Corso di formazione professionale sull'adozione strutturata dell'intelligenza artificiale nello sviluppo software, rivolto a sviluppatori e responsabili tecnici che vogliono introdurre agenti di coding e modelli linguistici nel lavoro del team mantenendo il controllo dell'architettura e della qualità del codice. Il corso tratta sia i modelli di frontiera, utilizzati come servizio, sia i modelli open weight eseguiti in locale.
Lo strumento di riferimento è Claude Code, ma il corso presenta anche una panoramica degli harness alternativi. I concetti trattati valgono in generale per gli agenti di coding.
Il corso si tiene in italiano o in inglese, in presenza a Torino o da remoto.
Per partecipare servono ottime capacità di programmazione e l'accesso a un modello di frontiera, tramite abbonamento o API. Per i moduli sui modelli locali i partecipanti devono disporre di una macchina adeguata, come un computer con GPU dedicata o un Mac con Apple Silicon e memoria sufficiente; gli esercizi possono essere svolti anche con modelli di dimensioni ridotte.
I moduli previsti, ciascuno della durata di mezza giornata (4 ore), sono i seguenti:
- Fondamenti
- Funzionamento di un modello linguistico: token, finestra di contesto, temperatura;
- Caching dei prompt e struttura dei costi;
- Modelli di frontiera e modelli open weight;
- Chat, completamento e agenti;
- Modello e harness
- Modello e harness: cosa fa ciascuno e perché contano entrambi;
- Il ciclo di lavoro di un agente: lettura, strumenti, modifica, verifica;
- Claude Code: sessioni, modalità operative e permessi;
- Pianificazione e subagenti;
- Panoramica degli harness alternativi;
- Il contesto di progetto
- File di istruzioni (
CLAUDE.md,AGENTS.md); - Convenzioni scritte in forma verificabile;
- Documentazione come stato attuale e ledger delle decisioni;
- Memorie di progetto;
- File di istruzioni (
- Guardrail automatici
- Hook sul ciclo di lavoro dell'agente: controlli a fine turno e prima dell'uso degli strumenti;
- Formatter, linter e test come condizioni di chiusura;
- Controllo delle convenzioni architetturali ed eccezioni documentate;
- Permessi e sandbox;
- Il flusso di lavoro
- Specifica prima del codice e scomposizione in compiti;
- Discussione delle scelte architetturali;
- Revisione dei diff generati;
- Verifica nel browser con Playwright;
- Commit e cronologia delle modifiche;
- Estendere gli agenti
- Model Context Protocol: utilizzo e sviluppo di un server MCP;
- Skill e comandi personalizzati;
- Subagenti specializzati per revisione e sicurezza;
- Lavoro in parallelo;
- Modelli in locale (prima parte)
- Casi d'uso: riservatezza dei dati, costi, uso offline;
- Modelli open weight e quantizzazione;
- Requisiti hardware: VRAM e memoria unificata;
- Runtime: llama.cpp, LM Studio, Ollama, vLLM;
- Modelli in locale (seconda parte)
- API compatibili e gateway (LiteLLM) per instradare le richieste tra modelli di frontiera e modelli locali;
- Uso di un modello locale con un harness di frontiera;
- Limiti dei modelli locali: contesti lunghi e chiamate agli strumenti complesse;
- Costruzione di un banco di prova per il confronto tra modelli;
- Sicurezza e privacy
- Dati che finiscono nei prompt, nei log e presso i fornitori;
- Gestione dei segreti;
- Prompt injection da contenuti esterni: pagine web, issue, dipendenze;
- Permessi minimi, dati personali e GDPR;
- Policy aziendali di adozione;
- Misurare l'adozione
- Telemetria degli agenti: token, costi, sessioni, strumenti;
- Raccolta e visualizzazione della telemetria su infrastruttura propria;
- Indicatori utili e indicatori fuorvianti;
- Integrare i modelli nei prodotti (opzionale)
- API dei modelli, tool use e output strutturato;
- Recupero di documenti (RAG);
- Server MCP come interfaccia di un'applicazione verso gli agenti;
- Valutazione delle risposte;
- Il team e l'organizzazione (opzionale)
- Responsabilità del codice generato;
- La revisione nel lavoro del senior;
- Crescita degli sviluppatori junior;
- Introduzione graduale nei team;
Durante i moduli sono previsti esercizi per mettere in pratica gli argomenti trattati.