AI Agentic Applications Masterclass: dagli LLM agli agenti, con ampio spazio alla RAG
La proposta appare pertinente soprattutto per chi cerca un percorso tecnico che colleghi RAG e agenti, con una progressione dalle basi degli LLM a framework e schemi applicativi. La struttura è abbastanza dettagliata da orientare la scelta dei temi, non da dimostrarne l'efficacia didattica. Prima di decidere, i punti decisivi da chiarire sono preparazione richiesta, aggiornamento delle librerie, supporto alle attività pratiche, costi degli strumenti e condizioni dell'accesso associato agli 89 euro.
A chi si rivolge
- Sviluppatori interessati a collegare modelli linguistici, documenti e strumenti esterni: è un destinatario plausibile, dedotto dalle lezioni su LangChain, function calling e agenti SQL.
- Professionisti tecnici che vogliono esplorare sistemi di domanda e risposta sui documenti, con particolare attenzione a recupero, selezione e riorganizzazione del contesto.
- Chi conosce già i fondamenti degli LLM e cerca un percorso che metta in relazione RAG e applicazioni agentiche, anziché limitarsi all'uso di chatbot.
- Per chi cerca soltanto applicazioni senza programmazione, l'allineamento appare meno evidente: il programma insiste su API, framework, database vettoriali e componenti software.
Cosa puoi imparare
- Il programma prevede l'esplorazione di tokenizzazione, embeddings e fine-tuning, sia tramite API OpenAI sia in una lezione dedicata al budget limitato.
- Sono previste attività su catene di prompt, output strutturato anche da PDF, memoria conversazionale e guardrails.
- La parte RAG affronta domanda e risposta sui documenti, recupero delle fonti utilizzate, decomposizione delle query e retriever avanzati.
- Il percorso arriva a function calling, agenti SQL, MCP e schemi agentici come Plan and Execute, con un project work conclusivo.
Come è strutturato il programma
La masterclass di Data Masters è in italiano e comprende sette sezioni, 46 lezioni video e circa 15 ore e 1 minuto di visione. La struttura segue un percorso riconoscibile: prima il funzionamento degli LLM, poi la composizione di workflow, quindi il recupero documentale e infine gli agenti. L'avvio accosta “Tokenizzazione” e “Vettori di Embeddings” a “Fine-tuning via API OpenAI” e a una sessione operativa su OpenAI, Ollama e LM Studio. Il secondo blocco introduce LangChain attraverso connettori, prompt templating, output strutturato e memoria conversazionale. La sezione denominata “Fine Tuning” è più eterogenea del titolo: comprende prompt chaining, catene composte, guardrails e callbacks, oltre alla lezione “Fine-tuning su budget limitato”. Due sezioni consecutive sono dedicate alla RAG. Si passa da Chroma e domanda e risposta sui documenti a decomposizione delle query, Custom Retriever, Multi-Vector Retriever, Parent Document Retriever e reranking. Questa sequenza rende il recupero documentale una componente centrale del percorso, non soltanto una premessa agli agenti. Le ultime sezioni collegano “Tools e Function Calling” a LangGraph e agli agenti SQL, per poi introdurre MCP, middleware e diversi schemi di ragionamento e organizzazione delle azioni. “Tree of Thoughts”, “Self RAG” e “Plan and Execute” mostrano la varietà degli approcci dichiarati. La chiusura con metriche e project work segnala un passaggio verso applicazione e valutazione, ma i titoli non permettono di determinarne profondità e modalità operative.
Introduzione ai Large Language Models5 contenuti
- Introduzione ai Large Language Models - 31:57
- Tokenizzazione - 18:27
- Vettori di Embeddings - 29:06
- Fine-tuning via API OpenAI - 31:00
- Hands on LLMs - OpenAI - Ollama - LM Studio - 22:20
LangChain e Strumenti Avanzati6 contenuti
- Introduzione a LangChain - 16:04
- Connettori a LLMs e Prompt Templating - 14:22
- Output Strutturato, anche da PDF - 27:22
- Memoria Conversazionale - 16:20
- Langchain tramite Ollama su Colab - 7:33
- Focus su Runnables - 14:09
Fine Tuning5 contenuti
- Workflow di Prompt Chaining - 14:57
- Esempi di Catene Composte - 33:54
- Guardrails - 18:17
- Callbacks e Context Manager - 10:04
- Fine-tuning su budget limitato - 69:06
Retrieval Augmented Generation, Embeddings e VectorStore7 contenuti
- Fondamenti di RAG (Retrieval Augmented Generation) - 24:23
- Chroma Embedding DB - 32:40
- QA su documenti - 14:43
- QA con recupero dei documenti usati - 11:52
- QA query decomposition e sintesi del contesto - 13:59
- RAG con generazione di keywords - 10:26
- Custom Retriever - 9:36
Tecniche RAG avanzate6 contenuti
- Multi-Vector Retriever - 17:53
- Parent Document Retriever - 22:57
- Multi-Vector Retriever - Esercitazione - 24:17
- Self-Query Retriever - 22:49
- RAG Reranking - 13:37
- Retriever Esterni - 10:20
Applicazioni Agentiche8 contenuti
- Introduzione alle Applicazioni Agentiche - 11:14
- Tools e Function Calling - 41:16
- Introduzione a Langgraph - 7:37
- Langgraph - esempio senza Langchain - 16:51
- Tipologie di Agenti - 5:26
- Langchain e Langgraph - 17:45
- Primi agenti con createagent() - 7:06
- SQL Agent e esercitazioni - 17:47
Applicazioni Agentiche Avanzate9 contenuti
- MCP - Model Context Protocol - 18:34
- Middleware - 49:10
- Design Pattern Agentici - 24:45
- Tree of Thoughts - 7:32
- Self Discover - 16:26
- Self RAG - 18:11
- Plan and Execute - 10:51
- Metriche e conclusioni - 10:47
- Project Work - 15:20
Durata, livello e prerequisiti
Il livello non è dichiarato. L'apertura su tokenizzazione e vettori di embeddings introduce le basi concettuali, ma la progressione verso output strutturati, callbacks, retriever personalizzati e middleware suggerisce un percorso tecnico, non una semplice panoramica divulgativa. Come consiglio di preparazione, e non come requisito del venditore, è ragionevole avere familiarità con programmazione, API e gestione di ambienti software. La presenza di lezioni introduttive non basta a stabilire quanto supporto riceva chi incontra questi strumenti per la prima volta.
Prima di iniziare
- I prerequisiti del venditore non sono specificati.
- Come preparazione consigliata dall'analisi, è utile conoscere i fondamenti della programmazione e l'impiego di API.
- Requisiti hardware, account necessari e disponibilità di eventuali crediti per i servizi non sono specificati.
Punti forti e aspetti da verificare
Cosa emerge dal programma
- La progressione rende espliciti i collegamenti fra modelli, workflow, recupero documentale e applicazioni agentiche.
- La RAG è articolata in tecniche specifiche, consentendo di distinguere recupero di base, selezione del contesto e approcci avanzati.
- Il curriculum identifica strumenti e componenti concreti, fra cui Chroma, Ollama, LangChain, LangGraph e MCP.
- Esercitazioni e project work sono esplicitamente presenti nei titoli, pur senza dettagli su valutazione e assistenza.
Limiti e informazioni mancanti
- Non sono specificati prerequisiti e livello: resta incerto il salto richiesto fra le basi iniziali e le applicazioni avanzate.
- Il programma include “Metriche e conclusioni”, ma non chiarisce quali metriche o procedure di valutazione vengano approfondite.
- La descrizione promette soluzioni RAG scalabili e sistemi multi-agent; dai titoli non è possibile stabilire la profondità dedicata a scalabilità e coordinamento fra più agenti.
- Non sono indicate data di aggiornamento o versioni delle librerie, informazioni rilevanti per un percorso centrato su framework e API.
- La scheda non chiarisce modalità di feedback sulle esercitazioni né eventuali spese esterne per seguire le attività.
Acquisto, noleggio o abbonamento?
La scheda del corso riporta 89 euro, ma non specifica a quale formula di accesso corrispondano: non è quindi corretto considerarli automaticamente un prezzo d'acquisto. Compare anche un prezzo originale indicato nel catalogo di 897 euro, senza informazioni che consentano di ricavarne uno sconto attuale o un confronto economico omogeneo. Non sono riportati un prezzo di noleggio, costi di abbonamento o relative condizioni. Mancano inoltre durata dell'accesso e dettagli su eventuali costi degli strumenti utilizzati nelle attività. Con questi dati non è possibile stabilire quale formula convenga: prima di valutare la spesa occorre chiarire che cosa includano gli 89 euro e per quanto tempo i contenuti restino disponibili.
Le domande da farsi
È adatto a chi parte da zero?
Il livello e i prerequisiti non sono specificati. Il percorso parte da tokenizzazione ed embeddings, ma passa poi a API, LangChain, retriever e agenti SQL. Per un principiante assoluto è prudente chiarire la preparazione tecnica richiesta prima di scegliere.
Quanto tempo richiede il corso?
Le durate dei 46 video sommano a circa 15 ore e 1 minuto. È il tempo di visione complessivo disponibile nel catalogo, non una stima del tempo necessario per svolgere esercitazioni e project work.
Vengono trattati tutti i modelli citati nella descrizione?
La descrizione cita GPT, Claude, Gemini e diversi modelli open source. Il curriculum nomina esplicitamente OpenAI, Ollama e LM Studio, ma non dettaglia attività separate per tutti i modelli elencati nella presentazione. Non si può quindi presumere una trattazione equivalente di ciascuno.
Sono previste esercitazioni?
Sono presenti lezioni intitolate “Multi-Vector Retriever - Esercitazione”, “SQL Agent e esercitazioni” e “Project Work”. Non sono specificati consegne, modalità di correzione, feedback o criteri di valutazione.
Gli 89 euro comprendono l'accesso permanente?
La scheda indica 89 euro senza precisare la formula di accesso. Non documenta un prezzo di noleggio né condizioni di abbonamento; non permette quindi di confrontare queste opzioni o di stabilire la durata dell'accesso.