Un orientamento di 12 minuti al percorso Valutazione LLM — il capitolo di ingresso, poi i tre strati (judge, suite, gate) che trasformano l'eval a sentimento in una disciplina che rilascia.

Smetti di controllare gli output a sentimento. Costruisci un eval (valutazione) che gira davvero — golden dataset, scorer deterministico, judge LLM — e leggi il risultato da ingegnere.

Progetta judge che sopravvivono ai bias CALM, calibrati contro gli umani, e che si guadagnano un posto nel tuo gate in CI.

Scrivi, esegui e visualizza suite di eval di livello frontiera con il framework open-source di UK AISI.

Collega gli eval per-PR a GitHub Actions, scegli soglie che reggono alla flakiness e decidi quando un gate ha senso su main.

Un orientamento sullo percorso Adversarial AI in quattro capitoli — difensore → superficie di minaccia → offesa → programma — che copre tutto, dalla tua prima patch contro la prompt injection alla gestione di una pratica interna di red-team che regge gli attacchi del 2026.

Perché la prompt injection esiste, come gli attaccanti la sfruttano e la difesa a strati di cui ogni funzione basata su LLM ha bisogno prima del rilascio.

Mappa e difendi la superficie d'attacco dell'era degli agenti — poisoning del RAG, payload veicolati dai documenti, poisoning della memoria e dirottamento dell'output dei tool che le difese contro l'injection diretta non raggiungono.

LRM attaccanti, pattern BYO-attacker, il trio DeepTeam / PyRIT / Mindgard e gli algoritmi automatici (PAIR, TAP, GCG) che trasformano il red-teaming da attività di un singolo ingegnere a un programma continuo.

Mandare avanti un programma di red-team per l'AI in produzione — tassonomia, ciclo di vita dei finding, monitoraggio runtime, disciplina di regression e il playbook interno.

Un orientamento di 12 minuti allo skill path Agent Engineering da 7 capitoli — il capitolo di fondamenta, poi le primitive che ti servono prima di scegliere un archetipo di agent.

Loop, tool, memoria — costruisci l'agente più piccolo possibile e scopri esattamente cosa lo fa funzionare.

Tool use, ReAct loop, orchestrazione multi-agent e guardrails per sistemi di agent affidabili.

Progetta sistemi di memoria che danno agli agent AI continuità, personalizzazione e la capacità di apprendere fra una sessione e l'altra.

Collega Claude ai tuoi tool reali con il Model Context Protocol.

Costruisci pacchetti di istruzioni riusabili che insegnano agli agent AI i tuoi workflow — così insegni una volta e ne raccogli i benefici sempre.

Costruisci agent di retrieval che pianificano le query, routano fra le fonti e si autocorreggono — il pattern di architettura n. 1 nell'AI in produzione.

Costruisci agent che sopravvivono ai fallimenti dei tool, ai loop fuori controllo e agli errori a cascata — con retry, circuit breaker ed escalation umana.

Un orientamento di 12 minuti al percorso Agent Infrastructure — il substrato sotto gli agent in produzione e i due protocolli che devi inquadrare bene.

Costruisci agent che parlano con altri agent — il protocollo aperto per le flotte di agent multi-vendor del 2026.

Scegli la primitiva di isolamento giusta — E2B, Modal o Daytona — per agent che eseguono codice non fidato.

Un orientamento di 12 minuti sullo skill path Agent Frameworks — perché esiste, cosa imparerai a fare, come si collegano i capitoli e da dove iniziare.

Naviga lo stack che va dall'API all'agent, lato OpenAI e Anthropic — capisci i livelli prima di costruire.

Padroneggia sia la Responses API sia Chat Completions — capisci quando usare quale e come migrare.

Padroneggia la Messages API, il tool use, l'extended thinking e il prompt caching — costruisci con Claude partendo dai principi fondamentali.

Costruisci sistemi multi-agente con guardrail, handoff e tracing — il framework di OpenAI per l'AI autonoma.

Costruisci agenti autonomi con il framework di Anthropic — lo stesso motore che alimenta Claude Code, ma come libreria che controlli tu.

Porta in produzione sistemi multi-agent che si integrano con strumenti reali, scalano nei container e verificano il proprio lavoro.

Rilascia agent verificabili — mock dei tool, traccia delle decisioni, golden dataset e gate sui deploy in base agli eval.

Leggi, esegui il debug e porta in produzione su LangGraph, CrewAI e AutoGen — i tre framework che incontrerai nel codice dei clienti.

La tua mappa per le quattro cose che chi non scrive codice può oggi costruire con l'aiuto dell'AI — assistenti custom, artefatti in singolo file, prototipi completi, workflow end-to-end con coding agent — e come i sei corsi di questa percorso ti ci portano nell'ordine giusto.

Installa Claude Code sul tuo computer, impara a usarlo ogni giorno e smetti di sprecare token — spiegato senza tecnicismi.

Capisci gli agent dalle fondamenta, poi costruisci il tuo primo — senza scrivere codice.

Trasforma i tuoi prompt, file e tono di voce in assistenti AI riutilizzabili su ChatGPT, Claude e Gemini — senza bisogno di sviluppatori.

Da un CSV confusionario a una dashboard HTML in un singolo file che puoi condividere via email — generata dall'AI, posseduta da te. La prima cosa che hai "costruito" senza scrivere codice.

Da 'ho un'idea per un piccolo strumento' a una demo cliccabile e funzionante a un URL — senza scrivere codice, con le superfici di vibe-coding design-first che producono qualcosa con cui uno stakeholder interagirà davvero.

Riconosci i cinque fallimenti prevedibili quando Claude Code, Replit, Lovable o un qualsiasi coding agent AI smette di collaborare — diagnostica in pochi secondi, applica la mossa di recovery giusta, sai quando smettere di insistere ed escalare a uno sviluppatore vero.

La mappa dello percorso AI Engineering Foundations — cosa insegnano i chapter, come si collegano tra loro e da dove iniziare.

Scrivi prompt che funzionano come programmi — strutturati, testabili e costantemente efficaci.

Padroneggia l'arte e la scienza di curare il contesto giusto per gli AI agent.

Costruisci pipeline AI type-safe che restituiscono esattamente la forma di dati che ti serve, ogni volta.

Costruisci la pipeline RAG minima viabile — chunk, embed, store, retrieve, augment, generate — in codice semplice.

Porta in produzione la struttura di retrieval — approfondimento sugli embedding, strategie di chunking, document processing, pattern avanzati e valutazione. Presuppone RAG Foundations.

Quando, perché e come fare fine-tuning degli LLM — dalla preparazione del dataset al deployment in produzione.

Costruisci sistemi in produzione con vision API, estrazione da documenti e AI multimediale.

Costruisci i dataset che fanno funzionare davvero i sistemi AI — dalla generazione sintetica alle suite di eval.

Progetta inferenza LLM più veloce, economica ed efficiente — dalla meccanica della KV cache alle strategie di serving in produzione.

Architetta knowledge base che gli AI agent possono navigare, da cui possono recuperare e su cui possono agire.

Scegli l'algoritmo di post-training giusto -- preference optimization, reasoning RL e agent RL -- senza annegare nei paper di ricerca.

Un orientamento di 12 minuti allo percorso AI Governance & Compliance — le regole, le evidenze e la risposta che trasformano 'dovremmo essere conformi' in un programma che i regolatori accettano.

Una guida pratica alla compliance per gli ingegneri che rilasciano modelli AI general-purpose prima del 2 agosto 2026.

Produci le evidenze che i regolatori accettano davvero — model card pronte per l'audit e log firmati e immutabili che legano ogni output alla sua fonte, versione del modello e policy.

Gestisci la chiamata delle 3 di notte — rileva i fallimenti AI, contieni il blast radius, presenta i report dell'Articolo 62 in tempo e trasforma i post-mortem in hardening.

Orientati nel frammentato panorama normativo dell'AI statunitense — NIST AI RMF, leggi a livello statale, postura federale post-EO e azioni di enforcement che fanno giurisprudenza.

Mappa il terreno della compliance oltre UE e Stati Uniti — il framework pro-innovazione del Regno Unito, i principi OECD sull'AI, la certificazione ISO/IEC 42001 e le strategie nazionali che modellano la governance AI globale.

Naviga i regolatori di settore che già governano l'AI nel proprio dominio — sanità (HIPAA, FDA), servizi finanziari (FINRA, PCI-DSS) e i framework di audit che verificano i tuoi controlli.

A short orientation — what this practicum is, what you bring to it, and where to start

The contract, the prerequisites, and the real problem you will carry through all seven chapters — from customer evidence to a shipped, measured outcome

Working business literacy for engineers — what your last feature actually cost, unit economics on a napkin, and the one metric your team moves

Discovery for engineers — how to run a 30-minute call that surfaces real problems, not polite opinions

The spec is your primary artifact now — one page, checkable criteria, and a two-run diff test that turns every divergence into a fix before it reaches a session

Delegation patterns, parallel sessions without chaos, and the verification gates war stories teach — built into one runbook that compounds with every failure

What to keep doing by hand, on purpose. Deliberate practice on genuinely hard problems and the weekly habit that keeps your Learning Velocity from quietly degrading

Define done in business terms, instrument before the work lands, and write the outcome in two paragraphs a CFO would read — then do it on your own project

Un orientamento di 12 minuti allo skill path Code Testing — gli strati di feedback write-verify-fix che tengono onesti i coding agent AI, e l'ordine con cui impararli.

Padroneggia la strategia di test, il testing trophy e come scrivere test automatici che trovano davvero i bug.

Collega Ruff, Biome, Pyrefly, ty, Semgrep e CodeQL come sorgenti di feedback sotto il secondo per Claude Code e Codex.

Collega format, lint, type-check e test in uno percorso di hook stratificato che costringe Claude Code e Codex a sistemare prima di fare commit.

Il feedback loop a due tool che ti dice dove mancano i test e se quelli che hai funzionano davvero.

Da prompt one-shot a loop feedback-driven — guida, supervisiona e revisiona i sistemi che ora scrivono i tuoi test.

Vai oltre gli esempi scelti a mano. Specifica invarianti, lascia che un generatore vada a caccia di controesempi, e accoppia la disciplina con agent che propongono le proprietà che hai mancato.

Mappa i pattern cross-vendor che fanno produrre a qualsiasi coding agent — Claude Code, Codex, Gemini CLI — output affidabile e pronto al merge. I cinque livelli, il passaggio da direttore d'orchestra a orchestratore, e gli otto capitoli di pratica che ci stanno dietro.

Progetta codebase e workflow per massimizzare la collaborazione con l'AI.

Git avanzato per AI engineer — worktree, bisect, reflog — ognuno con workflow pratici per agent che puoi usare oggi.

Un solo file — AGENTS.md — che funziona su Claude Code, Codex, Gemini CLI, Cursor e ogni altro coding agent che il tuo team usa.

Guida onesta e ricca di benchmark per scegliere — e alternare — i tre agent da terminale che stanno ridisegnando il lavoro di sviluppo nel 2026.

Esegui la pipeline di Spec Kit su Claude Code, Codex e Gemini CLI — e rigenera il codice dalla specifica.

Trasforma Claude Code, Codex o Gemini CLI in un partner di debug — inquadra i bug con precisione, leggi gli errori insieme, fai bisect delle regressioni e arriva veloce alla causa principale.

Scegli tra sub-agent, sessioni parallele e team di agent in coordinamento tra peer — qualunque sia il vendor del coding agent che stai pilotando. Agent Teams di Claude Code è l'implementazione più matura; gli stessi pattern valgono anche per le sessioni Codex e Gemini.

Collega un coding agent a CI/CD e operations come infrastruttura autonoma — pipeline automatizzate, job pianificati e workflow di business end-to-end. La modalità headless di Claude Code è il paradigma principale; Codex Cloud e Jules di Gemini aggiungono l'alternativa hosted-async.

Distribuisci i coding agent a tutto il team — dal pilot all'organizzazione, pattern SSO, governance dei costi, convenzioni condivise, sandbox e passaggio a enterprise. Trasversale a Claude Code, Codex e Gemini CLI.

Un orientamento di 12 minuti su cinque coding agent le cui feature list sono ormai convergenti vicino a 1M di context — quindi la vera decisione è il fit, non le capabilities.

Il coding agent nativo nel terminale di Anthropic — architettura, context window da 1M token, permessi, modello di costo e trade-off onesti per gli engineering manager che valutano le opzioni.

L'agente di coding async-first di OpenAI — architettura CLI e cloud task, esecuzione in sandbox, modello dei permessi, struttura dei costi e compromessi onesti per gli engineering manager che valutano le proprie opzioni.

L'agente da terminale open-source di Google — in dismissione per gli utenti consumer, Pro e Ultra dal 18 giugno 2026 a favore della Antigravity CLI closed-source.

L'ecosistema di assistenza al coding IDE-native di Microsoft/GitHub — superfici, architettura, gestione del contesto, permessi, modello di costo e trade-off onesti per gli engineering manager che valutano le opzioni.

L'IDE AI-native che forka VS Code e intreccia più modelli in ogni superficie di editing — architettura, gestione del contesto, permessi, modello di costo e compromessi onesti per gli engineering manager che valutano le proprie opzioni.

Un framework decisionale per gli engineering manager che valutano gli agenti di coding — le dimensioni che contano, gli archetipi di team, le strategie multi-agente e il playbook di rollout.

Una guida alla scelta tra i due framework dominanti per il deep learning — le loro filosofie, i loro ecosistemi e i fattori pratici che dovrebbero orientare la tua decisione.

La prima decisione strategica dopo aver scelto il deep learning: addestrare una rete da zero o partire dalle spalle di giganti pre-addestrati.

Un framework decisionale per scegliere tra Deep Learning e Machine Learning classico — in base a dati, compute, tempistiche ed esigenze di interpretabilità.

Orientamento di 12 minuti allo percorso Deep Learning — perché esiste, cosa costruirai, come si collegano i sei chapter e da dove partire.

Classificazione di immagini, object detection e segmentazione — scegli il task di computer vision giusto prima di scegliere l'architettura.

Il toolkit completo per addestrare reti neurali — batch size, learning rate, funzioni di perdita, attivazioni, ottimizzatori, regolarizzazione e early stopping.

Progetta, addestra e interpreta l'architettura che alimenta la computer vision moderna — dalla prima convoluzione al deploy in produzione.

A short orientation — what this path covers, who it's for, and where to begin

The market stopped paying a premium for the old job. This chapter names the new contract, maps eight durable skills to it, and ends with the honest self-score that anchors your 90-day plan

A practitioner montage of what agents absorbed, what they didn't, and how to audit your own week to find out where your work actually lives now

Ninety percent of your old skills just went to zero, and the leverage on the remaining ten percent multiplied — depth becomes the license to delegate

The PM craft that lands on your desk when nothing arrives pre-chewed: appetite, problem statements, the no-list, and the one-pager that gets a decision made

When the agent returns ten working versions before lunch, selecting the right one is the job — and the trained eye that does it is learnable, on a schedule

Reviewing work you didn't write, at volume — the traps green tests hide, when to throw away instead of steer, and the practice that keeps the catching skill alive

Turn six chapters of work into one closing page: a builder-shaped job description, one booked customer conversation, and a 90-day plan around your weakest two durable skills with a manager script

Orientamento di 12 minuti allo skill path E2E & Multimodal Testing — i quattro sensi di cui il QA ha bisogno quando gli agent rilasciano prodotti multimodali, e l'ordine in cui impararli.

Padroneggia il browser testing con Playwright — locator, assertion, debugging e automation cross-browser.

Agent AI che navigano, cliccano e testano — Playwright MCP, Test Agent e workflow di QA autonomo.

Gli screenshot incontrano la vision degli LLM — QA visuale semantico, vibe check, fedeltà al design e visual regression intelligente.

Testa quello che gli utenti sentono — QA dei voice bot, analisi della qualità audio, testing della speech pipeline e CI multimodale.

Pipeline CI/CD, sharding, test observability e orchestrazione AI-powered per il testing production-grade.

La mappa di questo percorso — perché eseguire i modelli in locale conviene, come i sei capitoli si costruiscono l'uno sull'altro, e da dove iniziare.

Il modello sulla tua macchina è meno potente di quelli di frontiera — eppure conviene scegliere il locale più spesso di quanto pensi.

Quattro porte d'ingresso amichevoli, un solo motore condiviso sotto — così la scelta è una questione di comodità, non di capacità.

Un solo numero decide se un modello gira sulla tua macchina — e un solo trucco ti permette di piegarlo.

Il tuo hardware ha già ristretto il campo — ora scegli in base al lavoro e leggi la licenza prima di impegnarti.

I modelli locali parlano la stessa lingua del cloud — quindi collegarne uno al tuo codice è quasi solo cambiare una riga.

Hai superato il tuo hardware? L'upgrade è un solo numero — fai crescere il tipo giusto di memoria, e si apre un'intera classe di modelli.

Scopri perché una suddivisione a tre vie è irrinunciabile, come scegliere le proporzioni, preservare la struttura, rispettare il tempo e prevenire il leakage che fa sembrare i modelli ottimi nei notebook ma li fa fallire in produzione.

Impara il processo sistematico per scegliere l'algoritmo di ML giusto: prima la baseline, abbinala alle caratteristiche dei dati, validala con la cross-validation e sappi quando rilasciare.

La mappa di orientamento del percorso di Machine Learning — perché questi sei capitoli stanno insieme, cosa saprai fare dopo averli completati e da dove cominciare.

Mappa ogni tipo di problema ML alle concrete famiglie di algoritmi in scikit-learn — modelli lineari, alberi, SVM, ensemble e altro — così scegli lo strumento giusto prima di scrivere una riga di codice.

Valori mancanti, outlier, scaling, encoding e assemblaggio della pipeline — trasforma i risultati grezzi dell'EDA in feature pronte per il modello.

Padroneggia l'indagine sistematica dei dataset prima della modellazione — le distribuzioni rivelano la forma, le correlazioni rivelano il segnale, le anomalie rivelano cosa va corretto.

Impara a riconoscere se la tua domanda di business richiede un classificatore, un regressore o un algoritmo di clustering — la decisione che plasma ogni scelta a valle.

Un orientamento di 12 minuti allo percorso On-Device & Edge AI — le tre piattaforme dove il tuo modello può girare senza round-trip cloud, e come scegliere la tua.

Porta un LLM ~3B capace dentro la tua app iOS — guided generation, tool calling e quando conviene comunque ricorrere a Claude

Porta l'AI on-device su 140M+ dispositivi Android — AICore come system service condiviso, le API ML Kit GenAI e l'intelligenza agentica di Gemma 4.

Fai girare modelli aperti arbitrari sul tuo Mac — memoria unificata, quantization che mantiene davvero la qualità e i limiti onesti di un nodo di inferenza single-user

La mappa dello percorso Production AI — cosa insegna ogni capitolo, come si tengono insieme e da dove iniziare.

Costruisci suite di eval, intercetta le regressioni sui prompt e smetti di rilasciare a sensazione. Pattern pratici di valutazione per AI engineer.

Fai deploy, monitora e operi sistemi AI che reggono in modo affidabile su scala.

Strumenta, fai debugging e ottimizza gli agent AI multi-step in produzione.

Proteggi le applicazioni AI, dalla prompt injection alla compliance: la sicurezza che ogni ingegnere AI deve conoscere.

Padroneggia l'economia dei token, il routing dei modelli e la governance del budget per far girare l'AI in modo sostenibile.

Costruisci interfacce AI reattive con SSE, API di streaming, parsing di JSON parziale e chiamate a strumenti in tempo reale.

Progetta applicazioni AI affidabili e scalabili per la produzione.

Design pattern che gli ingegneri possono implementare oggi per costruire interfacce AI di cui gli utenti si fidano davvero.

Preparati alle deprecazioni dei modelli, costruisci livelli di astrazione e instrada le richieste tra provider con sicurezza.

Perché k6 e Locust mentono sugli LLM in streaming — e le metriche, gli strumenti e i gate che reggono davvero sotto traffico.

Un orientamento di 12 minuti allo percorso Specialized Agents in 4 capitoli — archetipi pronti per la produzione, quando scegliere ciascuno e come falliscono in modo diverso.

Padroneggia l'archetipo plan-execute-synthesize dietro ChatGPT, Gemini, Perplexity e Claude deep research — e riconosci quando non usarlo.

Costruisci agenti AI che vedono screenshot, cliccano pulsanti e automatizzano qualsiasi workflow desktop o browser.

Costruisci voice agent in tempo reale che ascoltano, parlano e ragionano con latenza sotto il secondo.

Architetta agent sempre attivi che girano su schedule cron, scattano su webhook ed eseguono in autonomia con gate umani.