diff --git a/pages/KaraKeep-Highlights.md b/pages/KaraKeep-Highlights.md
index bedd29fe..2ac3bf91 100644
--- a/pages/KaraKeep-Highlights.md
+++ b/pages/KaraKeep-Highlights.md
@@ -1,5 +1,5 @@
 icon:: ✏️
-generation_time:: [[2026-01-11]] T07:00:59Z
+generation_time:: [[2026-01-11]] T15:00:59Z
 
 - # **TODOs and IDEAs**
 	- {{query (and [[TODO]] [[KaraKeep-Highlights]] (or [[Ideas]] [[KaraKeep-Highlights]]))}}
@@ -31,17 +31,6 @@ generation_time:: [[2026-01-11]] T07:00:59Z
   source:: https://blog.bytebytego.com/p/top-ai-agentic-workflow-patterns
   url:: https://karakeep.diruscio.org/dashboard/preview/iz529wt1xybxstag5cmcrl1l
   tags:: [[AI automation]] [[Agentic Workflows]] [[Artificial Intelligence]] [[Reflective Systems]] [[Tool Integration]]
-	- An agentic workflow doesn’t just respond to a single instruction. Instead, it operates with a degree of autonomy, making decisions about how to approach a task, what steps to take, and how to adapt based on what it discovers along the way. This represents a fundamental shift in how we think about using AI systems.
-	  background-color:: green
-		- > **Note:** #IMPORTANT
-	- An agentic system, however, might first search the web for current information on the topic, then organize the findings into themes, draft sections of the report, review each section for accuracy and coherence, revise weak areas, and finally compile everything into a polished document
-	  background-color:: green
-	- Instead of generating output in a single pass, agentic workflows involve cycles where the agent takes an action, observes the result, and uses that observation to inform the next action
-	  background-color:: green
-	- Agentic workflows bring this same adaptive, iterative quality to AI systems.
-	  background-color:: green
-	- five essential agentic workflow patterns
-	  background-color:: blue
 	- The reflection pattern works best for tasks where quality matters more than speed and where there are subjective aspects that benefit from review.
 	  background-color:: blue
 		- > **Note:** Reflection Pattern
@@ -49,32 +38,33 @@ generation_time:: [[2026-01-11]] T07:00:59Z
 	  background-color:: blue
 		- > **Note:** Tool use pattern
 
-- ## **GitHub - muratcankoylan/Agent-Skills-for-Context-Engineering: A comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.**
-  source:: https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering
-  url:: https://karakeep.diruscio.org/dashboard/preview/mujjzfwwjb2xbqiugz3i92nv
-  tags:: [[AI System Optimization]] [[Agent Architectures]] [[Artificial Intelligence]] [[Context Engineering]] [[Multi-Agent Systems]] [[agent skills]]
-	- The fundamental challenge is that context windows are constrained not by raw token capacity but by attention mechanics
+- ## **L’eclissi del pensiero critico? Intelligenza Artificiale, debito cognitivo e responsabilità**
+  source:: https://www.quotidianosanita.it/uncategorized/leclissi-del-pensiero-critico-intelligenza-artificiale-debito-cognitivo-e-responsabilita/
+  url:: https://karakeep.diruscio.org/dashboard/preview/q145b7y1pzntp7p8rcnkuwvy
+  tags:: [[Artificial Intelligence]] [[Cognitive-Science]] [[Critical-Thinking]] [[Human-Computer-Interaction]] [[Medical-Education]]
+	- L’off-loading cognitivo offre anche vantaggi immediati come riduzione del carico mentale, maggiore efficienza, ottimizzazione dei tempi e risparmio di energie per attività complesse.
 	  background-color:: green
-	- "lost-in-the-middle" phenomenon, U-shaped attention curves, and attention scarcity.
+	- Fino ad una sorta di atrofia del pensiero critico che crea l’illusione della competenza: leggiamo un output generata dall’IA e crediamo di aver capito l’argomento ma in realtà abbiamo solo letto il risultato finale senza aver fatto il percorso logico necessario per arrivarci.
+	  background-color:: yellow
+	- Ebbene il debito cognitivo, conseguenza dell’uso dell’IA come sostituto del ragionamento clinico piuttosto che come supporto (informing), comporta diversi rischi per lo sviluppo delle competenze: perdita progressiva di abilità (deskilling), mancato sviluppo di abilità (never-skilling) e sviluppo distorto di abilità (mis-skilling).
+	  background-color:: yellow
+	- Possiamo dire che fino a ieri delegavamo la memoria di numeri, date, mappe. Oggi, con l’IA stiamo iniziando a delegare funzioni che richiedono capacità predittive in contesti di incertezza.
+	  background-color:: yellow
+	- elevata e imprescindibile competenza di base favorisce un uso efficace e sicuro dell’IA.
+	  background-color:: yellow
+	- il “modello centauro” e il “modello cyborg”
+	  background-color:: yellow
+	- modello centauro vi è una netta separazione dei compiti: l’IA fornisce supporto operativo (es: analisi dei dati, stesura di bozze, documenti) ma il giudizio finale e le decisioni restano di competenza umana.
+	  background-color:: yellow
+	- Il modello cyborg, invece, prevede un’integrazione molto più stretta, con una co-produzione continua tra umano e IA, particolarmente efficiente per attività ripetitive e a basso rischio ma esposta al rischio di deskilling e dipendenza.
+	  background-color:: yellow
+	- DEFT-AI che può offrire un approccio strutturato e di buon senso per promuovere il pensiero critico nelle interazioni con i sistemi di IA.
+	  background-color:: yellow
+	- saper riconoscere quando poter fare affidamento (modalità cyborg) e quando invece è necessario confermare criticamente gli output (modalità centauro).
+	  background-color:: yellow
+	- sostituire la logica del “trust and go” (fidarsi e andare avanti) con la metodologia del “verify and trust” (verificare e fidarsi) in cui l’output dell’IA viene prima valutato secondo il principio di esplicabilità e poi utilizzato.
+	  background-color:: yellow
+	- nuove competenze o si potenziano quelle esistenti per adattarsi a tecnologie e pratiche emergenti (up-skilling).
+	  background-color:: yellow
+	- In definitiva con l’up-skilling non solo si incrementa efficienza e sicurezza ma ci si protegge anche dai rischi di deskilling, garantendo che l’apprendimento e la pratica professionale evolvano insieme alla tecnologia.
 	  background-color:: yellow
-	- Effective context engineering means finding the smallest possible set of high-signal tokens that maximize the likelihood of desired outcomes.
-	  background-color:: blue
-		- > **Note:** #card
-
-- ## **7 Tiny AI Models for Raspberry Pi - KDnuggets**
-  source:: https://www.kdnuggets.com/7-tiny-ai-models-for-raspberry-pi
-  url:: https://karakeep.diruscio.org/dashboard/preview/wrwx75un37buyqnusi33ygm7
-  tags:: [[Artificial Intelligence]] [[Local AI]] [[Machine Learning]] [[READ]] [[Raspberry Pi]] [[Tiny AI Models]]
-	- aggressive quantization
-	  background-color:: green
-	- llama.cpp
-	  background-color:: green
-		- > **Note:** What's llama.cpp? #TODO To be checked.
-	- tool calling, vision understanding, and structured outputs
-	  background-color:: green
-	- vision‑language model
-	  background-color:: green
-		- > **Note:** Vision Language Models (VLMs) are powerful AI systems that merge computer vision and natural language processing, allowing them to understand, interpret, and generate content from both images/videos and text inputs, enabling tasks like describing photos (captioning), answering questions about visuals (VQA), generating images from text, and understanding complex documents. #card
-	- Tiny models have reached a point where size is no longer a limitation to capability. The Qwen 3 series stands out in this list, delivering performance that rivals much larger language models and even challenges some proprietary systems. If you are building applications for a Raspberry Pi or other low-power devices, Qwen 3 is an excellent starting point and well worth integrating into your setup.
-	  background-color:: green
-		- > **Note:** #IMPORTANT