Post di Giancarlo Facoetti

[Pip Install Datapizza] Complimenti al caro Giacomo Ciarlini e all'intero team di #Datapizza, che ha appena rilasciamo il #framework open source Datapizza AI. Appena saputo me lo sono scaricato, poi via di #claude /init per scoprire cosa c'è dentro. Ecco una breve sintesi: Datapizza AI un insieme di componenti già pronti, agenti, client per modelli LLM, memorie, pipeline, strumenti, moduli di #embedding e #caching, che possono essere combinati liberamente per creare soluzioni AI personalizzate. Principi cardini: - Poca astrazione (cioè codice leggibile e diretto, non framework “magici”) - Design API-first, per integrarsi facilmente con altri sistemi - Osservabilità nativa, grazie a OpenTelemetry È quindi una piattaforma ideale per chi costruisce prodotti GenAI professionali: dal semplice chatbot al sistema di knowledge management con RAG e tracciamento dei token. Il framework è organizzato come monorepo in stile moderno (“UV workspace”), dove tutti i moduli vivono nello stesso repository. Il repo base è datapizza-ai-core, che definisce le astrazioni base (Client, Memory, Agent, Pipeline). I moduli esterni ampliano le funzionalità: clients connette ai provider #LLM, embedders genera embedding per la ricerca semantica, modules gestisce parser e reranker, vectorstores integra database vettoriali come #Qdrant, cache migliora le prestazioni con #Redis, tools collega API esterne, e eval valuta l’efficacia dei modelli. Le informazioni vengono passate tramite Block System (output strutturati, immagini reasoning, contenuti multimodali, etc) Questa struttura unificata rende coerente e tracciabile ogni passaggio. La classe Memory gestisce la cronologia delle conversazioni come turni (USER, ASSISTANT, TOOL), ogni provider ha il suo MemoryAdapter, che traduce i messaggi nel formato corretto per #OpenAI, #Anthropic, #Google, ecc. in modo che il codice rimanga indipendente dal modello usato (gestendo chiamate sincrone/asincrone, streaming e cache) L' Agent System permette di orchestrare ragionamenti multi-step con chiamate a tool automatiche e delegate, lavora in modalità “stateless” o con memoria persistente. Serve per costruire autonomi agenti AI capaci di lavorare su task complessi. Ci sono tre tipi di pipeline: - Pipeline: flusso lineare di moduli; - IngestionPipeline: per trasformare documenti e salvarli in un database vettoriale (Parser → Splitter → Embedder → VectorStore); - DagPipeline: pipeline a grafo con dipendenze e parallelismo, ideale per sistemi RAG complessi (es. Rewriter → Retriever → Generator). Insomma, una bella novità per l'AI made in Italy, che oltre al mitico #Stregatto di Piero Savastano ora ha una risorsa in più con la quale le aziende possono sperimentare e perché no, andare in #produzione. Link github nei commenti