Vai al contenuto
Miraat·dweb developer journey, reflected
IT EN FR عربي
AI

AI Engineering

Costruire con i modelli linguistici: prompt, RAG, function calling, valutazione, deploy.

18 skill 6 mesi Avanzato
Non è un corso di machine learning teorico né di matematica. È il mestiere nuovo: integrare modelli AI come Claude o GPT in prodotti veri, gestendo prompt, contesto, valutazione, costi e fallback.

Coprirai prompt engineering pratico, embedding e retrieval-augmented generation (RAG), tool use / function calling, agenti multi-step, valutazione delle risposte, e i pattern di sicurezza per non far esplodere il bill o leakare dati.

Sbocchi: AI engineer, ingegnere di prodotto AI, consulente per integrazioni AI.
Come funzionano davvero gli LLM · 25 min FOUNDATION · 25 MIN Come funzionano davvero gli… Basi di prompt engineering · 30 min FOUNDATION · 30 MIN Basi di prompt engineering Progettare i system prompt · 25 min CORE · 25 MIN Progettare i system prompt Few-shot prompting · 20 min CORE · 20 MIN Few-shot prompting Output strutturati (JSON) · 25 min CORE · 25 MIN Output strutturati (JSON) Tool Use / Function Calling · 35 min ADVANCED · 35 MIN Tool Use / Function Calling L'API di Claude · 30 min CORE · 30 MIN L'API di Claude L'API di OpenAI · 25 min CORE · 25 MIN L'API di OpenAI Prompt caching · 20 min ADVANCED · 20 MIN Prompt caching Streaming delle risposte · 20 min CORE · 20 MIN Streaming delle risposte Fondamenti di embedding · 25 min CORE · 25 MIN Fondamenti di embedding Database vettoriali · 30 min CORE · 30 MIN Database vettoriali RAG di base · 35 min ADVANCED · 35 MIN RAG di base Recupero RAG avanzato · 30 min ADVANCED · 30 MIN Recupero RAG avanzato Agenti multi-step · 35 min ADVANCED · 35 MIN Agenti multi-step Valutare gli output LLM · 30 min ADVANCED · 30 MIN Valutare gli output LLM Ottimizzazione dei costi · 20 min CORE · 20 MIN Ottimizzazione dei costi Sicurezza e guardrail · 25 min ADVANCED · 25 MIN Sicurezza e guardrail

Foundation

1
Come funzionano davvero gli LLM
Token, finestra di contesto, sampling — il modello mentale che fa scattare tutto il resto.
25 minuti
2
Basi di prompt engineering
Istruzione chiara, ruolo, contesto, esempi. Le tecniche noiose che funzionano.
30 minuti

Core

3
Progettare i system prompt
Persona, scope, refusal pattern, formato output. Costruire la "personalità" del modello.
25 minuti
4
Few-shot prompting
Mostrare esempi invece di descrivere — quando 3 demo battono 30 righe di istruzioni.
20 minuti
5
Output strutturati (JSON)
Forzare JSON valido con schema. Tool/function calling, JSON mode, validazione.
25 minuti
7
L'API di Claude
SDK Anthropic, API messages, system, max_tokens, stop_sequences. L'essenziale.
30 minuti
8
L'API di OpenAI
Chat Completions API, Responses API, tool, confronto con Claude.
25 minuti
10
Streaming delle risposte
SSE, render del testo parziale, velocità percepita. Implementarlo pulito.
20 minuti
11
Fondamenti di embedding
Trasformare testo in vettori, similarità coseno, scelta del modello, dimensionalità.
25 minuti
12
Database vettoriali
pgvector, Qdrant, Pinecone. Indici ANN, filtri sui metadata, ricerca ibrida.
30 minuti
17
Ottimizzazione dei costi
Modelli più piccoli, prompt caching, output stretti, batch API. Dove va la fattura.
20 minuti

Advanced

6
Tool Use / Function Calling
Far chiamare il tuo codice al modello: schemi tool, flusso multi-turn, error handling.
35 minuti
9
Prompt caching
Riusare la parte statica dei prompt per tagliare drasticamente latenza e costo.
20 minuti
13
RAG di base
Chunk, embed, retrieve, ground. L'architettura che fa rispondere gli LLM ai tuoi dati.
35 minuti
14
Recupero RAG avanzato
Reranking, query rewriting, retrieval ibrido, quando aggiungere un reranker fine.
30 minuti
15
Agenti multi-step
Loop, planning, riflessione, scelta degli strumenti. Trabocchetti del "lascia decidere al modello".
35 minuti
16
Valutare gli output LLM
Dataset, risposte di riferimento, LLM-as-judge, suite di regressione.
30 minuti
18
Sicurezza e guardrail
Filtri input, check output, resistenza ai jailbreak, rilevamento abuso.
25 minuti