[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"sanity-CbJnGfw-gNt2zT-BV8VKm7_8znixOH1Dn7RaC6ApxDE":3,"sanity-NhTtstOLv7hzEtHcVV4tOPCilBtH5QScOa7PHJy5cXQ":26,"sanity-vWO_F1wGOYKOIkFhYVf8YqW2rGysyAO1t6_7lEsK-jc":694},{"data":4,"sourceMap":-1},{"_createdAt":5,"_id":6,"_rev":7,"_system":8,"_type":6,"_updatedAt":11,"headerFrasetta":12,"showFrasetta":25},"2024-09-24T09:16:53Z","header","p760j7h835F4y7spQlBYJd",{"base":9},{"id":6,"rev":10},"weFjAg3F0H46n8pjNHFp0o","2026-05-18T10:57:18Z",[13],{"_key":14,"_type":15,"children":16,"markDefs":23,"style":24},"8eadd18b3ed0","block",[17],{"_key":18,"_type":19,"marks":20,"text":22},"e6dcee98cdea","span",[21],"strong","",[],"normal",true,{"data":27,"sourceMap":-1},{"_createdAt":28,"_id":29,"_rev":30,"_system":31,"_type":34,"_updatedAt":35,"author":36,"category":68,"content":78,"correlati":562,"date":614,"excerpt":615,"family":616,"imported":619,"mainImage":620,"persona":625,"role":626,"seo":627,"showInHome":619,"slug":631,"stage":633,"tags":634,"title":693},"2026-08-20T05:51:39Z","951e7fab-e00a-4194-8c74-c20e4f763850","zAZ6Ba1uoWAqdFkSV0hgvf",{"base":32},{"id":29,"rev":33},"QC02UMKS7jsxaEUCQWkB5E","post","2026-08-22T09:04:12Z",{"_createdAt":37,"_id":38,"_rev":39,"_system":40,"_type":43,"_updatedAt":44,"bio":45,"name":54,"picture":55,"showTop":25,"slug":60,"socials":63},"2024-06-12T08:42:39Z","acebc245-3745-4a3f-a2dc-02640a7a9792","9YzZNj5vHaCY36og9KRIqI",{"base":41},{"id":38,"rev":42},"9YzZNj5vHaCY36og9KRHfi","author","2026-06-29T08:12:36Z",[46],{"_key":47,"_type":15,"children":48,"markDefs":53,"style":24},"61ba39142c5c",[49],{"_key":50,"_type":19,"marks":51,"text":52},"1c3051de12650",[],"CEO  @ICT Sviluppo",[],"Giovanni Fracasso",{"_type":56,"alt":54,"asset":57},"image",{"_ref":58,"_type":59},"image-8d013907a8588f1b8daa361dbbb31091e261ddc4-2721x2721-png","reference",{"_type":61,"current":62},"slug","giovanni-fracasso",{"_type":64,"facebook":65,"linkedin":66,"x_twitter":67},"socialsBlock","https:\u002F\u002Fwww.facebook.com\u002Fgiovannifracasso","https:\u002F\u002Fit.linkedin.com\u002Fin\u002Ffracassogiovanni","https:\u002F\u002Fwww.twitter.com\u002Fiostesso",{"_createdAt":69,"_id":70,"_rev":71,"_type":72,"_updatedAt":73,"description":74,"name":75,"slug":76},"2024-06-11T12:47:36Z","f11cf4d3-b8c6-4bb9-9fb2-88b5a8cd910e","ozq8uGlzlkluwdw2ba8kDc","category","2024-08-22T06:40:51Z","Post di e-commerce","Ecommerce",{"_type":61,"current":77},"ecommerce",[79,99,107,116,124,132,140,158,166,174,182,190,198,206,214,222,230,238,246,254,262,270,278,286,294,313,321,329,337,345,353,361,369,377,385,393,412,420,428,436,444,452,460,495,524,532],{"_key":80,"_type":15,"children":81,"markDefs":95,"style":24},"g010",[82,86,91],{"_key":83,"_type":19,"marks":84,"text":85},"sg010a",[],"Il 19 agosto 2026 Cody Mazza-Anthony e Paige Vegna hanno pubblicato sul blog di ingegneria di Shopify ",{"_key":87,"_type":19,"marks":88,"text":90},"sg010b",[89],"mg01","un pezzo su una tecnica che si chiama gisting",{"_key":92,"_type":19,"marks":93,"text":94},"sg010c",[],", e che è interessante per tutti,  anche se non siamo capaci di scrivere o leggere una riga di codice, perché tocca il punto preciso in cui l'intelligenza artificiale smette di essere una demo e diventa una voce di bilancio di un’azienda.",[96],{"_key":89,"_type":97,"href":98},"link","https:\u002F\u002Fshopify.engineering\u002Fgisting",{"_key":100,"_type":15,"children":101,"markDefs":106,"style":24},"g020",[102],{"_key":103,"_type":19,"marks":104,"text":105},"sg020",[],"E partiamo dal problema, che è molto più semplice di quanto il vocabolario lasci intendere.",[],{"_key":108,"_type":15,"children":109,"markDefs":114,"style":115},"g030",[110],{"_key":111,"_type":19,"marks":112,"text":113},"sg030",[],"Il prompt di sistema è una tassa fissa",[],"h2",{"_key":117,"_type":15,"children":118,"markDefs":123,"style":24},"g040",[119],{"_key":120,"_type":19,"marks":121,"text":122},"sg040",[],"Un agente AI, prima di rispondere a qualunque cosa, riceve un blocco di istruzioni permanenti: chi è, che cosa può fare, quali strumenti ha a disposizione, come deve formattare le risposte, che cosa non deve mai dire. Si chiama prompt di sistema, ed è il documento che gli definisce il mestiere. Il punto che sfugge quasi sempre a chi guarda questi sistemi da fuori è che quel documento non viene letto una volta e poi ricordato: viene ripresentato al modello per intero a ogni singola richiesta, insieme alla domanda dell'utente, perché tra una chiamata e l'altra il modello non conserva nulla.",[],{"_key":125,"_type":15,"children":126,"markDefs":131,"style":24},"g050",[127],{"_key":128,"_type":19,"marks":129,"text":130},"sg050",[],"Nel caso dell'agente GraphQL di Sidekick, quello che prende una domanda in lingua corrente, quali prodotti sto per esaurire, la traduce in una query sull'Admin GraphQL API del negozio, la esegue e riporta il risultato in linguaggio naturale, quel prompt pesava circa 6.000 token. Un token è l'unità minima in cui il modello spezzetta il testo, all'incirca tre quarti di parola: seimila token sono più o meno dieci pagine fitte.",[],{"_key":133,"_type":15,"children":134,"markDefs":139,"style":24},"g060",[135],{"_key":136,"_type":19,"marks":137,"text":138},"sg060",[],"Dieci pagine rilette per intero a ogni domanda, su un agente che in produzione arriva a servire fino a 2.000 richieste al minuto. La cosa si paga in tre posti contemporaneamente: l'utente aspetta di più, la macchina consuma di più, e servono più GPU per reggere lo stesso traffico. È una tassa, e si versa a ogni transito.",[],{"_key":141,"_type":142,"cta":143},"ctagist01","ptCta",{"_createdAt":144,"_id":145,"_rev":146,"_system":147,"_type":150,"_updatedAt":151,"blockinline":25,"ctatype":56,"description":152,"image":153,"target":25,"title":156,"url":157},"2026-06-19T12:51:12Z","128672d3-510c-4d9a-a3e6-91838f022b4b","6Ce7NZF9ZCx6kw6EoT0M4J",{"base":148},{"id":145,"rev":149},"p760j7h835F4y7spRmmM9H","cta","2026-06-25T07:41:03Z","Fissa un appuntamento con uno Shopify Expert",{"_type":56,"asset":154},{"_ref":155,"_type":59},"image-1b2d31bc0e7748faf172c3db7fb3ce113c16009a-1300x355-png","Parla con Shopify Expert","https:\u002F\u002Fwww.ictsviluppo.it\u002Frichiesta-di-appuntamento-shopify-expert",{"_key":159,"_type":15,"children":160,"markDefs":165,"style":115},"g070",[161],{"_key":162,"_type":19,"marks":163,"text":164},"sg070",[],"Che cosa ha fatto Shopify",[],{"_key":167,"_type":15,"children":168,"markDefs":173,"style":24},"g080",[169],{"_key":170,"_type":19,"marks":171,"text":172},"sg080",[],"Hanno portato quel prompt da circa 6.000 token a circa 1.500 token speciali, chiamati gist token, senza perdere qualità nelle predizioni. Quattro a uno.",[],{"_key":175,"_type":15,"children":176,"markDefs":181,"style":24},"g090",[177],{"_key":178,"_type":19,"marks":179,"text":180},"sg090",[],"La compressione non avviene riscrivendo il prompt in un italiano più stringato, che è quello che farebbe chiunque di noi e che funzionerebbe fino a un certo punto. Avviene inventando parole nuove. Un gist token è un token che non esiste in nessuna lingua umana: viene aggiunto al vocabolario del modello, e il suo significato viene addestrato finché non coincide con quello del pezzo di prompt che deve sostituire. Al rapporto 4:1 si aggiunge un gist token ogni quattro token di prompt. Il modello, quando se li trova davanti, si comporta come se avesse letto il testo integrale, perché per lui quei simboli vogliono dire esattamente quello.",[],{"_key":183,"_type":15,"children":184,"markDefs":189,"style":24},"g100",[185],{"_key":186,"_type":19,"marks":187,"text":188},"sg100",[],"L'analogia più onesta è la differenza tra rileggere ogni mattina a un collaboratore nuovo le quaranta pagine del manuale operativo e avere invece, con un collaboratore anziano, un gergo interno in cui una parola sola richiama tutto il capitolo. Con una differenza che conta: qui il gergo è stato costruito a tavolino, misurato, e funziona soltanto per quel modello; dato in pasto a un altro modello, quegli stessi token non significano niente.",[],{"_key":191,"_type":15,"children":192,"markDefs":197,"style":115},"g110",[193],{"_key":194,"_type":19,"marks":195,"text":196},"sg110",[],"Come si addestra un significato",[],{"_key":199,"_type":15,"children":200,"markDefs":205,"style":24},"g120",[201],{"_key":202,"_type":19,"marks":203,"text":204},"sg120",[],"Il meccanismo si chiama knowledge distillation, distillazione della conoscenza, e nella versione di Shopify si fa girare il modello due volte sulla stessa conversazione. \nNella prima passata, quella del maestro, il modello vede il prompt completo in linguaggio naturale e produce, per ogni posizione della risposta, la sua distribuzione di probabilità sulle parole successive. \nNella seconda passata, quella dell'allievo, al posto del prompt ci sono i gist token, e il modello produce la propria distribuzione sulle stesse posizioni.",[],{"_key":207,"_type":15,"children":208,"markDefs":213,"style":24},"g130",[209],{"_key":210,"_type":19,"marks":211,"text":212},"sg130",[],"A quel punto si misura quanto le due distribuzioni divergono, con una misura che si chiama divergenza di Kullback-Leibler, e si correggono i gist token per accorciare quella distanza. \nSi ripete finché l'allievo non predice praticamente quello che predice il maestro. Il maestro e l'allievo, va notato, sono lo stesso identico modello: l'unica cosa che cambia tra le due passate è che cosa gli si mette davanti.",[],{"_key":215,"_type":15,"children":216,"markDefs":221,"style":24},"g140",[217],{"_key":218,"_type":19,"marks":219,"text":220},"sg140",[],"Il dettaglio che rende la faccenda economicamente sensata è che i pesi del modello restano congelati: non si riaddestra il modello, si addestrano soltanto i vettori dei nuovi token, che sono una frazione minuscola dei parametri in gioco.",[],{"_key":223,"_type":15,"children":224,"markDefs":229,"style":115},"g150",[225],{"_key":226,"_type":19,"marks":227,"text":228},"sg150",[],"Il deploy, che di solito è la parte che rovina tutto",[],{"_key":231,"_type":15,"children":232,"markDefs":237,"style":24},"g160",[233],{"_key":234,"_type":19,"marks":235,"text":236},"sg160",[],"Finito l'addestramento, i vettori dei gist token vengono scritti direttamente dentro la matrice di embedding del modello, e i nuovi token vengono registrati come token speciali nel tokenizer. \nFine. \nIl modello si carica e gira come qualsiasi altro: nessuna maschera di attenzione su misura, nessun encoder aggiuntivo, nessun percorso di serving dedicato. L'unica modifica a runtime sta dal lato della richiesta, dove al posto del prompt si manda la stringa di gist token. Tutto il costo della compressione si paga una volta sola, in fase di addestramento.",[],{"_key":239,"_type":15,"children":240,"markDefs":245,"style":24},"g170",[241],{"_key":242,"_type":19,"marks":243,"text":244},"sg170",[],"Chiunque abbia provato a portare in produzione un'ottimizzazione di inferenza sa che è esattamente qui che i progetti muoiono, quando la tecnica funziona in laboratorio e poi pretende uno stack di serving tutto suo; in questo caso non succede, e questa è metà del motivo per cui la cosa è finita in produzione invece che in un paper.",[],{"_key":247,"_type":15,"children":248,"markDefs":253,"style":115},"g180",[249],{"_key":250,"_type":19,"marks":251,"text":252},"sg180",[],"L'obiezione della cache, e perché non basta",[],{"_key":255,"_type":15,"children":256,"markDefs":261,"style":24},"g190",[257],{"_key":258,"_type":19,"marks":259,"text":260},"sg190",[],"Chi mastica un po' la materia a questo punto obietta che il prompt di sistema è già in cache, ed è un'obiezione giusta, tanto che Shopify le dedica un capitolo intero.",[],{"_key":263,"_type":15,"children":264,"markDefs":269,"style":24},"g200",[265],{"_key":266,"_type":19,"marks":267,"text":268},"sg200",[],"Tutti i motori di serving moderni tengono una KV cache: le chiavi e i valori già calcolati per le sequenze viste in precedenza vengono conservati, e quando arriva una richiesta che contiene quella stessa sequenza, tipicamente proprio il prompt di sistema, i tensori si recuperano invece di ricalcolarli. Si chiama prefix caching, ed è una tecnica potente.",[],{"_key":271,"_type":15,"children":272,"markDefs":277,"style":24},"g210",[273],{"_key":274,"_type":19,"marks":275,"text":276},"sg210",[],"Solo che elimina il costo di ricalcolare il prompt, non quello di rileggerlo. Ogni volta che il modello genera un token, quel token deve guardare tutte le chiavi della sequenza, in cache o meno. E la generazione è limitata dalla banda di memoria, non dal calcolo: a ogni token prodotto l'intera KV cache va trasferita dalla memoria ad alta banda, e quella lettura cresce in modo lineare con la lunghezza della sequenza tenuta in cache. Un prompt messo in cache resta un prompt che va attraversato da capo a ogni token generato, e che intanto occupa banda che nessun altro può usare.",[],{"_key":279,"_type":15,"children":280,"markDefs":285,"style":24},"g220",[281],{"_key":282,"_type":19,"marks":283,"text":284},"sg220",[],"Il gisting taglia sia il costo delle operazioni di attenzione sia le letture della KV cache, e la seconda voce è quella che pesa di più sul throughput quando i batch si fanno grandi. Le due tecniche non si escludono, si sommano, e Shopify le usa entrambe in produzione.",[],{"_key":287,"_type":15,"children":288,"markDefs":293,"style":115},"g230",[289],{"_key":290,"_type":19,"marks":291,"text":292},"sg230",[],"La ricetta l'ha trovata un agente",[],{"_key":295,"_type":15,"children":296,"markDefs":310,"style":24},"g240",[297,301,306],{"_key":298,"_type":19,"marks":299,"text":300},"sg240a",[],"Per trovare i parametri giusti hanno puntato sul trainer un loop di ",{"_key":302,"_type":19,"marks":303,"text":305},"sg240b",[304],"mg02","autoresearch",{"_key":307,"_type":19,"marks":308,"text":309},"sg240c",[],", il metodo generalizzato internamente a partire dal progetto di Andrej Karpathy: un agente propone una ricetta, addestra i gist token, valuta il risultato, e ricomincia da capo. Tre ottimizzazioni hanno pesato più di tutte le altre.",[311],{"_key":304,"_type":97,"href":312},"https:\u002F\u002Fshopify.engineering\u002Fautoresearch",{"_key":314,"_type":15,"children":315,"markDefs":320,"style":24},"g250",[316],{"_key":317,"_type":19,"marks":318,"text":319},"sg250",[],"L'inizializzazione, prima di tutto. Invece di partire da vettori casuali, hanno spezzato il prompt di sistema in blocchi da k token, dove k è il rapporto di compressione e quindi quattro, e hanno inizializzato l'ennesimo gist token con la media dell'ennesimo blocco. Detto altrimenti: prima ancora di addestrare qualcosa, ogni token nuovo parte già assomigliando al pezzo di prompt che dovrà rimpiazzare. Questa singola scelta ha ridotto la loss iniziale di un fattore sette.",[],{"_key":322,"_type":15,"children":323,"markDefs":328,"style":24},"g260",[324],{"_key":325,"_type":19,"marks":326,"text":327},"sg260",[],"Poi il rapporto di compressione. Hanno provato una gamma di rapporti fino a individuare la soglia oltre la quale la qualità delle predizioni comincia a degradare. Per il loro dominio quella soglia è 4:1, e Shopify scrive a chiare lettere che per altri domini il numero è un altro: il quattro non è una costante universale, è il risultato di una misura fatta su quel problema lì.",[],{"_key":330,"_type":15,"children":331,"markDefs":336,"style":24},"g270",[332],{"_key":333,"_type":19,"marks":334,"text":335},"sg270",[],"Infine la quantità e la varietà dei dati, che hanno chiuso il divario rimasto.",[],{"_key":338,"_type":15,"children":339,"markDefs":344,"style":24},"g280",[340],{"_key":341,"_type":19,"marks":342,"text":343},"sg280",[],"Ci sono poi due dettagli di infrastruttura che da soli valgono la lettura dell'originale. Il primo riguarda come si normalizza la loss: mediando per token di risposta il modello allucinava, mentre mediando sul batch si preservava più segnale dalle risposte lunghe e i vettori venivano fuori stabili. Il secondo è mestiere puro: precalcolando i logit del maestro e pre-tokenizzando i dati, un run completo è passato da trenta ore a sei.",[],{"_key":346,"_type":15,"children":347,"markDefs":352,"style":115},"g290",[348],{"_key":349,"_type":19,"marks":350,"text":351},"sg290",[],"I numeri",[],{"_key":354,"_type":15,"children":355,"markDefs":360,"style":24},"g300",[356],{"_key":357,"_type":19,"marks":358,"text":359},"sg300",[],"Load test a 350 richieste al minuto, stesso modello, una volta con il prompt intero e una volta con i gist token al suo posto.",[],{"_key":362,"_type":15,"children":363,"markDefs":368,"style":24},"g310",[364],{"_key":365,"_type":19,"marks":366,"text":367},"sg310",[],"Il tempo al primo token, cioè quanto l'utente aspetta prima di vedere comparire qualcosa sullo schermo, è sceso da 438 a 354 millisecondi in mediana, il 19% in meno. La latenza end to end, cioè la risposta completa, è scesa da 6,8 a 4,2 secondi in mediana, il 38% in meno. Il throughput è salito da 20,2 a 23,4 query al secondo, il 16% in più, e a parità di hardware si producono circa il 12% di token in uscita al secondo in più.",[],{"_key":370,"_type":15,"children":371,"markDefs":376,"style":24},"g320",[372],{"_key":373,"_type":19,"marks":374,"text":375},"sg320",[],"Quel 38% sulla risposta completa è il numero che sente il merchant. Due secondi e mezzo in meno su una domanda al proprio negozio sono la differenza tra uno strumento che si usa tutti i giorni e uno che si apre una volta, si giudica lento, e non si riapre.",[],{"_key":378,"_type":15,"children":379,"markDefs":384,"style":24},"g330",[380],{"_key":381,"_type":19,"marks":382,"text":383},"sg330",[],"Il 16% sul throughput è invece il numero che vede chi firma i budget: si è tradotto in un 14% di GPU in meno per servire lo stesso traffico. E Shopify segnala che il divario si allarga man mano che la concorrenza delle richieste sale e i batch si fanno più grandi, il che vuol dire che l'ottimizzazione rende di più proprio nei momenti di picco, cioè esattamente quelli sui quali si dimensiona l'infrastruttura.",[],{"_key":386,"_type":15,"children":387,"markDefs":392,"style":115},"g340",[388],{"_key":389,"_type":19,"marks":390,"text":391},"sg340",[],"Dove si incastra il resto",[],{"_key":394,"_type":15,"children":395,"markDefs":409,"style":24},"g350",[396,400,405],{"_key":397,"_type":19,"marks":398,"text":399},"sg350a",[],"Il gisting è l'ultimo anello di un meccanismo più grande, descritto due settimane prima, il 5 agosto 2026, da Andrew McNamara e Cody Mazza-Anthony nel pezzo sul ",{"_key":401,"_type":19,"marks":402,"text":404},"sg350b",[403],"mg03","ciclo di apprendimento continuo di Sidekick",{"_key":406,"_type":19,"marks":407,"text":408},"sg350c",[],". Lì si racconta come le conversazioni andate male in produzione vengano ripescate, riparate da un collegio di modelli di frontiera, valutate da un giudice calibrato su annotazioni umane e infine rifuse dentro i pesi di un modello più piccolo e specializzato. Lo stesso meccanismo ha portato il costo di servizio stimato dell'agente GraphQL da circa 27 milioni di dollari l'anno su un modello di frontiera a circa 1 milione su quello specializzato, il 96% in meno, con qualità superiore al modello di partenza.",[410],{"_key":403,"_type":97,"href":411},"https:\u002F\u002Fshopify.engineering\u002Fsidekicks-continual-learning-loop",{"_key":413,"_type":15,"children":414,"markDefs":419,"style":24},"g360",[415],{"_key":416,"_type":19,"marks":417,"text":418},"sg360",[],"E c'è una proprietà ulteriore che chiude il cerchio: una volta ottenuti i gist token distillati, quel modello diventa il nuovo punto di partenza. Si continua ad addestrare usando i gist token come prefisso e si applicano gli aggiornamenti sia ai pesi del modello sia ai gist token stessi, così il sistema si ricalibra sui dati nuovi senza dover ridistillare la compressione da zero a ogni giro.",[],{"_key":421,"_type":15,"children":422,"markDefs":427,"style":115},"g370",[423],{"_key":424,"_type":19,"marks":425,"text":426},"sg370",[],"Che cosa significa, concretamente",[],{"_key":429,"_type":15,"children":430,"markDefs":435,"style":24},"g380",[431],{"_key":432,"_type":19,"marks":433,"text":434},"sg380",[],"Per chi vende su Shopify il significato è diretto e circoscritto: gli agenti AI dentro l'admin rispondono più in fretta, e costano abbastanza poco da poter restare accesi per tutti i merchant invece di diventare un add on da vendere a parte. Shopify chiude il pezzo scrivendo che il gisting è ormai il loro standard, quindi la stessa compressione è destinata agli altri agenti, non solo a quello GraphQL.",[],{"_key":437,"_type":15,"children":438,"markDefs":443,"style":24},"g390",[439],{"_key":440,"_type":19,"marks":441,"text":442},"sg390",[],"Per chi costruisce sopra il commercio, agenzie e team interni, il discorso va fatto con onestà: il gisting non si può applicare sopra un'API commerciale. Serve accesso alla matrice di embedding e al tokenizer, quindi serve un modello che ci si serve in casa. Questa è una lettura del meccanismo descritto, non un'affermazione di Shopify, ma discende direttamente da come la tecnica è fatta.",[],{"_key":445,"_type":15,"children":446,"markDefs":451,"style":24},"g400",[447],{"_key":448,"_type":19,"marks":449,"text":450},"sg400",[],"Quello che invece si porta a casa chiunque stia mettendo un agente in produzione, anche sopra un'API chiusa, è il modo di ragionare. Il prompt di sistema è la voce di costo che cresce in silenzio: ogni istruzione che si aggiunge per sistemare un comportamento storto è un costo ricorrente su tutte le richieste future, e nella pratica le istruzioni si aggiungono sempre e non si tolgono quasi mai. Sapere quanto pesa oggi quel prompt, e quanto pesa ogni riga che gli si aggiunge, è già metà del lavoro; comprimerlo viene dopo, e solo se si ha il modello in mano.",[],{"_key":453,"_type":15,"children":454,"markDefs":459,"style":115},"g410",[455],{"_key":456,"_type":19,"marks":457,"text":458},"sg410",[],"Le fonti",[],{"_key":461,"_type":15,"children":462,"level":490,"listItem":491,"markDefs":492,"style":24},"g420",[463,467,472,477,481,486],{"_key":464,"_type":19,"marks":465,"text":466},"sg420a",[],"I",{"_key":468,"_type":19,"marks":469,"text":471},"a54706cc6982",[470],"em"," numeri di questo pezzo vengono da due articoli del blog di ingegneria di Shopify che si confermano a vicenda: ",{"_key":473,"_type":19,"marks":474,"text":476},"sg420b",[475,470],"mg04","Gisting: Compressing LLM Agent context to increase throughput and reduce cost",{"_key":478,"_type":19,"marks":479,"text":480},"sg420c",[470]," di Cody Mazza-Anthony e Paige Vegna, del 19 agosto 2026, e ",{"_key":482,"_type":19,"marks":483,"text":485},"sg420d",[484,470],"mg05","Sidekick's continual learning loop",{"_key":487,"_type":19,"marks":488,"text":489},"sg420e",[470]," di Andrew McNamara e Cody Mazza-Anthony, del 5 agosto 2026.",1,"bullet",[493,494],{"_key":475,"_type":97,"href":98},{"_key":484,"_type":97,"href":411},{"_key":496,"_type":15,"children":497,"level":490,"listItem":491,"markDefs":519,"style":24},"14667f02c6ef",[498,501,506,510,515],{"_key":487,"_type":19,"marks":499,"text":500},[470],"Sull'origine della tecnica, Shopify cita ",{"_key":502,"_type":19,"marks":503,"text":505},"sg430b",[504,470],"mg06","Prompt Compression and Contrastive Conditioning for Controllability and Toxicity Reduction in Language Models",{"_key":507,"_type":19,"marks":508,"text":509},"sg430c",[470]," di Wingate, Shoeybi e Sorensen, del 2022, mentre il termine gist token si deve a ",{"_key":511,"_type":19,"marks":512,"text":514},"sg430d",[513,470],"mg07","Learning to Compress Prompts with Gist Tokens",{"_key":516,"_type":19,"marks":517,"text":518},"sg430e",[470]," di Mu, Li e Goodman, del 2023, citato nel pezzo sull'apprendimento continuo.",[520,522],{"_key":504,"_type":97,"href":521},"https:\u002F\u002Farxiv.org\u002Fabs\u002F2210.03162",{"_key":513,"_type":97,"href":523},"https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.08467",{"_key":525,"_type":15,"children":526,"markDefs":531,"style":115},"grelh2",[527],{"_key":528,"_type":19,"marks":529,"text":530},"sgrelh2",[],"Da leggere anche",[],{"_key":533,"_type":15,"children":534,"markDefs":557,"style":24},"grelp",[535,539,544,548,553],{"_key":536,"_type":19,"marks":537,"text":538},"sgrelp01",[],"Il gisting è infrastruttura, e l'infrastruttura si capisce meglio guardando che cosa regge. Sopra ci sta ",{"_key":540,"_type":19,"marks":541,"text":543},"sgrelp02",[542],"mgr01","Sidekick, l'assistente AI dentro l'admin di Shopify",{"_key":545,"_type":19,"marks":546,"text":547},"sgrelp03",[],", che di quegli agenti è la faccia che il merchant vede tutti i giorni. Sopra ancora c'è il ",{"_key":549,"_type":19,"marks":550,"text":552},"sgrelp04",[551],"mgr02","commercio agentico",{"_key":554,"_type":19,"marks":555,"text":556},"sgrelp05",[],", cioè il modo in cui si vende dentro le risposte degli assistenti, che è poi la ragione per cui quei costi di inferenza vale la pena pagarli.",[558,560],{"_key":542,"_type":97,"href":559},"\u002Fpost\u002Fshopify-sidekick",{"_key":551,"_type":97,"href":561},"\u002Fpost\u002Fcommercio-agentico-shopify",[563,589],{"_id":564,"_type":34,"author":565,"category":578,"date":580,"excerpt":581,"mainImage":582,"slug":586,"title":588},"7c2c63e7-1eba-4a51-aa4f-90897c84194f",{"_createdAt":37,"_id":38,"_rev":39,"_system":566,"_type":43,"_updatedAt":44,"bio":568,"name":54,"picture":574,"showTop":25,"slug":576,"socials":577},{"base":567},{"id":38,"rev":42},[569],{"_key":47,"_type":15,"children":570,"markDefs":573,"style":24},[571],{"_key":50,"_type":19,"marks":572,"text":52},[],[],{"_type":56,"alt":54,"asset":575},{"_ref":58,"_type":59},{"_type":61,"current":62},{"_type":64,"facebook":65,"linkedin":66,"x_twitter":67},{"_createdAt":69,"_id":70,"_rev":71,"_type":72,"_updatedAt":73,"description":74,"name":75,"slug":579},{"_type":61,"current":77},"2026-06-19T09:00:00.000Z","Cos'è Shopify Sidekick, l'assistente AI nativo per il commercio: cosa fa nell'admin, le app di terze parti, Sidekick Pulse e gli insight su ogni dispositivo.",{"_type":56,"alt":583,"asset":584},"Sidekick l'assistente naturale di Shopify | Foto AI generated",{"_ref":585,"_type":59},"image-5884ed097f44ada9776ac9904ea118d1933e98fb-1672x941-png",{"_type":61,"current":587},"shopify-sidekick","Shopify Sidekick: l'assistente AI che gestisce l'ecommerce dall'admin",{"_id":590,"_type":34,"author":591,"category":604,"date":580,"excerpt":606,"mainImage":607,"slug":611,"title":613},"bc59cdb5-b4a3-4d7c-a09c-a538a9cc81f1",{"_createdAt":37,"_id":38,"_rev":39,"_system":592,"_type":43,"_updatedAt":44,"bio":594,"name":54,"picture":600,"showTop":25,"slug":602,"socials":603},{"base":593},{"id":38,"rev":42},[595],{"_key":47,"_type":15,"children":596,"markDefs":599,"style":24},[597],{"_key":50,"_type":19,"marks":598,"text":52},[],[],{"_type":56,"alt":54,"asset":601},{"_ref":58,"_type":59},{"_type":61,"current":62},{"_type":64,"facebook":65,"linkedin":66,"x_twitter":67},{"_createdAt":69,"_id":70,"_rev":71,"_type":72,"_updatedAt":73,"description":74,"name":75,"slug":605},{"_type":61,"current":77},"Come Shopify porta i prodotti dentro le conversazioni AI: Agentic Storefronts, protocollo UCP, Shopify Catalog, Shop Pay, chi è idoneo e cosa deve fare un merchant.",{"_type":56,"alt":608,"asset":609},"Commercio Agentico Shopify | Foto AI generated",{"_ref":610,"_type":59},"image-8c24afcaf08ae0c6417c8629cedf3981860c6110-1376x768-png",{"_type":61,"current":612},"commercio-agentico-shopify","Commercio agentico: come si vende dentro l'AI con Shopify","2026-08-20T21:00:00.000Z","Shopify ha ridotto il prompt di sistema del suo agente GraphQL da circa 6.000 a circa 1.500 token, senza perdere qualità: 38% di latenza in meno e 14% di GPU in meno. Come funziona il gisting.",{"name":617,"slug":618},"Commercio agentico e agenti AI su Shopify","commercio-agentico-agenti-ai",false,{"_type":56,"alt":621,"asset":622,"originalFilename":624},"Gisting come Shopify ha compresso il prompt | Foto AI generated",{"_ref":623,"_type":59},"image-83e401161aeaf1c49dcb6861959f598c8c70c35d-2752x1536-jpg","Gisting come Shopify ha compresso il prompt .jpg","ecommerce-manager","spoke",{"_type":628,"metadescription":629,"metatitle":630},"seoBlock","Che cos'è il gisting, come Shopify ha portato il prompt del suo agente GraphQL da 6.000 a 1.500 token, i numeri del load test e cosa significa per chi vende.","Gisting: Shopify comprime il prompt dei suoi agenti AI",{"_type":61,"current":632},"gisting-shopify-compressione-prompt-agenti","awareness",[635,665],{"_createdAt":636,"_id":637,"_rev":638,"_system":639,"_type":642,"_updatedAt":643,"color":644,"kind":661,"name":662,"slug":663},"2024-06-11T12:45:34Z","b9115d95-5820-48db-995d-8b39f425bdb6","fU1GG1h0UZ892Cv6evsu5w",{"base":640},{"id":637,"rev":641},"UyIlhJR5EcC5pBaoT7jvOC","tag","2026-07-15T19:00:31Z",{"_type":645,"alpha":490,"hex":646,"hsl":647,"hsv":652,"rgb":656},"color","#dc880d",{"_type":648,"a":490,"h":649,"l":650,"s":651},"hslaColor",35.65217391304348,0.45686274509803926,0.8884120171673819,{"_type":653,"a":490,"h":649,"s":654,"v":655},"hsvaColor",0.9409090909090909,0.8627450980392157,{"_type":657,"a":490,"b":658,"g":659,"r":660},"rgbaColor",13,136,220,"platform","Shopify",{"_type":61,"current":664},"shopify",{"_createdAt":666,"_id":667,"_rev":668,"_system":669,"_type":642,"_updatedAt":672,"color":673,"description":686,"kind":687,"name":688,"pillar":689,"slug":691},"2026-07-14T18:23:04Z","f87aa443-47c3-4a7e-ab69-c920892d9a3e","hpP3rEiUiHp1mlB0Nf8wBU",{"base":670},{"id":667,"rev":671},"4Z6QTMIi6r6Fqg59Q2I8HJ","2026-07-16T10:01:10Z",{"_type":645,"alpha":490,"hex":674,"hsl":675,"hsv":679,"rgb":682},"#478fb2",{"_type":648,"a":490,"h":676,"l":677,"s":678},199.99999999999997,0.48915971999999996,0.4281633818908884,{"_type":653,"a":490,"h":676,"s":680,"v":681},0.5996,0.6986,{"_type":657,"a":490,"b":683,"g":684,"r":685},178,143,71,"Il commercio spostato dentro le conversazioni: agenti AI che cercano, confrontano e in parte comprano per conto del cliente, i protocolli che lo rendono possibile (MCP, ACP, AP2, UCP), cosa sta già succedendo sul mercato e come Shopify si sta posizionando come infrastruttura per questo nuovo canale. Include anche gli strumenti di automazione conversazionale lato merchant, dai chatbot agli assistenti nativi come Shopify Sidekick, fino all'intelligenza artificiale applicata alla gestione quotidiana del negozio.","cluster","AI e automazione",{"_ref":690,"_type":59,"_weak":25},"intelligenza-artificiale-ecommerce",{"_type":61,"current":692},"ai-automazione","Gisting: come Shopify ha compresso il prompt dei suoi agenti da 6.000 a 1.500 token",{"data":695,"sourceMap":-1},{"categories":696,"clusters":707},[697,702,703],{"_id":698,"_type":699,"name":700,"slug":701},"26f5f963-f363-481e-b28b-a6a8eb3333a2","page",null,"page-01",{"_id":70,"_type":72,"name":75,"slug":77},{"_id":704,"_type":72,"name":705,"slug":706},"afa06101-fcb3-4ccc-9911-5a71710f8303","Digital","digital",[708,709,713,717,721,725,729,733,737,741,745,749,753],{"_id":667,"name":688,"slug":692},{"_id":710,"name":711,"slug":712},"2d96f075-f23c-4b70-81fe-0bc25154f351","B2B e wholesale","b2b-wholesale",{"_id":714,"name":715,"slug":716},"078b27bf-bec0-4f0a-b7d1-7bdc7c5c173a","CRM e HubSpot","crm-hubspot",{"_id":718,"name":719,"slug":720},"c8ec620d-47ae-43f8-9cda-4e7a58adc807","CRO, retention e marketing","cro-retention-marketing",{"_id":722,"name":723,"slug":724},"ea8a8772-cbac-44f8-b00a-f8a44410d67c","Checkout e pagamenti","checkout-pagamenti",{"_id":726,"name":727,"slug":728},"eea4e0e2-d793-45f4-b234-fc0290ae2825","Design, UX e contenuti prodotto","design-ux-prodotto",{"_id":730,"name":731,"slug":732},"25f3e65c-24ce-48f1-b7fc-850d0bb2320b","Integrazioni, ERP, PIM, OMS","integrazioni-erp-pim-oms",{"_id":734,"name":735,"slug":736},"6a5e3ac7-e7bf-449b-bb16-c81ff40b7d52","Internazionalizzazione e Markets","internazionalizzazione-markets",{"_id":738,"name":739,"slug":740},"d4e19d3c-eade-42c3-b671-2b67c3e9dd9f","Piattaforma Shopify","piattaforma-shopify",{"_id":742,"name":743,"slug":744},"2665f19a-ee35-4727-9dcf-7b8eade827b5","Replatforming e migrazioni","replatforming-migrazioni",{"_id":746,"name":747,"slug":748},"a143c910-28a1-4595-b276-ba24b3b958f0","SEO e GEO per ecommerce","seo-geo-ecommerce",{"_id":750,"name":751,"slug":752},"e2a8657a-0b93-41f5-9168-ea34c44fe604","Shopify Plus & enterprise","shopify-plus-enterprise",{"_id":754,"name":755,"slug":756},"789ee9e4-a5e7-4472-9444-781ed30e80dd","Strategia ecommerce","strategia-ecommerce"]