API

Architettura a conoscenza zero rappresenta un cambiamento di paradigma nel modo in cui progettiamo sistemi che preservano la privacy.

Quando i dati rappresentano un bene prezioso, garantirne la sicurezza è mai stato più critico.
Dall’istante in cui l’informazione viene creata fino al momento in cui viene eliminata,
il suo percorso è pieno di rischi - sia che venga archiviata, trasferita o utilizzata attivamente.

Scegliere il giusto headless CMS può fare la differenza nel tuo piano di gestione del contenuto. Confrontiamo tre soluzioni open source che influenzano il modo in cui gli sviluppatori costruiscono applicazioni guidate dal contenuto.

Le applicazioni dell’interfaccia a riga di comando (CLI) sono strumenti essenziali per gli sviluppatori, gli amministratori di sistema e i professionisti DevOps. Due librerie Go sono diventate lo standard de facto per lo sviluppo CLI in Go: Cobra per la struttura dei comandi e Viper per la gestione delle configurazioni](https://www.glukhov.org/it/developer-tools/cli-tools/go-cli-applications-with-cobra-and-viper/ “Sviluppo CLI in Go”).

L’ottimizzazione dei token è l’abilità fondamentale che distingue le applicazioni LLM economicamente efficienti dagli esperimenti che prosciugano il budget.

AWS Kinesis è diventato un pilastro fondamentale per la creazione di architetture di microservizi guidati dagli eventi moderne, abilitando l’elaborazione di dati in tempo reale su larga scala con un overhead operativo minimo.

Il modello Backend for Frontend (BFF) combinato con GraphQL e Apollo Server crea un’architettura potente per le moderne applicazioni web.

Elasticsearch è un potente motore di ricerca e analisi distribuito basato su Apache Lucene. Questa guida completa copre comandi essenziali, best practice e riferimenti rapidi per lavorare con i cluster Elasticsearch.

Il Model Context Protocol (MCP) sta rivoluzionando il modo in cui gli assistenti AI interagiscono con le fonti di dati esterne e gli strumenti. In questa guida, esploreremo come costruire server MCP in Python, con esempi focalizzati sulle capacità di ricerca web e scraping.

Docker Model Runner (DMR) è la soluzione ufficiale di Docker per eseguire modelli AI localmente, introdotta nel aprile 2025. Questo foglio di riferimento fornisce un rapido riferimento per tutti i comandi essenziali, le configurazioni e le best practice.

Running large language models (LLMs) locally ha guadagnato popolarità per la privacy, il controllo dei costi e le capacità offline. Il panorama si è notevolmente modificato nel aprile 2025 quando Docker ha introdotto Docker Model Runner (DMR), la sua soluzione ufficiale per il deployment di modelli AI.

Ecco un esempio di Python Lambda per il processore di messaggi SQS + API REST con protezione tramite chiave API + Terraform script per il deployment per l’esecuzione serverless.

In questo post, esploreremo due modi per connettere la tua applicazione Python a Ollama: 1. Attraverso l’HTTP REST API; 2. Attraverso la libreria ufficiale Python di Ollama.

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