Ottimo progetto. Per trasformare **LogWhisperer AI** in un prodotto reale in 4 giorni usando **OpenCode.ai**, dobbiamo configurare l'ambiente in modo che l'agente non si limiti a scrivere codice, ma agisca come un vero team di sviluppo (Tech Lead + Developer + QA).

Ecco come configurare OpenCode.ai seguendo la tua metodologia **Spec-Driven**, **TDD** e il **Metodo Sacchi**.

### 1. Preparazione dell'Ambiente (Python & Git)
Prima di lanciare OpenCode, prepara il terreno nel tuo terminale:

```bash
# Crea e attiva il venv
python3 -m venv venv
source venv/bin/activate

# Inizializza Git se non lo hai già fatto
git init

# Crea la struttura iniziale per i test (TDD)
mkdir tests
touch tests/__init__.py
```

### 2. Configurazione dell'Intelligenza Collettiva (AGENTS.md)
OpenCode leggerà questo file per capire "chi deve essere" e "come deve lavorare". Crea un file `AGENTS.md` nella root del progetto:


http://googleusercontent.com/immersive_entry_chip/0

#### Primo comando suggerito (Sprint 1):
Digita questo prompt per attivare il flusso di lavoro che hai descritto:

> "@tech-lead, analizza `docs/prd.md` e `docs/prompt.project.manager.md`. Inizia lo **Sprint 1** definendo la specifica tecnica per lo script Bash di Log Ingestion (Feature 1). Segui il workflow: definisci la specifica in `docs/specs/ingestion_script.md`, poi passa la palla a @qa-engineer per il primo test in Python (usando `subprocess` per testare lo script bash) e infine a @developer per l'implementazione. Usa il venv attivo e segui i Conventional Commits."

### Cosa fare se OpenCode non risponde come previsto?
Se noti che l'agente salta la fase di test o dimentica i commit convenzionali, resetta il contesto con `/undo` o forza la rilettura delle regole con `/init`.

**Se hai bisogno di una configurazione specifica per un provider (es. collegare un modello locale come LLaMA 3 per risparmiare sui token della fase di test), chiedimi pure.** In caso contrario, procedi con l'inizializzazione del file `AGENTS.md` come mostrato sopra.