History

softchris 826e79ce56 🌐 Update translations via Co-op Translator		4 weeks ago
..
solution	🌐 Update translations via Co-op Translator	2 months ago
README.md	🌐 Update translations via Co-op Translator	4 weeks ago

README.md

Framework AI

Ti sei mai sentito sopraffatto nel tentativo di costruire applicazioni AI da zero? Non sei il solo! I framework AI sono come un coltellino svizzero per lo sviluppo di applicazioni intelligenti: strumenti potenti che ti fanno risparmiare tempo e mal di testa. Pensa a un framework AI come a una libreria ben organizzata: offre componenti pre-costruiti, API standardizzate e astrazioni intelligenti, permettendoti di concentrarti sulla risoluzione dei problemi invece di lottare con i dettagli di implementazione.

In questa lezione, esploreremo come framework come LangChain possano trasformare compiti complessi di integrazione AI in codice pulito e leggibile. Scoprirai come affrontare sfide reali come tenere traccia delle conversazioni, implementare chiamate a strumenti e gestire diversi modelli AI attraverso un'unica interfaccia unificata.

Alla fine della lezione, saprai quando utilizzare i framework invece delle chiamate API dirette, come sfruttare efficacemente le loro astrazioni e come costruire applicazioni AI pronte per l'uso nel mondo reale. Esploriamo insieme cosa possono fare i framework AI per i tuoi progetti.

⚡ Cosa puoi fare nei prossimi 5 minuti

Percorso rapido per sviluppatori impegnati

flowchart LR
    A[⚡ 5 minutes] --> B[Install LangChain]
    B --> C[Create ChatOpenAI client]
    C --> D[Send first prompt]
    D --> E[See framework power]

Minuto 1: Installa LangChain: pip install langchain langchain-openai
Minuto 2: Configura il tuo token GitHub e importa il client ChatOpenAI
Minuto 3: Crea una semplice conversazione con messaggi di sistema e umani
Minuto 4: Aggiungi uno strumento di base (come una funzione di somma) e osserva la chiamata dello strumento AI
Minuto 5: Sperimenta la differenza tra chiamate API dirette e astrazioni del framework

Codice di test rapido:

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage

llm = ChatOpenAI(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
    model="openai/gpt-4o-mini"
)

response = llm.invoke([
    SystemMessage(content="You are a helpful coding assistant"),
    HumanMessage(content="Explain Python functions briefly")
])
print(response.content)

Perché è importante: In 5 minuti, sperimenterai come i framework AI trasformano l'integrazione complessa dell'AI in semplici chiamate di metodo. Questa è la base che alimenta le applicazioni AI in produzione.

Perché scegliere un framework?

Sei pronto a costruire un'app AI - fantastico! Ma ecco il punto: hai diverse strade che puoi percorrere, e ognuna ha i suoi pro e contro. È un po' come scegliere tra camminare, andare in bicicletta o guidare per arrivare da qualche parte: tutte ti porteranno a destinazione, ma l'esperienza (e lo sforzo) sarà completamente diversa.

Analizziamo i tre principali modi per integrare l'AI nei tuoi progetti:

Approccio	Vantaggi	Ideale per	Considerazioni
Richieste HTTP dirette	Controllo completo, nessuna dipendenza	Query semplici, apprendimento dei fondamentali	Codice più verboso, gestione manuale degli errori
Integrazione SDK	Meno boilerplate, ottimizzazione specifica per il modello	Applicazioni con un singolo modello	Limitato a fornitori specifici
Framework AI	API unificata, astrazioni integrate	App multi-modello, flussi di lavoro complessi	Curva di apprendimento, possibile sovra-astrazione

Vantaggi dei framework nella pratica

graph TD
    A[Your Application] --> B[AI Framework]
    B --> C[OpenAI GPT]
    B --> D[Anthropic Claude]
    B --> E[GitHub Models]
    B --> F[Local Models]
    
    B --> G[Built-in Tools]
    G --> H[Memory Management]
    G --> I[Conversation History]
    G --> J[Function Calling]
    G --> K[Error Handling]

Perché i framework sono importanti:

Unificano più fornitori AI sotto un'unica interfaccia
Gestiscono automaticamente la memoria delle conversazioni
Offrono strumenti pronti per attività comuni come embedding e chiamate a funzioni
Gestiscono la gestione degli errori e la logica di retry
Trasformano flussi di lavoro complessi in chiamate di metodo leggibili

💡 Consiglio Pro: Usa i framework quando devi passare tra diversi modelli AI o costruire funzionalità complesse come agenti, memoria o chiamate a strumenti. Utilizza le API dirette quando stai imparando le basi o costruendo applicazioni semplici e mirate.

Conclusione: Come scegliere tra gli strumenti specializzati di un artigiano e un laboratorio completo, si tratta di abbinare lo strumento al compito. I framework eccellono per applicazioni complesse e ricche di funzionalità, mentre le API dirette funzionano bene per casi d'uso semplici.

🗺️ Il tuo percorso di apprendimento verso la padronanza dei framework AI

journey
    title From Raw APIs to Production AI Applications
    section Framework Foundations
      Understand abstraction benefits: 4: You
      Master LangChain basics: 6: You
      Compare approaches: 7: You
    section Conversation Systems
      Build chat interfaces: 5: You
      Implement memory patterns: 7: You
      Handle streaming responses: 8: You
    section Advanced Features
      Create custom tools: 6: You
      Master structured output: 8: You
      Build document systems: 8: You
    section Production Applications
      Combine all features: 7: You
      Handle error scenarios: 8: You
      Deploy complete systems: 9: You

Destinazione del tuo percorso: Alla fine di questa lezione, avrai padroneggiato lo sviluppo di framework AI e sarai in grado di costruire applicazioni AI sofisticate e pronte per la produzione che rivaleggiano con gli assistenti AI commerciali.

Introduzione

In questa lezione, impareremo a:

Utilizzare un framework AI comune.
Affrontare problemi comuni come conversazioni chat, utilizzo di strumenti, memoria e contesto.
Sfruttare tutto ciò per costruire applicazioni AI.

🧠 Ecosistema di sviluppo dei framework AI

mindmap
  root((AI Frameworks))
    Abstraction Benefits
      Code Simplification
        Unified APIs
        Built-in Error Handling
        Consistent Patterns
        Reduced Boilerplate
      Multi-Model Support
        Provider Agnostic
        Easy Switching
        Fallback Options
        Cost Optimization
    Core Components
      Conversation Management
        Message Types
        Memory Systems
        Context Tracking
        History Persistence
      Tool Integration
        Function Calling
        API Connections
        Custom Tools
        Workflow Automation
    Advanced Features
      Structured Output
        Pydantic Models
        JSON Schemas
        Type Safety
        Validation Rules
      Document Processing
        Embeddings
        Vector Stores
        Similarity Search
        RAG Systems
    Production Patterns
      Application Architecture
        Modular Design
        Error Boundaries
        Async Operations
        State Management
      Deployment Strategies
        Scalability
        Monitoring
        Performance
        Security

Principio fondamentale: I framework AI astraggono la complessità fornendo potenti astrazioni per la gestione delle conversazioni, l'integrazione degli strumenti e l'elaborazione dei documenti, consentendo agli sviluppatori di costruire applicazioni AI sofisticate con codice pulito e manutenibile.

Il tuo primo prompt AI

Iniziamo con le basi creando la tua prima applicazione AI che invia una domanda e riceve una risposta. Come Archimede che scopre il principio di spostamento nella sua vasca da bagno, a volte le osservazioni più semplici portano alle intuizioni più potenti - e i framework rendono queste intuizioni accessibili.

Configurare LangChain con i modelli GitHub

Utilizzeremo LangChain per connetterci ai modelli GitHub, il che è fantastico perché ti offre accesso gratuito a vari modelli AI. La parte migliore? Ti servono solo pochi semplici parametri di configurazione per iniziare:

from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
    model="openai/gpt-4o-mini",
)

# Send a simple prompt
response = llm.invoke("What's the capital of France?")
print(response.content)

Analizziamo cosa sta succedendo qui:

Crea un client LangChain utilizzando la classe ChatOpenAI - questa è la tua porta d'accesso all'AI!
Configura la connessione ai modelli GitHub con il tuo token di autenticazione
Specifica quale modello AI utilizzare (gpt-4o-mini) - pensa a questo come scegliere il tuo assistente AI
Invia la tua domanda utilizzando il metodo invoke() - qui avviene la magia
Estrae e visualizza la risposta - ed ecco fatto, stai conversando con l'AI!

🔧 Nota di configurazione: Se stai utilizzando GitHub Codespaces, sei fortunato - il GITHUB_TOKEN è già configurato per te! Lavori in locale? Nessun problema, dovrai solo creare un token di accesso personale con le autorizzazioni corrette.

Output previsto:

The capital of France is Paris.

sequenceDiagram
    participant App as Your Python App
    participant LC as LangChain
    participant GM as GitHub Models
    participant AI as GPT-4o-mini
    
    App->>LC: llm.invoke("What's the capital of France?")
    LC->>GM: HTTP request with prompt
    GM->>AI: Process prompt
    AI->>GM: Generated response
    GM->>LC: Return response
    LC->>App: response.content

Costruire un'AI conversazionale

Il primo esempio dimostra le basi, ma è solo uno scambio singolo: fai una domanda, ottieni una risposta e basta. Nelle applicazioni reali, vuoi che la tua AI ricordi di cosa hai parlato, proprio come Watson e Holmes costruivano le loro conversazioni investigative nel tempo.

Ecco dove LangChain diventa particolarmente utile. Fornisce diversi tipi di messaggi che aiutano a strutturare le conversazioni e ti permettono di dare alla tua AI una personalità. Costruirai esperienze di chat che mantengono il contesto e il carattere.

Comprendere i tipi di messaggi

Pensa a questi tipi di messaggi come a diversi "ruoli" che i partecipanti assumono in una conversazione. LangChain utilizza diverse classi di messaggi per tenere traccia di chi dice cosa:

Tipo di messaggio	Scopo	Esempio di utilizzo
`SystemMessage`	Definisce la personalità e il comportamento dell'AI	"Sei un assistente di codifica utile"
`HumanMessage`	Rappresenta l'input dell'utente	"Spiega come funzionano le funzioni"
`AIMessage`	Memorizza le risposte dell'AI	Risposte precedenti dell'AI nella conversazione

Creare la tua prima conversazione

Creiamo una conversazione in cui la nostra AI assume un ruolo specifico. Le faremo incarnare il Capitano Picard - un personaggio noto per la sua saggezza diplomatica e leadership:

messages = [
    SystemMessage(content="You are Captain Picard of the Starship Enterprise"),
    HumanMessage(content="Tell me about you"),
]

Analisi di questa configurazione della conversazione:

Stabilisce il ruolo e la personalità dell'AI tramite SystemMessage
Fornisce la query iniziale dell'utente tramite HumanMessage
Crea una base per una conversazione multi-turno

Il codice completo per questo esempio è il seguente:

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
    model="openai/gpt-4o-mini",
)

messages = [
    SystemMessage(content="You are Captain Picard of the Starship Enterprise"),
    HumanMessage(content="Tell me about you"),
]


# works
response  = llm.invoke(messages)
print(response.content)

Dovresti vedere un risultato simile a:

I am Captain Jean-Luc Picard, the commanding officer of the USS Enterprise (NCC-1701-D), a starship in the United Federation of Planets. My primary mission is to explore new worlds, seek out new life and new civilizations, and boldly go where no one has gone before. 

I believe in the importance of diplomacy, reason, and the pursuit of knowledge. My crew is diverse and skilled, and we often face challenges that test our resolve, ethics, and ingenuity. Throughout my career, I have encountered numerous species, grappled with complex moral dilemmas, and have consistently sought peaceful solutions to conflicts.

I hold the ideals of the Federation close to my heart, believing in the importance of cooperation, understanding, and respect for all sentient beings. My experiences have shaped my leadership style, and I strive to be a thoughtful and just captain. How may I assist you further?

Per mantenere la continuità della conversazione (invece di resettare il contesto ogni volta), devi continuare ad aggiungere risposte alla tua lista di messaggi. Come le tradizioni orali che hanno preservato storie attraverso generazioni, questo approccio costruisce una memoria duratura:

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
    model="openai/gpt-4o-mini",
)

messages = [
    SystemMessage(content="You are Captain Picard of the Starship Enterprise"),
    HumanMessage(content="Tell me about you"),
]


# works
response  = llm.invoke(messages)

print(response.content)

print("---- Next ----")

messages.append(response)
messages.append(HumanMessage(content="Now that I know about you, I'm Chris, can I be in your crew?"))

response  = llm.invoke(messages)

print(response.content)

Abbastanza interessante, vero? Quello che sta succedendo qui è che stiamo chiamando il LLM due volte - prima con solo i nostri due messaggi iniziali, ma poi di nuovo con l'intera cronologia della conversazione. È come se l'AI stesse effettivamente seguendo la nostra chat!

Quando esegui questo codice, otterrai una seconda risposta che suona qualcosa come:

Welcome aboard, Chris! It's always a pleasure to meet those who share a passion for exploration and discovery. While I cannot formally offer you a position on the Enterprise right now, I encourage you to pursue your aspirations. We are always in need of talented individuals with diverse skills and backgrounds. 

If you are interested in space exploration, consider education and training in the sciences, engineering, or diplomacy. The values of curiosity, resilience, and teamwork are crucial in Starfleet. Should you ever find yourself on a starship, remember to uphold the principles of the Federation: peace, understanding, and respect for all beings. Your journey can lead you to remarkable adventures, whether in the stars or on the ground. Engage!

sequenceDiagram
    participant User
    participant App
    participant LangChain
    participant AI
    
    User->>App: "Tell me about you"
    App->>LangChain: [SystemMessage, HumanMessage]
    LangChain->>AI: Formatted conversation
    AI->>LangChain: Captain Picard response
    LangChain->>App: AIMessage object
    App->>User: Display response
    
    Note over App: Add AIMessage to conversation
    
    User->>App: "Can I join your crew?"
    App->>LangChain: [SystemMessage, HumanMessage, AIMessage, HumanMessage]
    LangChain->>AI: Full conversation context
    AI->>LangChain: Contextual response
    LangChain->>App: New AIMessage
    App->>User: Display contextual response

Lo prendo come un forse ;)

Risposte in streaming

Hai mai notato come ChatGPT sembri "digitare" le sue risposte in tempo reale? Questo è lo streaming in azione. Come guardare un abile calligrafo al lavoro - vedere i caratteri apparire tratto dopo tratto piuttosto che materializzarsi istantaneamente - lo streaming rende l'interazione più naturale e fornisce un feedback immediato.

Implementare lo streaming con LangChain

from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
    model="openai/gpt-4o-mini",
    streaming=True
)

# Stream the response
for chunk in llm.stream("Write a short story about a robot learning to code"):
    print(chunk.content, end="", flush=True)

Perché lo streaming è fantastico:

Mostra il contenuto mentre viene creato - niente più attese imbarazzanti!
Fa sentire agli utenti che qualcosa sta effettivamente accadendo
Sembra più veloce, anche quando tecnicamente non lo è
Permette agli utenti di iniziare a leggere mentre l'AI sta ancora "pensando"

💡 Consiglio sull'esperienza utente: Lo streaming brilla davvero quando si tratta di risposte più lunghe come spiegazioni di codice, scrittura creativa o tutorial dettagliati. Gli utenti ameranno vedere i progressi invece di fissare uno schermo vuoto!

🎯 Verifica pedagogica: Benefici delle astrazioni del framework

Pausa e riflessione: Hai appena sperimentato la potenza delle astrazioni dei framework AI. Confronta ciò che hai imparato con le chiamate API dirette delle lezioni precedenti.

Auto-valutazione rapida:

Sai spiegare come LangChain semplifica la gestione delle conversazioni rispetto al tracciamento manuale dei messaggi?
Qual è la differenza tra i metodi invoke() e stream(), e quando useresti ciascuno?
Come il sistema di tipi di messaggi del framework migliora l'organizzazione del codice?

Connessione al mondo reale: I pattern di astrazione che hai imparato (tipi di messaggi, interfacce di streaming, memoria delle conversazioni) sono utilizzati in ogni grande applicazione AI - dall'interfaccia di ChatGPT all'assistenza al codice di GitHub Copilot. Stai padroneggiando gli stessi pattern architetturali utilizzati dai team di sviluppo AI professionali.

Domanda di sfida: Come progetteresti un'astrazione di framework per gestire diversi fornitori di modelli AI (OpenAI, Anthropic, Google) con un'unica interfaccia? Considera i benefici e i compromessi.

Template di prompt

I template di prompt funzionano come le strutture retoriche utilizzate nell'oratoria classica - pensa a come Cicerone adattava i suoi schemi di discorso per diversi pubblici mantenendo lo stesso framework persuasivo. Ti permettono di creare prompt riutilizzabili dove puoi sostituire diversi pezzi di informazioni senza riscrivere tutto da zero. Una volta impostato il template, devi solo riempire le variabili con i valori necessari.

Creare prompt riutilizzabili

from langchain_core.prompts import ChatPromptTemplate

# Define a template for code explanations
template = ChatPromptTemplate.from_messages([
    ("system", "You are an expert programming instructor. Explain concepts clearly with examples."),
    ("human", "Explain {concept} in {language} with a practical example for {skill_level} developers")
])

# Use the template with different values
questions = [
    {"concept": "functions", "language": "JavaScript", "skill_level": "beginner"},
    {"concept": "classes", "language": "Python", "skill_level": "intermediate"},
    {"concept": "async/await", "language": "JavaScript", "skill_level": "advanced"}
]

for question in questions:
    prompt = template.format_messages(**question)
    response = llm.invoke(prompt)
    print(f"Topic: {question['concept']}\n{response.content}\n---\n")

Perché amerai usare i template:

Mantiene i tuoi prompt coerenti in tutta l'app
Niente più concatenazioni di stringhe disordinate - solo variabili pulite e semplici
La tua AI si comporta in modo prevedibile perché la struttura rimane la stessa
Gli aggiornamenti sono semplici - cambia il template una volta e sarà corretto ovunque

Output strutturato

Ti sei mai frustrato cercando di analizzare risposte AI che tornano come testo non strutturato? L'output strutturato è come insegnare alla tua AI a seguire l'approccio sistematico che Linneo usava per la classificazione biologica - organizzato, prevedibile e facile da lavorare. Puoi richiedere JSON, strutture di dati specifiche o qualsiasi formato di cui hai bisogno.

Definire schemi di output

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

class CodeReview(BaseModel):
    score: int = Field(description="Code quality score from 1-10")
    strengths: list[str] = Field(description="List of code strengths")
    improvements: list[str] = Field(description="List of suggested improvements")
    overall_feedback: str = Field(description="Summary feedback")

# Set up the parser
parser = JsonOutputParser(pydantic_object=CodeReview)

# Create prompt with format instructions
prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a code reviewer. {format_instructions}"),
    ("human", "Review this code: {code}")
])

# Format the prompt with instructions
chain = prompt | llm | parser

# Get structured response
code_sample = """
def calculate_average(numbers):
    return sum(numbers) / len(numbers)
"""

result = chain.invoke({
    "code": code_sample,
    "format_instructions": parser.get_format_instructions()
})

print(f"Score: {result['score']}")
print(f"Strengths: {', '.join(result['strengths'])}")

Perché l'output strutturato è rivoluzionario:

Niente più indovinare quale formato riceverai - è sempre coerente
Si integra direttamente nei tuoi database e API senza lavoro extra
Intercetta risposte AI strane prima che rompano la tua app
Rende il tuo codice più pulito perché sai esattamente con cosa stai lavorando

Chiamata agli strumenti

Ora arriviamo a una delle funzionalità più potenti: gli strumenti. Questo è il modo in cui dai alla tua AI capacità pratiche oltre la conversazione. Come le corporazioni medievali sviluppavano strumenti specializzati per mestieri specifici, puoi equipaggiare la tua AI con strumenti mirati. Descrivi quali strumenti sono disponibili e, quando qualcuno richiede qualcosa che corrisponde, la tua AI può agire.

Utilizzare Python

Aggiungiamo alcuni strumenti in questo modo:

from typing_extensions import Annotated, TypedDict

class add(TypedDict):
    """Add two integers."""

    # Annotations must have the type and can optionally include a default value and description (in that order).
    a: Annotated[int, ..., "First integer"]
    b: Annotated[int, ..., "Second integer"]

tools = [add]

functions = {
    "add": lambda a, b: a + b
}

Cosa sta succedendo qui? Stiamo creando un blueprint per uno strumento chiamato add. Ereditando da TypedDict e utilizzando quei tipi Annotated per a e b, stiamo dando al LLM un quadro chiaro di cosa fa questo strumento e di cosa ha bisogno. Il dizionario functions è come la nostra cassetta degli attrezzi - dice al nostro codice esattamente cosa fare quando l'AI decide di utilizzare uno strumento specifico.

Vediamo come chiamare il LLM con questo strumento:

llm = ChatOpenAI(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
    model="openai/gpt-4o-mini",
)

llm_with_tools = llm.bind_tools(tools)

Qui chiamiamo bind_tools con il nostro array tools e quindi il LLM llm_with_tools ora ha conoscenza di questo strumento.

Per utilizzare questo nuovo LLM, possiamo digitare il seguente codice:

query = "What is 3 + 12?"

res = llm_with_tools.invoke(query)
if(res.tool_calls):
    for tool in res.tool_calls:
        print("TOOL CALL: ", functions[tool["name"]](../../../10-ai-framework-project/**tool["args"]))
print("CONTENT: ",res.content)

Ora che chiamiamo invoke su questo nuovo llm, che ha strumenti, potremmo vedere la proprietà tool_calls popolata. Se sì, qualsiasi strumento identificato ha una proprietà name e args che identifica quale strumento dovrebbe essere chiamato e con quali argomenti. Il codice completo è il seguente:

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI
import os
from typing_extensions import Annotated, TypedDict

class add(TypedDict):
    """Add two integers."""

    # Annotations must have the type and can optionally include a default value and description (in that order).
    a: Annotated[int, ..., "First integer"]
    b: Annotated[int, ..., "Second integer"]

tools = [add]

functions = {
    "add": lambda a, b: a + b
}

llm = ChatOpenAI(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
    model="openai/gpt-4o-mini",
)

llm_with_tools = llm.bind_tools(tools)

query = "What is 3 + 12?"

res = llm_with_tools.invoke(query)
if(res.tool_calls):
    for tool in res.tool_calls:
        print("TOOL CALL: ", functions[tool["name"]](../../../10-ai-framework-project/**tool["args"]))
print("CONTENT: ",res.content)

Eseguendo questo codice, dovresti vedere un output simile a:

TOOL CALL:  15
CONTENT:

L'AI ha esaminato "Qual è 3 + 12" e ha riconosciuto questo come un compito per lo strumento add. Come un abile bibliotecario sa quale riferimento consultare in base al tipo di domanda posta, ha fatto questa determinazione dal nome dello strumento, dalla descrizione e dalle specifiche dei campi. Il risultato di 15 proviene dal nostro dizionario functions che esegue lo strumento:

print("TOOL CALL: ", functions[tool["name"]](../../../10-ai-framework-project/**tool["args"]))

Uno strumento più interessante che chiama un'API web

Aggiungere numeri dimostra il concetto, ma gli strumenti reali solitamente eseguono operazioni più complesse, come chiamare API web. Espandiamo il nostro esempio per far sì che l'IA recuperi contenuti da internet - simile a come gli operatori telegrafici una volta collegavano località distanti:

class joke(TypedDict):
    """Tell a joke."""

    # Annotations must have the type and can optionally include a default value and description (in that order).
    category: Annotated[str, ..., "The joke category"]

def get_joke(category: str) -> str:
    response = requests.get(f"https://api.chucknorris.io/jokes/random?category={category}", headers={"Accept": "application/json"})
    if response.status_code == 200:
        return response.json().get("value", f"Here's a {category} joke!")
    return f"Here's a {category} joke!"

functions = {
    "add": lambda a, b: a + b,
    "joke": lambda category: get_joke(category)
}

query = "Tell me a joke about animals"

# the rest of the code is the same

Ora, se esegui questo codice, otterrai una risposta simile a:

TOOL CALL:  Chuck Norris once rode a nine foot grizzly bear through an automatic car wash, instead of taking a shower.
CONTENT:

flowchart TD
    A[User Query: "Tell me a joke about animals"] --> B[LangChain Analysis]
    B --> C{Tool Available?}
    C -->|Yes| D[Select joke tool]
    C -->|No| E[Generate direct response]
    
    D --> F[Extract Parameters]
    F --> G[Call joke(category="animals")]
    G --> H[API Request to chucknorris.io]
    H --> I[Return joke content]
    I --> J[Display to user]
    
    E --> K[AI-generated response]
    K --> J
    
    subgraph "Tool Definition Layer"
        L[TypedDict Schema]
        M[Function Implementation]
        N[Parameter Validation]
    end
    
    D --> L
    F --> N
    G --> M

Ecco il codice completo:

from langchain_openai import ChatOpenAI
import requests
import os
from typing_extensions import Annotated, TypedDict

class add(TypedDict):
    """Add two integers."""

    # Annotations must have the type and can optionally include a default value and description (in that order).
    a: Annotated[int, ..., "First integer"]
    b: Annotated[int, ..., "Second integer"]

class joke(TypedDict):
    """Tell a joke."""

    # Annotations must have the type and can optionally include a default value and description (in that order).
    category: Annotated[str, ..., "The joke category"]

tools = [add, joke]

def get_joke(category: str) -> str:
    response = requests.get(f"https://api.chucknorris.io/jokes/random?category={category}", headers={"Accept": "application/json"})
    if response.status_code == 200:
        return response.json().get("value", f"Here's a {category} joke!")
    return f"Here's a {category} joke!"

functions = {
    "add": lambda a, b: a + b,
    "joke": lambda category: get_joke(category)
}

llm = ChatOpenAI(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
    model="openai/gpt-4o-mini",
)

llm_with_tools = llm.bind_tools(tools)

query = "Tell me a joke about animals"

res = llm_with_tools.invoke(query)
if(res.tool_calls):
    for tool in res.tool_calls:
        # print("TOOL CALL: ", tool)
        print("TOOL CALL: ", functions[tool["name"]](../../../10-ai-framework-project/**tool["args"]))
print("CONTENT: ",res.content)

Embedding e elaborazione dei documenti

Gli embedding rappresentano una delle soluzioni più eleganti nell'IA moderna. Immagina di poter prendere qualsiasi testo e convertirlo in coordinate numeriche che ne catturano il significato. È esattamente ciò che fanno gli embedding: trasformano il testo in punti in uno spazio multidimensionale dove concetti simili si raggruppano. È come avere un sistema di coordinate per le idee, simile a come Mendeleev organizzò la tavola periodica in base alle proprietà atomiche.

Creare e utilizzare gli embedding

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter

# Initialize embeddings
embeddings = OpenAIEmbeddings(
    api_key=os.environ["GITHUB_TOKEN"],
    base_url="https://models.github.ai/inference",
    model="text-embedding-3-small"
)

# Load and split documents
loader = TextLoader("documentation.txt")
documents = loader.load()

text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)

# Create vector store
vectorstore = FAISS.from_documents(texts, embeddings)

# Perform similarity search
query = "How do I handle user authentication?"
similar_docs = vectorstore.similarity_search(query, k=3)

for doc in similar_docs:
    print(f"Relevant content: {doc.page_content[:200]}...")

Caricamento di documenti in vari formati

from langchain_community.document_loaders import (
    PyPDFLoader,
    CSVLoader,
    JSONLoader,
    WebBaseLoader
)

# Load different document types
pdf_loader = PyPDFLoader("manual.pdf")
csv_loader = CSVLoader("data.csv")
json_loader = JSONLoader("config.json")
web_loader = WebBaseLoader("https://example.com/docs")

# Process all documents
all_documents = []
for loader in [pdf_loader, csv_loader, json_loader, web_loader]:
    docs = loader.load()
    all_documents.extend(docs)

Cosa puoi fare con gli embedding:

Creare una ricerca che comprenda realmente ciò che intendi, non solo il matching delle parole chiave
Sviluppare un'IA che possa rispondere a domande sui tuoi documenti
Realizzare sistemi di raccomandazione che suggeriscano contenuti davvero pertinenti
Organizzare e categorizzare automaticamente i tuoi contenuti

flowchart LR
    A[Documents] --> B[Text Splitter]
    B --> C[Create Embeddings]
    C --> D[Vector Store]
    
    E[User Query] --> F[Query Embedding]
    F --> G[Similarity Search]
    G --> D
    D --> H[Relevant Documents]
    H --> I[AI Response]
    
    subgraph "Vector Space"
        J[Document A: [0.1, 0.8, 0.3...]]
        K[Document B: [0.2, 0.7, 0.4...]]
        L[Query: [0.15, 0.75, 0.35...]]
    end
    
    C --> J
    C --> K
    F --> L
    G --> J
    G --> K

Creare un'applicazione IA completa

Ora integreremo tutto ciò che hai imparato in un'applicazione completa: un assistente di programmazione che può rispondere a domande, utilizzare strumenti e mantenere la memoria della conversazione. Come la stampa che combinava tecnologie esistenti (caratteri mobili, inchiostro, carta e pressione) in qualcosa di trasformativo, combineremo i nostri componenti IA in qualcosa di pratico e utile.

Esempio di applicazione completa

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage
from langchain_community.vectorstores import FAISS
from typing_extensions import Annotated, TypedDict
import os
import requests

class CodingAssistant:
    def __init__(self):
        self.llm = ChatOpenAI(
            api_key=os.environ["GITHUB_TOKEN"],
            base_url="https://models.github.ai/inference",
            model="openai/gpt-4o-mini"
        )
        
        self.conversation_history = [
            SystemMessage(content="""You are an expert coding assistant. 
            Help users learn programming concepts, debug code, and write better software.
            Use tools when needed and maintain a helpful, encouraging tone.""")
        ]
        
        # Define tools
        self.setup_tools()
    
    def setup_tools(self):
        class web_search(TypedDict):
            """Search for programming documentation or examples."""
            query: Annotated[str, "Search query for programming help"]
        
        class code_formatter(TypedDict):
            """Format and validate code snippets."""
            code: Annotated[str, "Code to format"]
            language: Annotated[str, "Programming language"]
        
        self.tools = [web_search, code_formatter]
        self.llm_with_tools = self.llm.bind_tools(self.tools)
    
    def chat(self, user_input: str):
        # Add user message to conversation
        self.conversation_history.append(HumanMessage(content=user_input))
        
        # Get AI response
        response = self.llm_with_tools.invoke(self.conversation_history)
        
        # Handle tool calls if any
        if response.tool_calls:
            for tool_call in response.tool_calls:
                tool_result = self.execute_tool(tool_call)
                print(f"🔧 Tool used: {tool_call['name']}")
                print(f"📊 Result: {tool_result}")
        
        # Add AI response to conversation
        self.conversation_history.append(response)
        
        return response.content
    
    def execute_tool(self, tool_call):
        tool_name = tool_call['name']
        args = tool_call['args']
        
        if tool_name == 'web_search':
            return f"Found documentation for: {args['query']}"
        elif tool_name == 'code_formatter':
            return f"Formatted {args['language']} code: {args['code'][:50]}..."
        
        return "Tool execution completed"

# Usage example
assistant = CodingAssistant()

print("🤖 Coding Assistant Ready! Type 'quit' to exit.\n")

while True:
    user_input = input("You: ")
    if user_input.lower() == 'quit':
        break
    
    response = assistant.chat(user_input)
    print(f"🤖 Assistant: {response}\n")

Architettura dell'applicazione:

graph TD
    A[User Input] --> B[Coding Assistant]
    B --> C[Conversation Memory]
    B --> D[Tool Detection]
    B --> E[LLM Processing]
    
    D --> F[Web Search Tool]
    D --> G[Code Formatter Tool]
    
    E --> H[Response Generation]
    F --> H
    G --> H
    
    H --> I[User Interface]
    H --> C

Caratteristiche principali implementate:

Ricorda l'intera conversazione per garantire continuità contestuale
Esegue azioni attraverso la chiamata di strumenti, non solo conversazioni
Segue modelli di interazione prevedibili
Gestisce automaticamente la gestione degli errori e i flussi di lavoro complessi

🎯 Verifica pedagogica: Architettura IA per la produzione

Comprensione dell'architettura: Hai costruito un'applicazione IA completa che combina gestione delle conversazioni, chiamata di strumenti e flussi di lavoro strutturati. Questo rappresenta lo sviluppo di applicazioni IA a livello di produzione.

Concetti chiave acquisiti:

Architettura basata su classi: Struttura organizzata e manutenibile per applicazioni IA
Integrazione di strumenti: Funzionalità personalizzate oltre la conversazione
Gestione della memoria: Contesto persistente della conversazione
Gestione degli errori: Comportamento robusto dell'applicazione

Connessione con l'industria: I modelli di architettura che hai implementato (classi di conversazione, sistemi di strumenti, gestione della memoria) sono gli stessi utilizzati in applicazioni IA aziendali come l'assistente IA di Slack, GitHub Copilot e Microsoft Copilot. Stai costruendo con un pensiero architettonico di livello professionale.

Domanda di riflessione: Come estenderesti questa applicazione per gestire più utenti, archiviazione persistente o integrazione con database esterni? Considera le sfide di scalabilità e gestione dello stato.

Compito: Crea il tuo assistente di studio basato sull'IA

Obiettivo: Crea un'applicazione IA che aiuti gli studenti a imparare i concetti di programmazione fornendo spiegazioni, esempi di codice e quiz interattivi.

Requisiti

Caratteristiche principali (richieste):

Interfaccia conversazionale: Implementa un sistema di chat che mantenga il contesto tra più domande
Strumenti educativi: Crea almeno due strumenti utili per l'apprendimento:
- Strumento di spiegazione del codice
- Generatore di quiz sui concetti
Apprendimento personalizzato: Utilizza messaggi di sistema per adattare le risposte a diversi livelli di competenza
Formattazione delle risposte: Implementa un output strutturato per le domande del quiz

Passaggi di implementazione

Passaggio 1: Configura il tuo ambiente

pip install langchain langchain-openai

Passaggio 2: Funzionalità di chat di base

Crea una classe StudyAssistant
Implementa la memoria della conversazione
Aggiungi una configurazione di personalità per il supporto educativo

Passaggio 3: Aggiungi strumenti educativi

Spiegazione del codice: Scompone il codice in parti comprensibili
Generatore di quiz: Crea domande sui concetti di programmazione
Tracciatore di progressi: Tiene traccia degli argomenti trattati

Passaggio 4: Funzionalità avanzate (opzionale)

Implementa risposte in streaming per una migliore esperienza utente
Aggiungi il caricamento di documenti per incorporare materiali del corso
Crea embedding per il recupero di contenuti basato sulla somiglianza

Criteri di valutazione

Caratteristica	Eccellente (4)	Buono (3)	Soddisfacente (2)	Da migliorare (1)
Flusso della conversazione	Risposte naturali e consapevoli del contesto	Buona conservazione del contesto	Conversazione di base	Nessuna memoria tra gli scambi
Integrazione degli strumenti	Più strumenti utili che funzionano senza problemi	2+ strumenti implementati correttamente	1-2 strumenti di base	Strumenti non funzionanti
Qualità del codice	Pulito, ben documentato, gestione degli errori	Buona struttura, qualche documentazione	Funzionalità di base funzionante	Struttura scadente, nessuna gestione degli errori
Valore educativo	Veramente utile per l'apprendimento, adattivo	Buon supporto all'apprendimento	Spiegazioni di base	Beneficio educativo limitato

Struttura del codice di esempio

class StudyAssistant:
    def __init__(self, skill_level="beginner"):
        # Initialize LLM, tools, and conversation memory
        pass
    
    def explain_code(self, code, language):
        # Tool: Explain how code works
        pass
    
    def generate_quiz(self, topic, difficulty):
        # Tool: Create practice questions
        pass
    
    def chat(self, user_input):
        # Main conversation interface
        pass

# Example usage
assistant = StudyAssistant(skill_level="intermediate")
response = assistant.chat("Explain how Python functions work")

Sfide bonus:

Aggiungi funzionalità di input/output vocale
Implementa un'interfaccia web utilizzando Streamlit o Flask
Crea una base di conoscenza dai materiali del corso utilizzando embedding
Aggiungi tracciamento dei progressi e percorsi di apprendimento personalizzati

📈 Timeline di padronanza dello sviluppo del framework IA

timeline
    title Production AI Framework Development Journey
    
    section Framework Foundations
        Understanding Abstractions
            : Master framework vs API decisions
            : Learn LangChain core concepts
            : Implement message type systems
        
        Basic Integration
            : Connect to AI providers
            : Handle authentication
            : Manage configuration
    
    section Conversation Systems
        Memory Management
            : Build conversation history
            : Implement context tracking
            : Handle session persistence
        
        Advanced Interactions
            : Master streaming responses
            : Create prompt templates
            : Implement structured output
    
    section Tool Integration
        Custom Tool Development
            : Design tool schemas
            : Implement function calling
            : Handle external APIs
        
        Workflow Automation
            : Chain multiple tools
            : Create decision trees
            : Build agent behaviors
    
    section Production Applications
        Complete System Architecture
            : Combine all framework features
            : Implement error boundaries
            : Create maintainable code
        
        Enterprise Readiness
            : Handle scalability concerns
            : Implement monitoring
            : Build deployment strategies

🎓 Traguardo di laurea: Hai padroneggiato con successo lo sviluppo del framework IA utilizzando gli stessi strumenti e modelli che alimentano le applicazioni IA moderne. Queste competenze rappresentano l'avanguardia dello sviluppo di applicazioni IA e ti preparano a costruire sistemi intelligenti di livello aziendale.

🔄 Capacità di livello successivo:

Pronto per esplorare architetture IA avanzate (agenti, sistemi multi-agente)
Preparato per costruire sistemi RAG con database vettoriali
Equipaggiato per creare applicazioni IA multimodali
Fondazione impostata per la scalabilità e l'ottimizzazione delle applicazioni IA

Riepilogo

🎉 Ora hai padroneggiato i fondamenti dello sviluppo del framework IA e hai imparato a costruire applicazioni IA sofisticate utilizzando LangChain. Come completare un apprendistato completo, hai acquisito un ampio set di competenze. Rivediamo ciò che hai realizzato.

Cosa hai imparato

Concetti fondamentali del framework:

Vantaggi del framework: Comprendere quando scegliere i framework rispetto alle chiamate API dirette
Nozioni di base su LangChain: Configurare e configurare connessioni ai modelli IA
Tipi di messaggi: Utilizzare SystemMessage, HumanMessage e AIMessage per conversazioni strutturate

Funzionalità avanzate:

Chiamata di strumenti: Creare e integrare strumenti personalizzati per capacità IA migliorate
Memoria della conversazione: Mantenere il contesto tra più turni di conversazione
Risposte in streaming: Implementare la consegna delle risposte in tempo reale
Template di prompt: Costruire prompt riutilizzabili e dinamici
Output strutturato: Garantire risposte IA coerenti e analizzabili
Embedding: Creare capacità di ricerca semantica e elaborazione dei documenti

Applicazioni pratiche:

Creare app complete: Combinare più funzionalità in applicazioni pronte per la produzione
Gestione degli errori: Implementare una gestione degli errori robusta e validazione
Integrazione degli strumenti: Creare strumenti personalizzati che estendano le capacità dell'IA

Punti chiave

🎯 Ricorda: I framework IA come LangChain sono fondamentalmente i tuoi migliori amici che nascondono la complessità e offrono funzionalità ricche. Sono perfetti quando hai bisogno di memoria della conversazione, chiamata di strumenti o vuoi lavorare con più modelli IA senza perdere la testa.

Framework decisionale per l'integrazione IA:

flowchart TD
    A[AI Integration Need] --> B{Simple single query?}
    B -->|Yes| C[Direct API calls]
    B -->|No| D{Need conversation memory?}
    D -->|No| E[SDK Integration]
    D -->|Yes| F{Need tools or complex features?}
    F -->|No| G[Framework with basic setup]
    F -->|Yes| H[Full framework implementation]
    
    C --> I[HTTP requests, minimal dependencies]
    E --> J[Provider SDK, model-specific]
    G --> K[LangChain basic chat]
    H --> L[LangChain with tools, memory, agents]

Dove andare da qui?

Inizia a costruire subito:

Prendi questi concetti e costruisci qualcosa che ti entusiasmi!
Sperimenta con diversi modelli IA attraverso LangChain - è come avere un parco giochi di modelli IA
Crea strumenti che risolvano problemi reali che affronti nel tuo lavoro o nei tuoi progetti

Pronto per il livello successivo?

Agenti IA: Costruisci sistemi IA che possano pianificare ed eseguire compiti complessi autonomamente
RAG (Generazione Augmentata dal Recupero): Combina l'IA con le tue basi di conoscenza per applicazioni superpotenti
IA Multimodale: Lavora con testo, immagini e audio insieme - le possibilità sono infinite!
Distribuzione in produzione: Impara a scalare le tue app IA e monitorarle nel mondo reale

Unisciti alla comunità:

La comunità LangChain è fantastica per rimanere aggiornati e imparare le migliori pratiche
GitHub Models ti dà accesso a capacità IA all'avanguardia - perfetto per sperimentare
Continua a praticare con diversi casi d'uso - ogni progetto ti insegnerà qualcosa di nuovo

Ora hai le conoscenze per costruire applicazioni conversazionali intelligenti che possono aiutare le persone a risolvere problemi reali. Come gli artigiani del Rinascimento che combinavano visione artistica con abilità tecnica, ora puoi unire capacità IA con applicazioni pratiche. La domanda è: cosa creerai? 🚀

Sfida GitHub Copilot Agent 🚀

Usa la modalità Agent per completare la seguente sfida:

Descrizione: Costruisci un assistente avanzato per la revisione del codice alimentato dall'IA che combina molteplici funzionalità di LangChain, inclusa la chiamata di strumenti, output strutturato e memoria della conversazione per fornire feedback completo sulle submission di codice.

Prompt: Crea una classe CodeReviewAssistant che implementi:

Uno strumento per analizzare la complessità del codice e suggerire miglioramenti
Uno strumento per verificare il codice rispetto alle migliori pratiche
Output strutturato utilizzando modelli Pydantic per un formato di revisione coerente
Memoria della conversazione per tracciare le sessioni di revisione
Un'interfaccia principale di chat che possa gestire submission di codice e fornire feedback dettagliato e attuabile

L'assistente dovrebbe essere in grado di revisionare codice in più linguaggi di programmazione, mantenere il contesto tra più submission di codice in una sessione e fornire sia punteggi riassuntivi che suggerimenti dettagliati di miglioramento.

Scopri di più sulla modalità agent qui.

Disclaimer:
Questo documento è stato tradotto utilizzando il servizio di traduzione AI Co-op Translator. Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche potrebbero contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale umana. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione.