Come fine-tuning e RL costruiscono reasoning e sicurezza; le ricette di DeepSeek, Qwen e Llama; il lab base vs instruct vs RL. (SECONDA PARTE)

Cos'è il post-training, dove si colloca nel ciclo di vita di un LLM e cosa rende efficaci fine-tuning e RL. (PRIMA PARTE)

I fallimenti più subdoli di un agente emergono alle intersezioni tra Goal, Plan e Action, non vengono evidenziati valutando groundness e context relevance (RAG Triad)

Tracing con MLflow e RAG Triad con gli scorer TruLens: Context Relevance, Groundedness e Answer Relevance sul sistema multi-agent.

Implementazione di un sistema multi-agente con LangGraph: Planner, Executor, sub-agent ReAct e stato condiviso.

L'agent loop, l'harness e le operazioni di memoria dentro e fuori dal ciclo: assembliamo tutti i pezzi in un agente stateful che persiste tra le sessioni. (QUARTA E ULTIMA PARTE)

Context summarization, context compaction e workflow memory: come trasformare conversazioni lunghe in conoscenza durevole e recuperabile. (TERZA PARTE)

Come gestire centinaia di tool messi a disposizione dell'agente (SECONDA PARTE)

Come costruire un sistema di memoria per agenti memory-aware, capaci di ricordare, recuperare informazioni e apprenderne di nuove durante la loro esecuzione. (PRIMA PARTE)

Senza un'attenta e corretta preparazione dei dati, anche il miglior modello fatica a fornire risultati ottimali.