NuovoStructured Output: Far Restituire JSON Affidabile agli LLM

Portfolio

Ciao, sono
Marco Salmaso

Esploratore digitale all'intersezione di codice, numeri e intelligenza artificiale

Vedi i progettiVedi i case studiesLeggi il blog
Progetti
4
Progetti
Case studies
1
Case studies
Articoli
23
Articoli
  • Python
  • JavaScript
  • HTML
  • Dockerfile
  • Google Drive
  • Google Docs
  • Google Sheets
  • Google App Script

01Blog

Ultimi articoli

Vedi tutti
Nuovo

8 min

Structured Output: Far Restituire JSON Affidabile agli LLM

Gli LLM scrivono testo, ma i programmi hanno bisogno di dati ordinati. Guida pratica agli structured output: schema JSON, tool calling, decoding vincolato, validazione con Pydantic e retry, più gli errori tipici da mettere in conto quando il modello è in produzione.

9 min

dbt: Modellare, Testare e Documentare i Dati nel Data Warehouse

9 min

SQLite in Produzione: Quando un File Batte un Server di Database

8 min

PostgreSQL: Leggere i Piani di Esecuzione e Capire Quando un Indice Serve Davvero

02Lavori

Progetti in evidenza

Vedi tutti
Database MCP

Database MCP

🤖 Connetti Claude AI al tuo database PostgreSQL tramite Model Context Protocol. Interroga, esplora e gestisci i tuoi dati conversando naturalmente con l'AI.

JavaScript
Qdrant RagSystem MCP

Qdrant RagSystem MCP

Un MCP server espone due strumenti: qdrant-store per salvare chunk testuali vettorializzati e qdrant-find per recuperarli via similarità appoggiandosi a Qdrant. Le embedding sono generate localmente con il modello EmbeddingGemma 300M (multilingue, ~300M parametri), pensato per on-device e ottimo per retrieval semantico.

Python

03Analisi

Case studies in evidenza

Vedi tutti
01
Dal Ben Abbigliamento S.p.a.

Gestione Inventario Multi-Negozio con Google Workspace

L'azienda si trovava ad affrontare una situazione critica: la migrazione dal vecchio gestionale a quello nuovo aveva compromesso l'integrità delle giacenze di magazzino. Le discrepanze nei dati rendevano impossibile effettuare analisi accurate sullo stock e pianificare correttamente gli acquisti e le allocazioni di merce. Era necessario effettuare un inventario fisico completo su 5 punti vendita di dimensioni variabili: - 1 negozio di 5.000 mq - 2 negozi di 3.000 mq ciascuno - 2 negozi di qualche centinaio di mq La sfida principale non era solo la quantità di merce da inventariare, ma la necessità di coordinare fino a 30 persone contemporaneamente nel negozio più grande, senza disporre di lettori barcode professionali o di un sistema di inventory management mobile.

Google DriveGoogle DocsGoogle Sheets+1

Parliamone insieme

Hai un progetto, un'idea o una domanda? Trovi tutti i miei contatti nella pagina Chi Sono.

Contattami Scopri chi sono