Il panorama dello sviluppo assistito dall'IA, un tempo un campo nascente dominato dalla semplice autocompletamento, è maturato in un ecosistema sofisticato di agenti intelligenti e partner di coding profondamente integrati. All'inizio del 2026, la discussione si è spostata da se l'IA può codificare a quanto efficacemente si integra in flussi di lavoro complessi, quali modelli architetturali abilita e dove risiedono i confini del controllo. Avendo trascorso un tempo considerevole valutando le ultime iterazioni di GitHub Copilot, Cursor e Codeium, è chiaro che ogni piattaforma sta ritagliando nicchie distinte, spingendo i confini di ciò che gli sviluppatori possono aspettarsi dai loro collaboratori digitali. I numeri raccontano una storia interessante, rivelando sia progressi impressionanti che sfide persistenti che richiedono la nostra attenzione.
GitHub Copilot: Flussi di Lavoro Agentici e Diversità dei Modelli
GitHub Copilot, un pilastro nello spazio del coding con l'IA, ha evoluto significativamente le sue capacità, andando oltre la semplice completamento di riga per abbracciare flussi di lavoro agentici e un backend di modelli più diversificato. I recenti aggiornamenti alla fine del 2025 e all'inizio del 2026 evidenziano una spinta strategica verso l'empowerment degli sviluppatori con l'esecuzione automatica delle attività e un controllo granulare sui modelli di IA sottostanti.
Miglioramenti della CLI e Framework Agent
La copilot-cli si è trasformata in un'interfaccia robusta per interagire con le capacità agentiche di Copilot. Gli sviluppatori possono ora sfruttare agent specializzati, integrati, per scaricare attività comuni e dispendiose in termini di tempo direttamente dalla riga di comando. Ad esempio, l'agente /explore facilita una rapida analisi del codebase, consentendo agli sviluppatori di interrogare il loro progetto per modelli o funzionalità specifici senza dover attraversare manualmente le directory. L'agente /task esegue comandi come test e build, fornendo riepiloghi concisi in caso di successo e output dettagliati in caso di fallimento. L'agente /plan aiuta a creare strategie di implementazione analizzando le dipendenze del codice e gli elementi strutturali, mentre /code-review offre feedback con un elevato rapporto segnale/rumore sulle modifiche, concentrandosi su problemi reali.
Questi agenti sono progettati per operare in parallelo e possono delegare attività l'uno all'altro, formando flussi di lavoro complessi. Ad esempio, uno sviluppatore potrebbe istruire Copilot a "implementare un nuovo flusso di autenticazione" e il sistema potrebbe automaticamente coinvolgere l'agente /plan per delineare le modifiche architetturali, quindi delegare agli agenti /task per creare nuovi file e infine utilizzare /code-review per garantire che il codice generato aderisca alle migliori pratiche. La CLI fornisce anche una selezione diretta del modello tramite /model o il flag --model, consentendo agli utenti Copilot Pro/Pro+ di scegliere tra i modelli disponibili e persino abilitare quelli disabilitati tramite impostazioni di policy, tutto senza lasciare l'ambiente della riga di comando. Questo livello di integrazione semplifica le operazioni, riducendo al minimo il cambio di contesto e consentendo agli sviluppatori di mantenere il flusso all'interno della loro interfaccia a riga di comando preferita.
Gestione e Personalizzazione dei Modelli
Uno sviluppo significativo nell'architettura di Copilot è il supporto ampliato per modelli diversi e personalizzabili. GitHub Copilot ora integra una gamma di modelli avanzati, tra cui GPT-5, GPT-5 mini, GPT-4.1, Gemini 3 Flash, Gemini 3 Pro, Claude Opus 4.5, Claude Sonnet 4 e Grok Code Fast 1, tra gli altri. Questo approccio multi-modello consente a Copilot di selezionare dinamicamente il modello più appropriato per un determinato compito, bilanciando velocità, efficienza dei costi, accuratezza, ragionamento e capacità multimodali. Ad esempio, un rapido completamento inline potrebbe sfruttare un modello più piccolo e veloce, mentre un compito di refactoring complesso potrebbe essere indirizzato a un modello più potente e focalizzato sul ragionamento come GPT-5 o Gemini 3 Pro.
Oltre alle offerte predefinite, GitHub ha introdotto "Bring Your Own Model (BYOM)" e la messa a punto personalizzata dei modelli. Questa funzionalità, disponibile in beta pubblica, consente alle organizzazioni di addestrare Copilot sulle proprie codebase proprietarie, incluse librerie interne, linguaggi specializzati e modelli di codifica consolidati. Il processo prevede la selezione di repository specifici per l'addestramento, con il modello perfezionato sui rami predefiniti. Questa messa a punto migliora significativamente la pertinenza e l'accuratezza dei suggerimenti, adattando l'output di Copilot alle pratiche di codifica uniche di un'organizzazione. Inoltre, le organizzazioni possono scegliere di consentire la raccolta di snippet di codice e telemetria dai prompt e dalle risposte degli sviluppatori per perfezionare ulteriormente il modello personalizzato, garantendo che si allinei a uno stile di codifica interno in evoluzione. Questa capacità è fondamentale per le aziende che danno priorità alla protezione della proprietà intellettuale e alla qualità del codice coerente in team di grandi dimensioni.
Cursor: L'IDE AI-First e l'Intelligenza Contestuale
Cursor si distingue come un ambiente di sviluppo integrato (IDE) AI-first, dove le capacità dell'IA non sono solo estensioni ma elementi costitutivi fondamentali dell'esperienza di sviluppo. Forked da VS Code, Cursor mantiene la familiarità reinventando i flussi di lavoro principali attorno all'assistenza dell'IA.
Modello Fusion e Flussi di Lavoro Intuitivi
Al centro dell'intelligenza di Cursor c'è il suo "Fusion Model", che va oltre la semplice suggerimento di codice. Prevede in modo intelligente non solo quale codice scrivere, ma anche anticipa le decisioni di navigazione e modifica, guidando lo sviluppatore attraverso compiti complessi. Ad esempio, quando si dichiara un metodo fetchData() all'interno di una classe UserService, Cursor potrebbe proattivamente suggerire l'aggiunta di una chiamata API, la decodifica di JSON o la gestione delle eccezioni, completi di un posizionamento del cursore appropriato.
Le caratteristiche principali che migliorano la produttività degli sviluppatori includono:
- Auto-Fix per Errori: Al rilevamento di errori di sintassi o logici, Cursor presenta un'opzione "Correggi questo" con un clic, offrendo correzioni di codice valide direttamente all'interno dell'editor.
- Anteprima e Refactoring Inline del Codice: Gli sviluppatori possono evidenziare un blocco di codice e chiedere a Cursor di refactorizzarlo, ricevendo un'anteprima inline delle modifiche generate dall'IA prima dell'applicazione. Questo è particolarmente utile per estrarre funzioni riutilizzabili o semplificare logiche complesse.
- Chat AI con Collegamenti Intelligenti ai Simboli: La funzionalità di chat integrata di Cursor consente agli sviluppatori di porre domande sul proprio codebase. In modo critico, le risposte della chat includono collegamenti cliccabili che navigano direttamente alle definizioni dei simboli (funzioni, variabili, classi) all'interno del progetto, riducendo drasticamente il tempo trascorso a cercare le dichiarazioni.
Questa profonda integrazione significa che Cursor non si limita ad assistere con la digitazione; partecipa attivamente al processo decisionale, rendendolo uno strumento potente per lo sviluppo di funzionalità complesse e il debug.
Rivoluzione degli Agenti e Contesto Persistente
Il significativo passo avanti di Cursor nel 2025 è stata la sua "Rivoluzione degli Agenti", che lo ha trasformato da un editor potenziato dall'IA a una piattaforma di sviluppo autonoma. L'introduzione di Agenti in Background consente a Cursor di eseguire attività in modo indipendente in parallelo, liberando gli sviluppatori di concentrarsi su altro lavoro. Questa evoluzione rispecchia le tendenze più ampie discusse in AI Agents 2025: Why AutoGPT and CrewAI Still Struggle with Autonomy, dove l'attenzione si sposta da semplici script al ragionamento autonomo.
Una caratteristica distintiva è BugBot, un revisore di Pull Request (PR) automatizzato che identifica in modo proattivo i problemi prima dell'unione del codice. BugBot non solo segnala i problemi, ma fornisce anche prompt "Fix in Cursor", consentendo agli sviluppatori di passare direttamente al codice problematico e applicare correzioni suggerite dall'IA. Questo riduce significativamente l'overhead delle revisioni del codice e migliora la qualità del codice nelle prime fasi del ciclo di sviluppo.
Inoltre, Cursor ha introdotto Memories, una funzionalità che consente al suo assistente AI di conservare fatti e contesto dalle conversazioni passate e di applicarli nelle sessioni future. Questo crea una base di conoscenza persistente per ogni progetto, eliminando la necessità di fornire ripetutamente dettagli specifici del progetto o convenzioni di codifica in ogni prompt. Combinato con il supporto per gli spazi di lavoro multi-root, che consente agli sviluppatori di lavorare contemporaneamente su più repository, Cursor fornisce un ambiente formidabile per la gestione di architetture complesse basate su microservizi.
Codeium: Prestazioni, Privacy e Scalabilità Aziendale
Codeium si è consolidata come un forte contendente concentrandosi sull'ampio supporto linguistico, la robusta consapevolezza del contesto e le fondamentali funzionalità di privacy di livello aziendale, incluse le opzioni di distribuzione self-hosted.
Consapevolezza del Contesto e Ampiezza Linguistica
Il punto di forza principale di Codeium risiede nella sua completa consapevolezza del contesto. A differenza degli strumenti che potrebbero considerare solo il file attualmente aperto, Codeium indicizza l'intero repository locale, comprendendo la struttura delle directory del progetto, i moduli importati e i modelli di codifica stabiliti. Questa comprensione a livello di progetto gli consente di generare suggerimenti profondamente contestuali e allineati con il codebase esistente, riducendo la probabilità di generare codice irrilevante o fuori schema.
Un elemento differenziante per Codeium è il suo ampio supporto linguistico, che copre oltre 70 linguaggi di programmazione. Ciò include linguaggi moderni popolari come Python, JavaScript, Java, C++, Rust e Go, ma si estende anche a linguaggi legacy o di nicchia aziendali come COBOL. Questa ampiezza rende Codeium particolarmente attraente per le aziende che gestiscono stack tecnologici diversi e intraprendono sforzi di modernizzazione. La capacità di fornire suggerimenti consapevoli del contesto in una così vasta gamma di linguaggi e paradigmi è una testimonianza del suo addestramento specializzato del modello.
Soluzioni Self-Hosted e IDE Windsurf
Per le aziende con requisiti di sicurezza e conformità rigorosi, Codeium offre vantaggi significativi attraverso le sue opzioni di distribuzione flessibili. A differenza delle soluzioni solo cloud, Codeium fornisce distribuzioni aziendali self-hosted, consentendo alle organizzazioni in settori sensibili come quello bancario, sanitario e della difesa di mantenere il proprio codice interamente all'interno della propria infrastruttura. Questo affronta preoccupazioni critiche relative alla residenza dei dati, alla protezione della proprietà intellettuale e a potenziali perdite di codice.
Codeium ha anche introdotto l'IDE "Windsurf", che tenta di colmare il divario tra copiloti AI e agenti autonomi. Windsurf fornisce un'esperienza editor integrata con un'interfaccia di gestione degli agenti, consentendo agli sviluppatori di delegare compiti complessi agli agenti AI mantenendo la supervisione e il controllo. Ciò consente l'automazione strategica, in cui l'IA gestisce il lavoro di routine e suggerisce i passaggi successivi, ma lo sviluppatore rimane al comando per decisioni e modifiche critiche.
Inoltre, la beta Context API di Codeium consente agli sviluppatori di integrare direttamente le capacità di ragionamento di Codeium nelle proprie piattaforme di sviluppo interne (IDP). Ciò consente l'automazione personalizzata e migliora gli strumenti interni esistenti con la comprensione del codebase di Codeium, facilitando soluzioni aziendali su misura.
Il Dilemma della Finestra di Contesto: Oltre il Numero Grezzo di Token
La corsa per finestre di contesto più ampie nei Large Language Models (LLM) è stata un tema prominente nel corso del 2025. Sebbene i modelli ora vantino limiti di token impressionanti, l'efficacia pratica di queste finestre massicce rimane una sfida tecnica sfumata.
Contesto Efficace vs. Token Massimi
Nel 2025, gli LLM di frontiera come Google Gemini 2.5 Pro/Flash, OpenAI GPT-4.1 Turbo e Claude Sonnet 4.5 hanno ampliato le loro finestre di contesto a 1 milione di token o più. Alcuni modelli, come Magic.dev's LTM-2-Mini, affermano addirittura di avere la sorprendente cifra di 100 milioni di token, teoricamente in grado di elaborare interi repository di codice. Tuttavia, il numero grezzo di token non equivale direttamente a una comprensione contestuale efficace.
La ricerca di Chroma e Factory.ai nel 2025 evidenzia un fenomeno critico noto come l'effetto "perso nel mezzo" e il generale degrado dell'attenzione. Le prestazioni del modello possono diventare sempre più inaffidabili all'aumentare della lunghezza dell'input, con un degrado significativo osservato oltre i 128.000-256.000 token, anche nei modelli che tecnicamente supportano 1 milione+ di token. Ciò significa che, sebbene un modello possa accettare un milione di token, la sua capacità di ragionare efficacemente su informazioni situate lontano dall'inizio o dalla fine di quella finestra di contesto diminuisce.
Implicazioni Architetturali
La sfida delle finestre di contesto non è una limitazione puramente software; è profondamente radicata nell'architettura transformer sottostante. Il costo computazionale del meccanismo di attenzione, che consente agli LLM di ponderare l'importanza di diversi token nella sequenza di input, cresce quadraticamente con la lunghezza della sequenza. Raddoppiare la lunghezza del contesto quadruplica i requisiti computazionali. Sebbene siano state sviluppate ottimizzazioni come FlashAttention per mitigare questi costi, non eliminano la sfida di scalabilità fondamentale.
Inoltre, il codice presenta complesse strutture uniche che le finestre di contesto basate su testo puro faticano a catturare. Il codice è un grafo altamente strutturato di dipendenze, gerarchie di ereditarietà e modelli architetturali. Gli embedding vettoriali, spesso utilizzati nei sistemi di recupero, tendono ad appiattire questa ricca struttura, perdendo relazioni critiche tra i componenti. Ad esempio, quando si esegue il debug di un endpoint API, un LLM deve comprendere non solo la definizione dell'endpoint, ma anche i suoi chiamanti, i modelli di dati che utilizza, i servizi con cui interagisce e i meccanismi di gestione degli errori in più file. Questo "ragionamento multi-hop" attraverso un codebase complesso e strutturato rimane un ostacolo significativo anche per le finestre di contesto più ampie.
Prestazioni Comparative: Latenza, Accuratezza e Costo
La valutazione degli assistenti di coding AI richiede un approccio multifaccettato, che vada oltre le esperienze aneddotiche a metriche concrete come latenza, accuratezza e il costo totale di proprietà. Il mercato nel 2025-2026 mostra una corsa al rialzo, con ogni strumento che presenta una proposta di valore unica.
Panoramica dei Benchmark
In vari scenari di coding del mondo reale - tra cui applicazioni React, API REST Python Django e microservizi Go - le metriche di performance raccontano una storia interessante.
- GitHub Copilot offre costantemente prestazioni solide nel completamento inline del codice e nella generazione di boilerplate. La sua maturità si traduce in un'elevata affidabilità e un comportamento prevedibile, rendendolo una scelta stabile per le attività di codifica quotidiane.
- Cursor generalmente guida il refactoring complesso e il ragionamento multi-file, ottenendo spesso tassi di accettazione più elevati per modifiche intricate. La sua "Composer mode" e la sua profonda comprensione a livello di progetto gli consentono di apportare modifiche coordinate a un codebase.
- Codeium, pur offrendo un livello gratuito generoso, mostra prestazioni sorprendentemente competitive per compiti di sviluppo di base o intermedi. Tuttavia, per sfide di programmazione astratte o altamente complesse, i suoi suggerimenti a volte mancano della sofisticazione delle alternative premium.
Analisi Costi-Benefici (Cloud vs. Locale)
Le implicazioni finanziarie degli assistenti di coding AI sono un fattore significativo sia per gli sviluppatori individuali che per le aziende.
- Le soluzioni basate su cloud come GitHub Copilot (10$/mese) e Cursor (20$/mese) offrono convenienza, facilità di configurazione e accesso ai modelli AI più avanzati e spesso proprietari in esecuzione su un'infrastruttura server massiccia. Tuttavia, per gli utenti pesanti, le tariffe mensili del cloud possono aumentare drasticamente.
- I modelli AI locali, spesso alimentati da LLM open source (ad esempio, Qwen, Code Llama) e strumenti come Ollama, offrono privacy completa e nessuna tariffa di abbonamento ricorrente. Il costo principale è un investimento hardware una tantum, in genere un PC da gaming con una GPU RTX 3060+. Per un team di 500 sviluppatori, la differenza di costo è notevole: un investimento hardware una tantum stimato di 1.200$ per sviluppatore rispetto a 114.000$ all'anno per GitHub Copilot Business.
Prompt Engineering & Context Engineering: Il Nuovo Skillset dello Sviluppatore
Man mano che gli assistenti di coding AI crescono in sofisticazione, la capacità di comunicare efficacemente con loro è diventata un'abilità critica. Questo va oltre il semplice prompting, evolvendosi in una disciplina più olistica di "context engineering".
Prompting Strutturato per il Coding AI
Il prompt engineering efficace è l'approccio sistematico alla progettazione e al perfezionamento delle istruzioni per gli LLM per ottenere risultati precisi e desiderati. Per le attività di codifica, un framework a quattro elementi si è dimostrato altamente efficace:
- Intento Chiaro: Indica esplicitamente l'obiettivo nella prima frase.
- Contesto Specifico: Fornisci l'ambiente tecnico, inclusi stack, modelli esistenti e file pertinenti.
- Risultato Desiderato: Definisci chiari criteri di successo.
- Indicatori di Qualità: Specifica gli standard per prestazioni, sicurezza e test.
Le tecniche avanzate come il Meta-prompting implicano la richiesta all'IA di analizzare lo spazio del problema prima di generare il codice. Invece di "costruisci X", il prompt diventa "quali sono i modi migliori per costruire X e quale dovremmo scegliere?". Questo rispecchia la sessione di brainstorming di uno sviluppatore umano, portando a soluzioni più robuste e ben ponderate.
Dal Prompting al Context Engineering
Con l'ascesa di agenti AI capaci che operano su più turni e orizzonti temporali più lunghi, l'attenzione si è ampliata dai singoli prompt al context engineering. Ciò comporta la gestione dell'intero stato del contesto disponibile per l'LLM in qualsiasi momento. Questo stato include:
- Istruzioni di sistema: Direttive di alto livello per il ruolo e il comportamento dell'IA.
- Strumenti: Definizioni ed esempi di utilizzo per funzioni o API esterne che l'IA può chiamare.
- Protocollo di Contesto del Modello (MCP): Un modo standardizzato per gli IDE e altri strumenti di comunicare snippet di codice pertinenti.
- Dati Esterni: Informazioni recuperate da database, documentazione o risultati di ricerca.
Sicurezza, Privacy e Data Governance: Imperativi Aziendali
L'adozione diffusa di assistenti di coding AI, in particolare all'interno di ambienti aziendali, ha portato a importanti problemi di sicurezza e privacy in primo piano. Le organizzazioni richiedono controlli robusti sulla loro proprietà intellettuale e sul codice sensibile.
Residenza dei Dati e Protezione della Proprietà Intellettuale
Per molte aziende, la posizione e la gestione del proprio codice proprietario sono non negoziabili. Gli assistenti di coding AI basati su cloud, per loro natura, inviano snippet di codice e contesto a server remoti per l'elaborazione. Sebbene i fornitori come GitHub offrano Copilot Business con garanzie sulla residenza dei dati, l'atto fondamentale di trasmettere codice solleva ancora preoccupazioni per i settori altamente regolamentati.
È qui che soluzioni come le opzioni di distribuzione self-hosted di Codeium diventano fondamentali. Consentendo al modello AI di funzionare interamente all'interno della propria rete, Codeium elimina il rischio che il codice lasci l'ambiente controllato dall'azienda. Questo fornisce una soluzione air-gapped che garantisce che la proprietà intellettuale rimanga protetta e aderisca a rigorose politiche di governance dei dati.
Addestramento del Modello e Telemetria
Una preoccupazione persistente con gli assistenti di coding AI è come il codice dell'utente viene utilizzato per l'addestramento del modello. Gli sviluppatori temono che il loro codice proprietario contribuisca inavvertitamente a modelli pubblici o sia esposto ad altri utenti. I fornitori hanno risposto offrendo politiche più chiare e opzioni di configurazione.
GitHub Copilot, ad esempio, consente alle organizzazioni che utilizzano modelli personalizzati di scegliere esplicitamente se i dati di telemetria devono essere utilizzati per un ulteriore perfezionamento. Allo stesso modo, Codeium enfatizza i controlli sulla privacy, incluse le politiche di conservazione dei dati zero opzionali. Questi controlli sono fondamentali per creare fiducia e consentire l'adozione aziendale, dove l'auditabilità e le chiare pratiche di gestione dei dati sono fondamentali.
Approfondimenti degli Esperti: L'Architettura di Coding AI Ibrida
La traiettoria degli strumenti di coding AI punta decisamente verso un modello architetturale ibrido, in cui i sistemi AI locali e basati su cloud coesistono e si completano a vicenda all'interno del flusso di lavoro di uno sviluppatore. Non si tratta solo di comodità; sta diventando una necessità pratica guidata da un equilibrio pragmatico tra privacy, prestazioni e capacità all'avanguardia.
Stiamo assistendo all'emergere di livelli di orchestrazione sofisticati che instradano in modo intelligente le attività di analisi e generazione del codice. Immagina un sistema in cui il completamento di boilerplate e le refactoring banali vengono gestiti da un LLM locale più piccolo e ottimizzato in esecuzione sulla GPU della tua workstation, offrendo una latenza inferiore a 50 ms. Per modifiche architetturali complesse e multi-file, il sistema scarica automaticamente l'attività su un modello basato su cloud più potente. Puoi utilizzare questo convertitore da JSON a YAML per assicurarti che i tuoi file di configurazione siano formattati correttamente per ambienti diversi.
Questa configurazione guidata consente alle organizzazioni di applicare policy sull'esfiltrazione dei dati, gestire i costi e ottimizzare le prestazioni in base alla complessità del compito e alle risorse locali disponibili. La chiave è che gli sviluppatori non dovranno passare manualmente da uno strumento all'altro; il livello intelligente gestirà l'instradamento, sfruttando al meglio la potenza computazionale dell'IA disponibile.
Sfide e Prospettive Future: Oltre il Ciclo dell'Hype
Nonostante i notevoli progressi, gli assistenti di coding AI non sono una panacea. Diverse sfide persistono e il futuro promette un'ulteriore evoluzione nella relazione simbiotica tra sviluppatori e IA. Una sfida importante rimane le allucinazioni. Sebbene l'accuratezza del modello sia migliorata, l'IA genera ancora chiamate API errate o inesistenti, errori di sintassi o difetti logici. Gli sviluppatori devono rimanere vigili, rivedendo criticamente ogni suggerimento generato dall'IA.
Un'altra limitazione è la difficoltà dell'IA nel comprendere l'architettura profonda e la coerenza del contesto a lungo termine in codebase vaste ed in evoluzione. Sebbene le finestre di contesto stiano crescendo, il problema "perso nel mezzo" e il degrado dell'attenzione significano che comprendere efficacemente informazioni situate lontano dall'inizio o dalla fine di quella finestra di contesto rimane difficile.
Il ruolo dello sviluppatore è in continua evoluzione. Man mano che l'IA gestisce più boilerplate e compiti ripetitivi, gli ingegneri si stanno spostando verso l'architettura di livello superiore, il prompt engineering e la convalida critica. L'attenzione si sposta da "come scrivere codice" a "come istruire e verificare il codice generato dall'IA". Gli sviluppi futuri includeranno probabilmente flussi di lavoro agentici più sofisticati in grado di accettare richieste di funzionalità di alto livello e generare soluzioni complete e testate.
Fonti
Questo articolo è stato pubblicato dal Team Editoriale di DataFormatHub, un gruppo di sviluppatori e appassionati di dati dedicati a rendere la trasformazione dei dati accessibile e privata. Il nostro obiettivo è fornire approfondimenti tecnici di alta qualità insieme alla nostra suite di strumenti per sviluppatori incentrati sulla privacy.
🛠️ Strumenti Correlati
Esplora questi strumenti DataFormatHub relativi a questo argomento:
- Formatta Codice - Formatta il codice in più linguaggi
- JSON a YAML - Converti i file di configurazione tra i formati