Dev

Ollama’s GPT-OSS models presentano frequenti problemi nel gestire l’output strutturato, specialmente quando vengono utilizzate con framework come LangChain, OpenAI SDK, vllm e altri.

Ecco un confronto tra il supporto per output strutturati (ottenimento di JSON affidabili) tra i principali provider di LLM, insieme a esempi Python minimi.

I Large Language Models (LLM) sono potenti, ma in produzione raramente vogliamo paragrafi liberi. Invece, vogliamo dati prevedibili: attributi, fatti o oggetti strutturati che puoi alimentare in un’applicazione. Questo è l’Output Strutturato degli LLM.

Un riferimento rapido per il lavoro quotidiano

PostgreSQL

connessioni, sintassi SQL, metacomandi psql, prestazioni, JSON, funzioni finestra e altro.

Conversione di documenti Word in Markdown è un compito molto comune per gli scrittori tecnici, gli sviluppatori e i creatori di contenuti che desiderano spostare i loro contenuti su piattaforme che utilizzano Markdown (come GitHub, GitLab, generatori di siti statici come Hugo). Questa guida fa parte del nostro Strumenti per la Documentazione nel 2026: Markdown, LaTeX, PDF e Flussi di Lavoro per la Stampa hub.

I framework ORM più utilizzati per GO sono GORM, Ent, Bun e sqlc. Ecco un piccolo confronto tra di loro con esempi di operazioni CRUD in GO puro.

Ecco i miei appunti con un tutorial passo dopo passo su come implementare e distribuire su AWS un bot Telegram. Ho aggiunto un quick start (long polling) e un percorso pronto per la produzione (webhooks), con esempi in Python e Node.js.

Ecco il mio conciso riepilogo di TypeScript che copre i concetti chiave, la sintassi e gli esempi di codice comunemente usati dagli sviluppatori:

La lettera The Pragmatic Engineer pubblicata un paio di giorni fa presenta statistiche di un sondaggio sull’[popolarità dei linguaggi di programmazione, IDE e strumenti AI e altri dati per la metà del 2025.

Ecco una descrizione del Model Context Protocol (MCP), note brevi su come implementare un server MCP in Go, inclusa la struttura dei messaggi e le specifiche del protocollo.

La nuova versione desktop di Linux Ubuntu 24.04 mi ha offerto l’installazione di Beekeeper Studio come editor SQL e strumento di gestione del database. In precedenza utilizzavo DBeaver. OK. Passiamo al Confronto tra DBeaver e Beekeeper Studio.

Apache Airflow è una piattaforma open source progettata per creare, pianificare e monitorare i flussi di lavoro in modo programmabile, interamente in codice Python, offrendo un’alternativa flessibile e potente rispetto agli strumenti tradizionali, manuali o basati sull’interfaccia utente.

Python uv (pronunciato “you-vee”) è un moderno e ad alte prestazioni pacchetto e gestore di progetti Python scritto in Rust. È stato progettato come sostituzione plug-and-play per gli strumenti tradizionali di gestione dei pacchetti Python come pip, pip-tools, virtualenv, pipx e pyenv, mirando a semplificare e accelerare i flussi di lavoro di sviluppo Python.

Dato che Ollama standard non dispone di una API diretta per il ricalcolo del ranking (reranking), dovrai implementare il reranking utilizzando Qwen3 Reranker in GO generando embedding per le coppie query-documento e assegnando loro un punteggio.

Un freddo giorno d’inverno a luglio… che è in Australia… ho avuto un forte bisogno di addestrare un modello AI per rilevare barre di armatura in calcestruzzo non chiuse…

Questo piccolo esempio di codice Go per il Reranking chiama Ollama per generare gli embedding per la query e per ciascun documento candidato, ordinando poi in ordine decrescente in base alla similarità coseno.