Con SoduWork una richiesta finisce quando firma chi l'ha chiesta, non quando si ferma la chat

Il README si apre con una frase che è anche la specifica del prodotto: una chat finisce con una risposta, una richiesta di SoduWork finisce quando firma la persona che l'ha fatta.
È una riformulazione minima con conseguenze grosse. Se una richiesta si chiude solo con la firma, allora «fatto» va definito prima di iniziare, qualcuno diverso dall'autore deve controllare, e tutta la faccenda deve lasciare traccia. SoduWork, di mdiri-ai, infila questi tre requisiti in un unico pool condiviso di richieste. Ha toccato 6.170 stelle dopo il lancio del 29 ottobre 2026 ed è in beta pubblica.
Com'è fatta una richiesta
Apri una richiesta con un obiettivo, gli input e i criteri di accettazione. Un passaggio di IA può rifinire la formulazione e aggiungere criteri che hai dimenticato. Poi la assegni, a te stesso, a un collega o a un agent, e l'harness di chi la riceve la esegue.
Quando il lavoro torna indietro, una revisione IA separata controlla ogni criterio. Se qualcosa non passa, il lavoro torna con i motivi allegati. Se passa tutto, chi ha eseguito conferma e chi ha chiesto firma. Solo a quel punto la richiesta si chiude.
Lo schema nel repo ha sei riquadri e una linea tratteggiata: apri, rifinisci, assegna, esegui, revisiona, firma, poi salva come plugin. La linea tratteggiata torna dal salvataggio all'esecuzione, perché il plugin si riusa.
Un harness esegue, un altro revisiona
L'harness è il runtime dell'agent, non il modello. SoduWork ne collega nove dietro un'unica interfaccia di adattatore: Pi, OpenCode, DeepSeek Harness, Qwen Code, Kimi Code, Codex Harness, Codex e altri due dietro dichiarazioni di catalog. Un programma che parla Agent Client Protocol si aggiunge descrivendolo.
La conseguenza di progetto è che chi revisiona non deve essere chi scrive. Metti Pi con un modello a fare il lavoro, poi fai revisionare OpenCode con un altro modello contro i criteri. Due harness diversi, due modi diversi di sbagliare, e una revisione che non è un modello che si corregge i compiti da solo.
Puoi anche cambiare harness a metà conversazione tenendo la cronologia e la cartella di lavoro. Sembra una comodità finché non passi una settimana con tre strumenti e un cassetto pieno di abbonamenti; a quel punto è il motivo per usare una sola workbench.
Da una buona esecuzione a un asset del team
La seconda metà del ciclo è la parte che i team di solito saltano. Quando tu e l'IA azzeccate un compito, salvi la conversazione come plugin. Il plugin passa in revisione, viene concesso a un team o a una persona e può essere revocato. Chiunque nel team può eseguirlo e proporre miglioramenti.
La promessa è che la conoscenza smette di morire dentro un thread di chat. La versione realistica: un plugin è un metodo salvato, e un metodo vale quanto vale la sua revisione. SoduWork rende la revisione un cancello invece di un suggerimento, che è più di quanto faccia la maggior parte dei sistemi di plugin.
Sotto a tutto c'è la governance: ruoli, utilizzo, costi e registro di audit, self-hosted. Chi ha chiesto, chi ha fatto, quale plugin è girato, chi ha approvato. Se sei la persona che deve rispondere a «perché l'agent ha mandato quella mail», questa è la tabella che vuoi.
Come si avvia
Dai sorgenti servono Python 3.12.x e Node 22.x (22.19.0 o successivo in quella serie), più Git. Cloni il repo e avvii:
sh start.sh --desktop # macOS / Linux
.\start.cmd --desktop # Windows PowerShell
Il primo avvio installa le dipendenze e accende Hub, console di amministrazione e client desktop sulla stessa macchina. Imposti una password per l'account admin, da 12 a 128 caratteri, poi aggiungi un provider di modelli in Model catalog.
È il passaggio in cui la gente sbaglia, e il README lo segnala: salvare una credenziale di servizio non crea un modello. Devi aprire il servizio che hai collegato, scegliere Add model, incollare il model ID esatto del provider e marcarlo come chat model. Pi usa il catalog di SoduWork; Codex usa un account proprio, vuole un accesso separato e non eredita la API key che hai appena aggiunto.
Per un team, Docker tira su tutto lo stack:
python3 ops/self-host/deploy.py up
python3 ops/self-host/deploy.py credentials
Così partono Hub, console di amministrazione e PostgreSQL su un solo server. Davanti metti un reverse proxy HTTPS e distribuisci l'indirizzo. I client desktop per Windows, macOS e Linux sono nelle Releases, e la schermata di accesso ha un campo Connection dove incollare l'URL dell'Hub.
C'è una demo ospitata su service.soduwork.ai se vuoi guardare prima di installare. Il README dice chiaro che serve solo per la valutazione e che non va caricato nessun dato aziendale reale.
Dove cederà
Quattro cose da pesare.
La revisione resta un modello linguistico. «Una revisione IA separata controlla ogni criterio» è un miglioramento vero rispetto all'autovalutazione, e non è verifica. Un criterio come «l'export contiene tutte le 47 righe» è controllabile; uno come «il tono corrisponde al nostro brand» è l'opinione di un modello con una checklist incollata sopra. La qualità di tutto il ciclo è la qualità dei tuoi criteri di accettazione, e quella è capacità di scrittura, non una funzione del prodotto.
Nove harness sono nove volte la manutenzione. Gli adattatori marciscono. Quello che rilascia più in fretta si rompe per primo, e le parti che ne dipendono (plugin, revisione, cronologia) si rompono con lui. Un team piccolo può tenere onesti due o tre adattatori e smetterà di testare gli altri senza accorgersene.
C'è anche un problema di categoria. SoduWork compete insieme con tracker di progetto, orchestratori di agent e client di chat, e ognuno si porta dietro dieci anni di aspettative. Mettere una richiesta in SoduWork significa non metterla in Linear, e l'agent potrebbe essere l'unico partecipante a preferire il nuovo strumento.
Beta vuol dire beta. Beta pubblica, da valutare prima della produzione, nessuna certificazione di conformità citata. Il self-hosting è la risposta giusta per i team a cui importa dove stanno i dati, e significa anche che gli aggiornamenti te li gestisci tu.
L'adozione è il vero cancello. Un pool di richieste funziona solo se la gente ci mette le richieste. Dieci ingegneri con dieci finestre di chat private aggirano qualsiasi workbench, e il registro di audit resterà vuoto e accurato.
L'idea da copiare
Fissa l'asticella prima di iniziare. Falla controllare a qualcun altro. Fai firmare una persona. Salva quello che ha funzionato.
Nessuna delle quattro è nuova. È così che lavorano da sempre agenzie, redazioni e reparti QA, ed è esattamente quello che le interfacce di chat hanno tolto. SoduWork le rimette a posto e ti lascia scegliere quale runtime dell'agent batte i tasti.
Se gestisci un team piccolo e la lamentela ricorrente è «l'agent ha detto che era finito e non lo era», il campo dei criteri di accettazione è la parte più economica da copiare, con o senza il software.
Articoli correlati
Un server, una streamer IA: dentro il codice che manda avanti una diretta notturna
open-yoki è il codice di produzione di una host IA che va in diretta ogni sera su Binance Square, con persona, voce e funzioni legate al denaro rimosse. headless Chrome disegna il frame, ffmpeg spinge RTMP, una cartella di Markdown decide umore e post.
Pinky lascia che un agent guidi il tuo telefono e tiene premuto Invia finché non tocchi Consenti
Pinky collega qualsiasi agent MCP a un iPhone o Android vero e impone l'approvazione nel proprio gateway invece che in un prompt. Le app bancarie sono invisibili, i campi password sono off limits e su Android 13 l'agent riceve un secondo schermo nascosto.
AnyModelBot mette un piccolo team di bot IA sulla tua macchina, chiavi comprese
AnyModelBot è un'app desktop che fa girare più bot insieme, ognuno con la sua persona, il suo modello, la sua cartella di lavoro e la sua memoria. Ci parli dentro l'app oppure da WeChat, Feishu, Telegram, Slack e Discord, e file, cronologia e chiavi API restano sul tuo disco.
SeedRealtime di ByteDance prende due frame al secondo e decide quando parlare
Doubao-Seed-Realtime-1.0 mette frame di camera, frame di schermo e voce in un'unica sessione full duplex, a non più di due frame al secondo. Le decisioni interessanti sono la frequenza dei frame, il parlato proattivo e la risposta di audit attiva di serie.