostrato:

  • Che la RT sia enzimaticamente attiva.
  • Che gli RNA dell'array siano i suoi substrati.
  • Che la RT e il suo partner interagiscano affatto.
  • Che cosa faccia il sistema per il fago. La questione è aperta, e gli autori lo dicono.

Qualsiasi presentazione di ART come "un nuovo strumento di gene editing" corre con diversi anni di anticipo sulle evidenze. Ciò che è stato dimostrato è il processo di scoperta, non la biologia.

Copiare la forma per un corpus non biologico​

La metà specifica del dominio (database metagenomici, profili HMM, predizione di strutture) non si trasferisce. L'harness sì. Se fai girare agenti su un corpus ampio che non comprendi del tutto (log, un monorepo legacy, contratti, telemetria, un registro di pacchetti), questo è il pattern:

Guided walkthrough1 of 8
  1. Enuncia l'obiettivo e i criteri per cui qualcosa è interessante. Lascia che un agente di lancio lo espanda in fasi. Se specifichi i passi, ottieni una pipeline, e una pipeline può trovare solo la novità che hai definito in anticipo.
Vocabolario dell'harness
Premi Invio o Spazio per girare la carta. Usa le frecce sinistra e destra per spostarti tra le carte.Termine mostrato.
1 / 9

Mettiti alla prova​

Verifica te stesso

0/5
  1. Dei 119 task della campagna ART, quanti erano task di follow-up generati dagli agenti durante l'esecuzione anziché originati dal brief?
  2. Che cosa è successo quando gli autori hanno rilanciato la campagna identica altre dieci volte?
  3. Nel benchmark a input fisso, che cosa è successo al riconoscimento dell'array quando ai modelli sono stati dati i loci come file con strumenti invece che come testo in contesto?
  4. La campagna ha dichiarato 215,6M di token. Qual era la componente più grande?
  5. Come è andato il report che descrive ART nella classifica a torneo dei suoi 19 report?

Fonti e letture di approfondimento​

Prossimi passi​