Ricerca ibrida e reranking: come far trovare al tuo RAG i pezzi giusti
Il tuo RAG risponde male perché recupera i chunk sbagliati? Ricerca ibrida (BM25 + embedding), fusione RRF e reranking con cross-encoder, con codice Python.
Impara l'intelligenza artificiale da zero, in italiano
Un percorso gratuito, in italiano, senza pubblicità: 6 livelli progressivi con dispense complete, quiz e progetti pratici. Trenta minuti al giorno, dall'alfabetizzazione fino a costruire automazioni reali.
Come funziona il percorso
Ogni livello ha pochi concetti da padroneggiare, una dispensa integrale da leggere (o ascoltare), un quiz di verifica e un progetto pratico che dimostra che il livello è davvero superato. La regola è una sola: 15-30 minuti al giorno, un concetto alla volta. Niente iscrizione obbligatoria: i progressi restano sul tuo dispositivo, l'account serve solo per ritrovarli ovunque.
Da dove si comincia
Una porta sola, e dipende da cosa vuoi fare oggi. Se vuoi imparare per davvero, con quiz e progressi, la porta è Inizia dal Livello 0: è lo stesso pulsante che trovi in alto e in fondo a ogni pagina, e ti lascia esattamente dove eri la volta dopo. Se vuoi solo leggere o consultare, vai alle dispense: sono le stesse dei livelli, integrali e senza registrazione. Se sei arrivato qui con una domanda precisa — cos'è un token, perché l'AI inventa, come si chiama un'API — parti dal blog o dalle FAQ e al percorso ci torni dopo. Non c'è un ordine sbagliato: c'è solo il Livello 0, che presuppone zero.
I 6 livelli
- Livello 0 — Alfabetizzazione: cos'è un LLM, perché inventa, cosa sa fare davvero, i limiti, l'ecosistema e le regole. 7 capitoli gratuiti in italiano.
- Livello 1 — Prompt & Context Engineering: 7 capitoli con tecniche, esempi e micro-esperimenti. Gratis, in italiano.
- Livello 2 — Costruire con le API: 6 capitoli per passare dalla chat al codice. Gratis, in italiano.
- Livello 3 — RAG e conoscenza esterna: 6 capitoli per collegare un LLM ai tuoi documenti. Gratis, in italiano.
- Livello 4 — Agenti, MCP e orchestrazione: 6 capitoli per capire e costruire agenti. Gratis, in italiano.
- Livello 5 — Automazione reale: 6 capitoli per portare l'AI in produzione senza sorprese. Gratis, in italiano.
Ultimi articoli dal blog
Retry, timeout e rate limit: come far sopravvivere il tuo codice agli errori delle API
Cosa significano gli errori 429, 500 e 529 delle API LLM e come gestirli: retry con backoff e jitter, timeout, Retry-After e una funzione robusta in Python.
Chain-of-thought: quando chiedere all'AI di ragionare passo passo funziona (e quando no)
Cos'è il chain-of-thought prompting, come usarlo con ChatGPT o Claude, quando migliora le risposte e quando spreca solo token. Con una prova da fare subito.
Token AI: cosa sono davvero e perché la stessa frase costa più in italiano
Cosa sono i token di ChatGPT e Claude, come il testo viene spezzato e perché in italiano se ne consumano di più. Con una prova da fare in due minuti.
Few-shot prompting: come insegnare all'AI un compito con 3 esempi
Cos'è il few-shot prompting e come usarlo: quanti esempi servono, come sceglierli, gli errori da evitare e una prova da fare subito con ChatGPT o Claude.
AI Act spiegato semplice: cosa cambia per chi usa ChatGPT o Claude
Cosa dice l'AI Act europeo, le scadenze aggiornate dopo il Digital Omnibus e cosa significa in pratica se usi ChatGPT, Claude o altri strumenti AI ogni giorno.
Agente o pipeline? Come si decide (senza innamorarsi della parola agente)
Agente o workflow: quando conviene una pipeline con passi fissi e quando serve un agente che decide da solo. Un metodo pratico per scegliere senza sprechi.
Mettere un LLM in produzione senza farsi male: evals e costi
Come portare in produzione un'app basata su LLM: costruire evals che servono, misurare token e latenza, tagliare i costi con caching e batch, limitare i danni.
MCP spiegato semplice: il Model Context Protocol
Cos'è MCP, il Model Context Protocol, spiegato senza gergo: il problema che risolve, come funziona client-server, l'analogia con la USB-C e quando conviene davvero.
Il tuo primo agente AI con tool use
Come trasformare un LLM in un agente che usa strumenti: il loop pensa-agisce-osserva, l'anatomia di un tool e un esempio Python minimo per farlo davvero.
Quando il RAG non serve (e cosa fare invece)
Il RAG non è sempre la risposta giusta: i casi in cui long context, query SQL o ricerca full-text battono un RAG, e come decidere caso per caso senza sovraingegnerizzare.
RAG sui tuoi documenti: come far rispondere l'AI sui tuoi file
Come costruire un RAG che risponde sui tuoi documenti: chunking, embedding, recupero e grounding spiegati con un esempio pratico e gli errori da evitare.
Come ottenere JSON affidabile da un LLM (senza rincorrere i parse error)
Come far restituire a un LLM JSON valido e conforme a uno schema: structured output di OpenAI e Anthropic, JSON Schema, validazione con Pydantic ed errori comuni.
Finestra di contesto: cos'è e perché l'AI 'dimentica' nelle chat lunghe
La finestra di contesto è la memoria di lavoro di ChatGPT e Claude: cos'è, perché le chat lunghe peggiorano e come gestirla per avere risposte migliori.
La tua prima chiamata API a un LLM: guida pratica in Python
Come passare dalla chat all'API e fare la prima chiamata a un LLM in Python: chiave, SDK, codice minimo, struttura della risposta, chiave al sicuro e costi.
Allucinazioni AI: come riconoscerle prima che ti facciano male
Perché ChatGPT inventa risposte con tono sicuro e come scoprirlo prima di fidarti: 3 tecniche di verifica e le zone dove le allucinazioni si concentrano.
Come scrivere un prompt efficace: la struttura in 4 parti, con esempi
Il prompt medio è una riga scritta di fretta. La struttura in 4 parti per ottenere risposte utili da ChatGPT e Claude, con esempi prima/dopo da copiare.
Ollama: far girare un'AI sul tuo computer, gratis e senza internet
Guida in italiano per far girare un LLM in locale con Ollama: requisiti hardware, installazione su Windows e Mac, quale modello scegliere e i limiti reali.
Domande frequenti
Come è strutturato il percorso?
Sei livelli progressivi: 0 alfabetizzazione, 1 prompt e context engineering, 2 API e integrazione, 3 RAG, 4 agenti e orchestrazione, 5 automazione reale. Ogni livello ha concetti da padroneggiare, una dispensa…
Quali prerequisiti servono?
Nessuno per i Livelli 0 e 1, interamente concettuali. Dal Livello 2 servono basi di Python: variabili, funzioni, richieste HTTP. Se non le hai, usare un assistente AI come tutor di programmazione è la via più rapida per…
Quanto tempo richiede, realisticamente?
Con 30 minuti al giorno: 2-3 settimane per il Livello 0, 2-3 mesi complessivi per i Livelli 1-3, altri 2-3 mesi per il 4 e il 5. Le stime contano meno della costanza: un livello è superato quando il suo progetto pratico…
Posso saltare livelli o leggere in ordine libero?
Sì. Le dispense sono tutte aperte e i quiz funzionano da test d'ingresso: un punteggio pieno sul quiz di un livello indica che puoi partire dal successivo. L'ordine numerico resta quello consigliato, perché i concetti…
Come nascono i contenuti
Learning AI è un progetto indipendente, senza pubblicità: i contenuti sono curati con l'assistenza di Claude (Anthropic) a partire da fonti primarie registrate e aggiornate ogni settimana, con verifica editoriale prima della pubblicazione. Per errori, proposte o richieste: privacy@learning-ai.it.