Autore:
Usiamo un vocabolario cognitivo per descrivere questi sistemi, e questo crea aspettative che poi si infrangono in produzione. Qui ripasso i concetti di base — LLM, MCP, AGI —, cosa succede davvero dentro un transformer, perché il reasoning non è un nuovo modulo, e le metriche di Artificial Analysis che uso per misurare invece di discutere.
Continua a leggere: Che cos'è davvero un LLM — e come misurarlo con Artificial Analysis →
Gli AI dev tool sono ottimi per un PoC, ma andare in produzione è un'altra storia. Qui condivido il mio approccio all'AI SDLC e le buone pratiche che applico, basate sulla mia esperienza.
Continua a leggere: AI SDLC: una raccolta di buone pratiche per sviluppare con l'IA →
Un complemento scritto di agents.zerogap.uk — dove condivido le architetture RAG, gli agentic pattern di orchestrazione e come scegliere quello giusto per il tuo problema.
Continua a leggere: Agentic Patterns e le molte facce del RAG →
Un possibile design per un'infrastruttura di agente di livello produzione su AWS: ECS Fargate, CI/CD con GitLab e valutazione automatizzata, ingestione con Lambda, osservabilità self-hosted con Phoenix, un'unica istanza RDS con pgvector, DR multi-regione in pilot light e un ciclo di miglioramento continuo — con i costi mensili.
Continua a leggere: Architettura di un agente — Infrastruttura in produzione →
Un pattern per permettere agli utenti di SharePoint di lavorare con i dati del back-end senza esporre segreti né fidarsi del client: un'estensione SPFx ottiene in silenzio un token di Entra ID, una Azure Function valida il JWT e scrive su Azure Table Storage.
Continua a leggere: SPFx, Azure Functions e Table Storage con Entra ID →
L'HyperAgent Cognition Engine è un'architettura duale di hyper-agent in cui due pipeline cognitive complete — un Solver e un Critic — lavorano insieme, combinando pensiero laterale, ragionamento da esperti di dominio, verifica indipendente e raffinamento iterativo in un unico sistema coerente.
Una checklist pratica per mettere in sicurezza i sistemi di IA: scegliere tra LLM e logica deterministica (e quando usare MCP), proteggere gli input, sanificare gli output, isolare agenti e strumenti, usare in sicurezza i modelli locali e valutare e osservare in modo continuo.
Oggi puoi costruire siti moderni solo con Python, sia nel frontend sia nel backend, e integrare l'IA per esperienze avanzate. Ti mostro come farlo in modo sicuro, usando come esempio un generatore di storie per bambini.
Continua a leggere: Sito web completo in Python: frontend e backend con l'IA →
Come configurare un server MCP (Model Context Protocol) remoto via Streamable HTTP con autenticazione sicura tramite Okta e DPoP, protetto da un reverse proxy in Python.
Continua a leggere: Come configurare un server MCP con Okta e un reverse proxy in Python →
Un server Linux che esegue fail2ban, ClamAV, rkhunter, maldet e lynis, con i log analizzati da Azure OpenAI tramite LangChain: report per singolo log, report aggregato, invio via email e archiviazione.
Continua a leggere: Come creare una suite di sicurezza con l'IA partendo da strumenti open source →
