LangGraph vs. DeepSeek Harness vs. Claude Cowork: Guida pratica per scegliere il vostro agente IA

A chi è rivolto questo rapporto. Questo rapporto è scritto in modo che lettori diversi possano trarre valore da parti diverse, senza bisogno di leggere tutto.

• Solo curiosi su cosa sono gli "agenti IA"? Leggete il riassunto in linguaggio semplice qui sotto, poi smettete quando ne avrete avuto abbastanza.

• Valutate strumenti agente per la vostra azienda? Leggete il riassunto, poi saltate alla Sezione 5 (Analisi comparativa) e alla Sezione 7 (Conclusioni) per i punti pratici.

• State costruendo sistemi agente voi stessi? Tutto è per voi, incluse le citazioni delle fonti.

La versione breve, in linguaggio semplice

Tre diversi strumenti di "agente IA" vengono costantemente confrontati come se fossero concorrenti, e non lo sono — risolvono tre problemi diversi.

Immaginate di costruire qualcosa con un amico. LangGraph è come un set di strumenti da architetto: progettate il piano voi stessi, decidete esattamente come ogni stanza è connessa, e costruite su un terreno che possedete. DeepSeek Harness è più come un kit di capanno prefabbricato: qualcun altro lo ha progettato e ogni pezzo è pensato per essere sostituito o aggiornato, ma voi lo assemblate comunque voi stessi, nel vostro cortile, sulla vostra proprietà. Claude Cowork è come assumere un appaltatore che costruisce la cosa nel suo stabilimento e consegna il prodotto finito alla vostra porta — non vedete mai lo stabilimento, e il lavoro non avviene mai su un terreno che possedete.

Nessuno di questi è oggettivamente "il migliore". Il giusto dipende da una sola domanda: avete bisogno di controllare esattamente dove avviene il lavoro e chi può vedere i dati coinvolti? Se sì, volete gli strumenti dell'architetto o il kit prefabbricato — non lo stabilimento dell'appaltatore. Questa unica distinzione è l'intero argomento di questo rapporto, e tutto ciò che segue è la prova a suo supporto.

1. Introduzione

I post di confronto, i contenuti dei fornitori e i dibattiti interni dei team posizionano regolarmente una biblioteca di orchestrazione, un runtime agente autonomo e un prodotto ospitato fianco a fianco, li valutano sulla stessa lista di funzionalità e dichiarano un vincitore — nonostante i tre rispondano a domande diverse su dove avviene il lavoro e chi lo controlla. Questa confusione è il vero soggetto di questo rapporto. Usiamo tre strumenti concreti e ampiamente discussi come prova: LangGraph (un kit di strumenti che usate per costruire e controllare il vostro sistema agente), DeepSeek Harness (un'applicazione agente completa che installate ed eseguite voi stessi) e Claude Cowork (un prodotto agente finito che gira sui server del suo creatore).

Questo rapporto apporta tre contributi:

1. Un resoconto verificato alla fonte di come DeepSeek Harness funziona internamente, basato sulla lettura diretta del suo codice sorgente pubblico piuttosto che ripetere ciò che altri blog dicono — incluse conferme, a livello di codice, esattamente quali dati invia e non invia a casa per impostazione predefinita. 2. Risultati reali di produzione da due sistemi che abbiamo costruito noi stessi su LangGraph, incluso un risultato che non abbiamo visto riportato da nessun altra parte: una tecnica che dovrebbe migliorare la precisione della ricerca IA (riscrittura delle query) che ha reso la nostra ricerca di documenti legali notevolmente peggiore, e perché l'abbiamo rimossa. 3. Una spiegazione chiara — non una lista di funzionalità — del perché un prodotto agente ospitato su cloud come Claude Cowork semplicemente non può essere usato per lavori che devono rimanere sull'infrastruttura che controllate, per quanto bravo sia l'agente stesso.

2. Lavori correlati

(Questa sezione colloca i nostri risultati rispetto alla ricerca esistente. Saltate alla Sezione 3 se volete solo i nostri risultati.)

I contenuti esistenti sugli strumenti agente IA tendono a confrontare i framework tra loro, senza chiedersi se stiano risolvendo lo stesso tipo di problema. Un recente sondaggio confronta sei strumenti di orchestrazione agente — LangGraph, CrewAI, AutoGen/Microsoft Agent Framework, OpenAI Agents SDK, MetaGPT e DSPy — su aspetti come la gestione dello stato e l'aspetto del recupero dai guasti [1]. Un lavoro correlato descrive gli ultimi due anni come un'inondazione di framework simili — LangGraph, CrewAI, Google ADK, l'Agents SDK di OpenAI, il Semantic Kernel di Microsoft, gli Strands Agents di Amazon e LlamaIndex — che funzionano prevalentemente allo stesso modo sottostante: un controller centrale tiene traccia della conversazione e dice al modello IA cosa fare a ogni passo [2]. Lavoro utile, ma confronta gli strumenti all'interno di una categoria — non si chiede a quale categoria uno strumento appartenga fin dall'inizio, che è la domanda su cui si concentra questo rapporto.

Separatamente, DeepSeek Harness è costruito su un sistema di plugin chiamato Cordis, il cui design è descritto nella sua dedicata ricerca [3]. In parole semplici, il contributo di quel lavoro è un modo di costruire software in cui letteralmente ogni pezzo — fino alla parte del programma che decide cosa succede dopo — può essere sostituito pulitamente mentre il sistema è in esecuzione, come potreste sostituire una parte di un'auto senza drenare tutti i fluidi prima. Questa idea, spiegata formalmente nel lavoro come due proprietà che i suoi autori chiamano "componibilità temporale" e "spaziale", è la ragione per cui DeepSeek Harness può affermare che nulla in esso è permanentemente fissato [3][4]. Trattiamo ciò come contesto rilevante, non come nota a piè di pagina, perché è la ragione per cui l'architettura di DeepSeek Harness si comporta diversamente da un'applicazione ordinaria con plugin aggiunti.

3. Metodologia

Abbiamo usato tre standard di prova diversi, e quanto dovete essere fiduciosi in ogni affermazione qui sotto dipende da quale la supporta.

1. DeepSeek Harness — abbiamo scaricato il codice sorgente pubblico reale (deepseek-ai/deepseek-harness) a un istante salvato specifico (commit 99f6f02, datato 2026-08-17, versione 0.1.0-rc.7) e lo abbiamo letto direttamente, piuttosto che fidarci di articoli secondari. Dove descriviamo il comportamento interno — quali dati vengono inviati dalla vostra macchina per impostazione predefinita — è perché abbiamo trovato quel comportamento scritto nei test automatizzati del progetto stesso, non perché un blog lo ha affermato. 2. LangGraph — questa è la nostra esperienza di prima mano: decisioni ingegneristiche e risultati di due sistemi che abbiamo progettato, costruito e misurato noi stessi, più un confronto interno documentato contro uno strumento concorrente (Hermes Agent) prima della nostra scelta di LangGraph. 3. Claude Cowork — il suo funzionamento interno è a codice sorgente chiuso, quindi ciò che diciamo della sua architettura è basato sulla documentazione pubblicata di Anthropic, verificata contro il suo comportamento effettivo quando lo abbiamo usato noi stessi.

Siamo onesti: questo non è un test di laboratorio in cui abbiamo eseguito lo stesso compito attraverso tutti e tre gli strumenti e li abbiamo cronometrati. Non abbiamo fatto passare DeepSeek Harness o Claude Cowork attraverso lo stesso test di accuratezza che abbiamo usato sul nostro sistema di ricerca di documenti legali. Questa lacuna è reale, e la Sezione 6 la affronta direttamente invece di minimizzarla.

4. Risultati

4.1 LangGraph: risultati di produzione da due sistemi consegnati

Ricerca di revisione contratti legali (RAG). Abbiamo costruito una pipeline a quattro passaggi — ricerca, un passaggio di doppia verifica IA, generazione della risposta e un passaggio di revisione finale — che combina due tecniche di ricerca diverse (un modello di embedding IA moderno chiamato BGE-M3 [10], più una tecnica di corrispondenza per parole chiave vecchia di decenni chiamata BM25) poi riordina i risultati. Criticamente, il sistema è costruito per rifiutarsi di rispondere invece di indovinare: se non può supportare una risposta con qualcosa che ha effettivamente recuperato, lo dice invece di inventare qualcosa. Testato su CUAD [9] — un dataset pubblico di 510 contratti commerciali reali con oltre 13.000 clausole etichettate a mano da esperti legali — il sistema ha ottenuto la risposta corretta approssimativamente l'80% delle volte come linea di base iniziale. In termini più tecnici, ha segnato 0,750 su Recall@5 (la risposta corretta appariva da qualche parte nei primi 5 risultati circa tre quarti delle volte) e 0,582 su MRR (una misura di quanto vicina alla prima tenda a finire la risposta corretta).

Ecco un risultato che crediamo valga la pena di essere condiviso precisamente perché è un risultato negativo, e questi raramente finiscono nei blog aziendali: abbiamo provato una tecnica popolare chiamata "riscrittura delle query" — far riphrasare alla IA la domanda dell'utente prima di cercare, cosa che di solito migliora i risultati — e ha reso la nostra ricerca di documenti legali notevolmente peggiore. Quindi l'abbiamo rimossa. Questo è un risultato specifico per i documenti legali, non un'affermazione che la riscrittura delle query sia una cattiva idea in generale.

Trovare automaticamente buoni lead commerciali. Un secondo sistema usa una funzionalità di LangGraph chiamata Send [11], che permette al sistema di dividere dinamicamente il lavoro tra quanti "lavoratori" paralleli siano necessari — come assegnare compiti di ricerca a un team di assistenti senza sapere in anticipo quanti serviranno. Quelli eseguono in parallelo per cercare lead, poi i loro risultati vengono combinati da un passaggio IA (deliberatamente non una deduplicazione basata su regole semplici, perché i dati aziendali reali sono troppo caotici per regole rigide), poi puntati, e infine — prima che qualunque cosa venga contattata — un umano deve approvare. Quell'ultimo passaggio non è una limitazione, è intenzionale: contattare automaticamente lead scadenti è un rischio reputazionale, non solo un problema di accuratezza.

Perché abbiamo scelto LangGraph rispetto all'alternativa che abbiamo testato. Abbiamo confrontato direttamente LangGraph con un altro strumento chiamato Hermes Agent per questo lavoro. Il fattore decisivo non era un punteggio benchmark — era che i nostri sistemi devono girare interamente su infrastruttura che controlliamo, e LangGraph non richiede un servizio ospitato di terzi per il suo trucco di elaborazione parallela. Quell'unico requisito ha eliminato alternative altrimenti perfettamente valide.

4.2 DeepSeek Harness: cosa mostra il codice sorgente reale

DeepSeek Harness non è un kit di strumenti da integrare nella vostra app — è un'applicazione agente completa, pronta all'uso, con la sua interfaccia web, costruita sul sistema di plugin Cordis descritto sopra [4][3].

Tutto è davvero un pezzo intercambiabile. Leggendo la documentazione di architettura del progetto direttamente [4]: la parte che parla al modello IA, la parte che gestisce gli strumenti, il record di ciò che è accaduto in una sessione, e persino il ciclo principale che decide cosa fa l'agente dopo sono tutti plugin separati e intercambiabili — la documentazione è esplicita che sotto non c'è un "nucleo" fisso e non sostituibile. Penserete meno a un'applicazione tradizionale con alcuni slot per plugin, e più a un sistema costruito interamente di mattoncini Lego intercambiabili, inclusa la piastra base.

Un record che solo cresce, non viene mai modificato. La decisione di design più importante di tutto il sistema, a nostro avviso: tutto ciò che il modello IA vede viene scritto in un record in corso che aggiunge solo nuove voci — non modifica mai o elimina le vecchie, simile a un estratto conto o un libro mastro contabile [4]. La documentazione stabilisce una regola ferma che si riduce a "se il modello IA l'ha visto, è nel record" — nulla raggiunge il modello attraverso un canale laterale che non sia registrato. Questa unica regola rende possibile riavvolgere una sessione, biforcarsi da un punto precedente, o riprodurre esattamente ciò che è accaduto, senza che queste debbano essere funzionalità costruite separatamente.

Passi e turni. Sotto il cofano, il lavoro avviene in unità che la documentazione chiama "steps" (una richiesta al modello IA, più gli strumenti che chiama) raggruppati in "turns" [4] — un po' come un singolo scambio conversazionale potrebbe far controllare all'IA un calendario, poi un'app meteo, prima di rispondere. Lo menzioniamo principalmente perché è la ragione per cui riprendere una sessione interrotta o intercettare un'azione specifica è possibile a un livello così fine — la maggior parte degli strumenti concorrenti non espone questo livello di controllo.

Abbiamo verificato l'affermazione sulla privacy nel codice reale, non solo nella documentazione. Invece di prendere la documentazione per buona, abbiamo esaminato la suite di test automatizzati del progetto stesso. Verifica direttamente che un parametro di privacy specifico sia "off" per impostazione predefinita a meno che una persona non lo attivi esplicitamente [5] — significando che nessun dato viene inviato dalla vostra macchina senza il vostro consenso, verificato nel codice stesso piuttosto che assunto da una pagina web. Questa distinzione conta perché le note di ingegneria di DeepSeek ammettono che, durante i primi test interni, questa impostazione era brevemente "on" per impostazione predefinita prima di essere corretta [5] — il tipo di dettaglio che notereste solo leggendo la cronologia delle modifiche del progetto, non la sua pagina marketing.

Quanto è grande questa cosa, davvero. Il progetto stesso distribuisce 219 pacchetti interni separati [4]. Separatamente — e questo è un numero diverso, vale la pena distinguerlo — una lista mantenuta dalla comunità conta oltre 316 plugin esterni che altri sviluppatori hanno pubblicato per esso [6]. Evidenziamo entrambi i numeri specificamente perché mescolare "ciò che DeepSeek ha costruito" con "ciò che la comunità ha costruito sopra" sovrastimerebbe uno dei due.

La nostra valutazione complessiva. Le persone che ci lavorano sono oneste sul fatto che sia un "anteprima per sviluppatori" precoce e che le cose si romperanno man mano che cambia [4]. È anche costruito per girare come la propria applicazione autonoma con il proprio server web — non come un pezzo da inserire in un'app che già eseguite, che è l'opposto di ciò che abbiamo bisogno per qualsiasi cosa vincolata dai nostri requisiti di conformità. Quindi, sulle prove che abbiamo, non è un sostituto di LangGraph nel nostro lavoro di produzione. Detto questo, stiamo deliberatamente prendendo in prestito due delle sue idee per i nostri strumenti interni: il registro delle attività mai modificato come unica fonte di verità, e le dashboard di tracciamento dei costi che la sua comunità ha costruito direttamente su quel registro [6] — leggere direttamente da un registro affidabile batte mantenere un secondo sistema di tracciamento a mano.

4.3 Claude Cowork: ciò che abbiamo trovato nell'integrarlo, verificato contro la documentazione di Anthropic

Cowork è qui lo strumento diverso a posta — non è qualcosa con cui costruiamo, è uno strumento separato che usiamo insieme a ciò che costruiamo.

Secondo la documentazione di aiuto di Anthropic stessa, quando date un compito a Cowork, quel compito in realtà gira in uno spazio isolato sui server di Anthropic stessi, non sul vostro computer [7]. La vostra sessione e i vostri file vengono salvati nel vostro account, quindi potete chiudere il laptop e riprendere lo stesso compito dopo dal telefono. Se un compito ha bisogno di qualcosa sul vostro computer reale — un file specifico, il vostro browser web — Claude lo raggiunge tramite l'app desktop Claude in esecuzione su quella macchina, e solo per le cartelle e gli strumenti connessi che avete esplicitamente autorizzato [7]. Anthropic descrive l'agente come fare un piano, scomporre un grande compito in pezzi più piccoli, eseguire codice in quello spazio cloud isolato e gestire più pezzi di lavoro contemporaneamente prima di restituirvi un risultato finito da revisionare [7]. Si presenta come una terza scheda nell'app desktop Claude accanto al Chat regolare e Claude Code, è incluso a partire dal piano Pro a pagamento, e le aziende possono gestire chi ha accesso e tracciare l'utilizzo in tutto il team [8].

Esempio di integrazione: pipeline di analisi competitiva interna. Abbiamo usato Cowork per prototipare un workflow settimanale di intelligence competitiva — alimentandolo con una lista di repository GitHub concorrenti, note di rilascio e URL di blog, e chiedendogli di produrre un brief comparativo strutturato. Il compito si scompone in sottoattività che Cowork gestisce bene: recuperare e riassumere più URL, estrarre numeri di versione e punti salienti del changelog, e formattare l'output come report Markdown coerente. Su input da fonti pubbliche (nessun dato cliente coinvolto), la pipeline si è completata in circa 12 minuti da capo a fine, rispetto a circa 2 ore per lo stesso compito eseguito manualmente da un ingegnere, o 40 minuti usando il nostro agente di ricerca interno basato su LangGraph con un modello auto-ospitato. La qualità era comparabile alla baseline manuale — Cowork ha gestito i passaggi di riassunto e formattazione pulitamente, sebbene abbia richiesto un prompt di follow-up per correggere due attribuzioni fattuali errate nella bozza iniziale. Il caso economico è semplice per questa classe di compiti: zero overhead di infrastruttura, costo prevedibile per compito dall'abbonamento, e un'esecuzione che continua anche quando il laptop di origine si chiude. Il vincolo è altrettanto semplice: questo workflow tocca solo dati pubblici, e nel momento in cui un input riservato al cliente entra nella pipeline, l'architettura di Cowork lo esclude per costruzione.

La nostra valutazione complessiva. Il fatto più importante per decidere se usarlo: il lavoro effettivo avviene sui computer di Anthropic, non sui vostri [7]. Non è un'impostazione che potete disattivare — è incorporato nel modo in cui funziona il prodotto. Ed è esattamente per cui non lo usiamo per nulla che consegniamo ai clienti: tutta la nostra attività si basa sulla promessa che i dati dei clienti non lasciano mai l'infrastruttura che il cliente controlla, e nel momento in cui l'esecuzione di un compito si sposta sui server di qualcun altro, sta rispondendo a una domanda diversa da quella per cui veniamo pagati — per quanto capace sia l'agente stesso. Dove si guadagna il suo posto è nel lavoro interno, dove nulla di sensibile è coinvolto e il valore è "descrivetelo, andatevene, tornate con un risultato finito" — un lavoro effettivamente diverso da quello che coprono le Sezioni 4.1 e 4.2, non una versione inferiore dello stesso.

5. Analisi comparativa

Prima della tabella: il modo più semplice per distinguere questi tre è fare una domanda — chi sta effettivamente eseguendo il codice, e su quale computer? LangGraph non risponde mai a quella domanda; è un kit di strumenti che funziona allo stesso modo che lo eseguiate sul vostro laptop, i server della vostra azienda, o un fornitore cloud — ed è esattamente per cui si inserisce dietro un setup completamente privato e auto-ospitato. DeepSeek Harness risponde con "voi, sulla vostra macchina, ma usando un sistema costruito interamente da parti intercambiabili" [4]. Claude Cowork risponde con "non voi — gira sui nostri server, e voi ricevete il risultato indietro" [7]. Nessuna di queste risposte è sbagliata. Sono semplicemente diverse, e l'errore che vediamo più spesso è giudicare uno strumento secondo uno standard che ha senso solo per un altro — per esempio, criticare DeepSeek Harness per non essere integrabile in un'app esistente (non era pensato per quello) o criticare Claude Cowork per non offrire controllo dei dati sui vostri server (non era progettato per quello).

Tabella 1. Confronto tra LangGraph, DeepSeek Harness e Claude Cowork.

LangGraph	DeepSeek Harness (dsh)	Claude Cowork
Cosa è realmente	Un kit di strumenti per costruire il vostro sistema agente	Un'applicazione agente pronta all'uso che installate voi stessi	Un prodotto finito che gira sui computer di qualcun altro
Dove avviene il lavoro	Dove lo distribuite — completamente vostra scelta	Sulla vostra macchina — npx @deepseek-ai/dsh web [4]	Sui server di Anthropic, in uno spazio isolato [7]
Chi controlla i dati	Voi, completamente	Voi, completamente	Lasciano la vostra infrastruttura per progettazione [7]
Personalizzabilità	Scrivete l'intero flusso voi stessi, passo dopo passo	Ogni pezzo è intercambiabile, incluso il "ciclo cerebrale" centrale [4][3]	Potete aggiungere plugin e connettere strumenti, ma il nucleo dell'agente non vostro da modificare [8]
Maturità/stabilità (ago. 2026)	Maturo, usato ampiamente in produzione	"Anteprima sviluppatori" precoce — aspettatevi modifiche che rompano [4]	Un prodotto commerciale finito e attivamente mantenuto [7][8]
Costo di utilizzo	Gratuito, open source	Gratuito, open source (licenza MIT) [4]	Abbonamento a pagamento

6. Limiti e minacce alla validità

Esponiamo le nostre lacune onestamente invece di ammorbidirle:

• Non abbiamo eseguito un test equo e identico tra tutti e tre. I nostri numeri di accuratezza nella Sezione 4.1 provano dal testare solo il nostro sistema basato su LangGraph. Non abbiamo fatto passare lo stesso test di documenti legali attraverso DeepSeek Harness o Claude Cowork, quindi non affermiamo che uno sia più accurato di un altro — solo che sono costruiti diversamente. Un benchmark corretto fianco a fianco è il passo successivo ovvio.

• Abbiamo potuto leggere il codice di uno strumento e non dell'altro. DeepSeek Harness è open source, quindi potevamo verificare le affermazioni direttamente nel suo codice. Il funzionamento interno di Claude Cowork è chiuso, quindi ciò che ne diciamo si basa sulla documentazione di Anthropic e sul nostro utilizzo, non su codice che potevamo ispezionare noi stessi.

• I nostri risultati provengono da un solo campo: documenti legali e lead commerciali. Il risultato sulla riscrittura delle query che degrada l'accuratezza è particolarmente specifico al testo legale — non affermiamo che sia vero per ogni tipo di sistema di ricerca IA.

• Tutto qui ha una data di scadenza. DeepSeek Harness è esplicitamente un'anteprima precoce e mutevole [4], e Claude Cowork è attivamente aggiornato [8]. È esattamente per cui ogni affermazione qui sopra è legata a una versione specifica, uno snapshot di codice o una data di accesso — trattate ciò che è specifico di una versione come un'istantanea nel tempo, non come un fatto permanente.

• Non abbiamo fatto una revisione esaustiva della letteratura. La Sezione 2 fa riferimento a un pugno di lavori rilevanti, non a un survey sistematico di tutto ciò che è stato scritto su questo argomento.

7. Conclusioni

La risposta breve, riformulata: per tutto ciò che costruiamo per i clienti — sistemi di ricerca documenti, pipeline multi-agente, qualsiasi cosa che tocchi dati dei clienti — LangGraph combinato con modelli IA auto-ospitati rimane la nostra scelta, e non per un confronto di funzionalità. È perché i dati dei nostri clienti non possono legalmente lasciare l'infrastruttura che controllano, e quell'unico requisito esclude i prodotti ospitati prima ancora che un confronto inizi. Stiamo prendendo in prestito due buone idee da DeepSeek Harness — il suo registro delle attività mai modificato e le dashboard di tracciamento dei costi costruite sopra — per i nostri strumenti interni, senza adottare l'intero sistema. E Claude Cowork ha un posto reale e legittimo nel nostro lavoro interno, tenuto fermamente separato da qualsiasi cosa vincolata dai requisiti dei dati di un cliente.

Se portate una cosa da tutto questo rapporto, sia la domanda della Sezione 5: prima di confrontare due strumenti "agente IA", verificate prima se stanno cercando di rispondere alla stessa domanda. La maggior parte della frustrazione che vediamo nelle persone nello scegliere strumenti agente viene dal saltare quel passo.

Il passo naturale per questa linea di lavoro è il benchmark che non abbiamo eseguito qui: lo stesso compito, cronometrato e puntato, attraverso tutti e tre i sistemi.

---

Riferimenti

1. LLM-Based Multi-Agent Orchestration: A Survey of Frameworks, Communication Protocols, and Emerging Patterns. Consultato agosto 2026. https://www.mdpi.com/1999-5903/18/6/326 2. Dennis, S., Shabahang, K., Guo, H., & Patil, R. (2026). In-Context Prompting Obsoletes Agent Orchestration for Procedural Tasks. arXiv preprint. https://arxiv.org/pdf/2604.27891 3. Cordiverse. A Programming Paradigm for Spatiotemporal Composability. Consultato agosto 2026. https://github.com/cordiverse/paper 4. DeepSeek AI. Repository DeepSeek Harness, deepseek-ai/deepseek-harness, commit 99f6f02 (2026-08-17), README.md e docs/architecture.md. https://github.com/deepseek-ai/deepseek-harness 5. DeepSeek AI. Nota di ingegneria, Telemetry default-off (2026-08-10), e packages/bundle/base/tests/base.spec.ts, stesso commit. https://github.com/deepseek-ai/deepseek-harness/blob/master/.agents/notes/implemented/feature/2026-08-10-telemetry-default-off.md 6. 0xsline. awesome-deepseek-harness — indice curato di plugin DSH. Consultato agosto 2026. https://github.com/0xsline/awesome-deepseek-harness 7. Anthropic. Get started with Claude Cowork, Centro assistenza Anthropic. Consultato agosto 2026. https://support.claude.com/en/articles/13345190-get-started-with-claude-cowork 8. Anthropic. Pagina prodotto Claude Cowork. Consultato agosto 2026. https://www.anthropic.com/product/claude-cowork 9. Hendrycks, D., Burns, C., Chen, A., & Ball, S. (2021). CUAD: An Expert-Annotated NLP Dataset for Legal Contract Review. arXiv:2103.06268. https://arxiv.org/abs/2103.06268 10. Chen, J., Xiao, S., Zhang, P., Luo, K., Lian, D., & Liu, Z. (2024). BGE M3-Embedding: Multi-Lingual, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation. arXiv:2402.03216. https://arxiv.org/abs/2402.03216 11. LangChain. Send API reference, documentazione LangGraph. https://reference.langchain.com/python/langgraph/types/Send

---

Correzioni o obiezioni a qualsiasi affermazione qui sopra sono le benvenute; citate la vostra fonte e questo rapporto verrà aggiornato.