Marinuzzi & AssociatiFormazione Professionale AI
€499Acquista
Corso online · in italiano

Progetta sistemi AI agentici per studi professionali

Dalla progettazione di prompt complessi alle architetture multi-agente con RAG avanzata, function calling e MCP: il percorso tecnico per professionisti ICT che vogliono costruire soluzioni LLM reali per il mondo legale e contabile.

  • Saprai progettare e implementare architetture agentiche complete — dal loop agentico fondamentale ai sistemi multi-agente con topologie sequenziali, parallele e gerarchiche
  • Saprai misurare con precisione dove il tuo sistema RAG sta fallendo — usando metriche come faithfulness, context precision e answer relevance invece di affidarti alle impressioni
  • Saprai costruire prompt riproducibili e testabili come codice — applicando framework sistematici come COSTAR e DSPy invece di procedere per tentativi
Avanzato885 min44 moduliAttestato di completamento
In sintesi

Outcome concreti, non teoria

Per chi è

Questo corso è per professionisti ICT, consulenti tecnologici e progettisti di soluzioni AI che hanno già lavorato con LLM, sanno cos'è una context window, hanno familiarità con API, JSON Schema, embedding e sviluppo software — e ora vogliono fare il salto verso la progettazione sistematica di sistemi complessi.

Se hai già usato ChatGPT o l'API di OpenAI ma senti che stai ancora 'improvvisando' i prompt, che non sai come strutturare un agente affidabile, che il tuo RAG funziona ma non sai perché a volte sbaglia — questo corso risponde esattamente a quei problemi.

Se lavori su o per studi legali, commercialisti o consulenti del lavoro, trovi qui un percorso specifico: esempi, casi d'uso e vincoli di sicurezza pensati per quel contesto, non adattamenti generici.

Cosa esci sapendo fare

  • Trasformare richieste vaghe in prompt deterministici e riproducibili, trattando il prompt come codice versionabile
  • Scegliere la tecnica di prompting giusta (Chain-of-Thought, Tree-of-Thought, Self-Consistency, Few-Shot) in base al tipo di problema e ai vincoli di costo e latenza
  • Progettare system prompt robusti che resistano a tentativi di manipolazione e prompt injection
  • Costruire agenti AI completi: modello, memoria, pianificazione e strumenti — sapendo come configurare ciascun componente
  • Orchestrare sistemi multi-agente con pattern sequenziali, paralleli e gerarchici usando framework come LangGraph, CrewAI e AutoGen
  • Diagnosticare i fallimenti di una pipeline RAG con metriche precise (faithfulness, answer relevance, context precision, context recall) invece di affidarsi a impressioni soggettive
  • Implementare RAG avanzata con chunking semantico, retrieval ibrido, reranking e architetture self-corrective
  • Usare function calling e il protocollo MCP per collegare gli agenti a sistemi esterni in modo sicuro e manutenibile
  • Valutare i tuoi sistemi con framework come RAGAS e DeepEval e integrare la valutazione nella pipeline CI/CD
Direzione scientifica
Francesco Marinuzzi, Ph.D.

Centinaia di colleghi hanno seguito corsi tenuti e/o organizzati direttamente da Francesco Marinuzzi sull'Intelligenza Artificiale negli ultimi tre anni, con ampie referenze disponibili.

Ph.D. — IngegnereResponsabile Scientifico dei corsi di IA dell'Ordine degli Ingegneri di Roma (3 anni, con CFP)Consigliere dell'Ordine degli Ingegneri di RomaDocenza AI per il procurement difesa & aerospazio
Il programma completo

44 moduli — la sostanza, per esteso

Nessuna promessa generica: ecco esattamente cosa contiene il corso.

01Fondamenti evoluti del prompting›
  • Distinguere i diversi paradigmi di interazione con gli LLM e il loro impatto sulla qualità dell'output
  • Identificare i principi fondamentali che governano il prompting evoluto rispetto all'uso conversazionale base
  • Valutare quando è necessario passare da un approccio conversazionale a uno ingegneristico nel prompting
02Dall'interfaccia conversazionale al linguaggio di programmazione›
  • Classificare i livelli di sofisticazione nell'interazione uomo-LLM, dal conversazionale al programmatico
  • Applicare il paradigma del prompt-as-code per trasformare richieste vaghe in istruzioni deterministiche
  • Confrontare l'efficacia di prompt conversazionali e prompt ingegnerizzati su task identici
03Il contesto come risorsa computazionale finita›
  • Calcolare l'impatto della tokenizzazione sulla capacità effettiva della context window per diversi modelli
  • Applicare strategie di ottimizzazione del contesto per massimizzare la qualità dell'output entro i vincoli di finestra
  • Diagnosticare problemi di degradazione delle prestazioni legati alla saturazione o alla cattiva gestione del contesto
04Ruoli e struttura del prompt›
  • Progettare system prompt robusti che stabiliscano identità, vincoli e comportamento atteso del modello
  • Strutturare la sequenza di messaggi (system/user/assistant) per massimizzare coerenza e controllabilità
  • Implementare tecniche di separazione delle responsabilità tra i diversi ruoli del prompt
05Tassonomia delle tecniche avanzate di prompting›
  • Classificare le principali famiglie di tecniche avanzate di prompting in base al meccanismo cognitivo attivato
  • Selezionare la tecnica di prompting più adatta in funzione del tipo di task e della complessità del problema
  • Mappare le relazioni e le combinazioni possibili tra tecniche diverse per costruire prompt compositi
06Zero-shot, Few-shot e Many-shot›
  • Determinare il numero ottimale di esempi (zero, few, many) in base alla natura del task e al modello utilizzato
  • Costruire set di esempi few-shot e many-shot che massimizzino la generalizzazione e minimizzino il bias
  • Valutare il trade-off tra consumo di contesto e miglioramento delle prestazioni nell'aggiunta di esempi
07Chain-of-Thought (CoT) e varianti›
  • Implementare prompt Chain-of-Thought efficaci per task di ragionamento complesso
  • Differenziare le varianti del CoT (zero-shot CoT, manual CoT, auto-CoT) e selezionare quella appropriata
  • Diagnosticare e correggere catene di ragionamento errate o degenerate prodotte dal modello
08Varianti principali del CoT›
  • Applicare Tree-of-Thought (ToT) per esplorare rami alternativi di ragionamento su problemi con soluzioni multiple
  • Implementare Graph-of-Thought e altre topologie di ragionamento per task che richiedono backtracking o fusione di idee
  • Selezionare la variante CoT ottimale in base alla struttura del problema e ai vincoli di latenza e costo
09Self-Consistency e tecniche di sampling›
  • Implementare Self-Consistency sampling per migliorare l'affidabilità delle risposte su task di ragionamento
  • Configurare i parametri di sampling (temperatura, top-k, top-p) per bilanciare diversità e coerenza delle risposte
  • Progettare strategie di aggregazione e voting per selezionare la risposta finale da un insieme di candidati
10Decomposizione e prompting ricorsivo›
  • Applicare tecniche di decomposizione (Least-to-Most, Plan-and-Solve) per trasformare problemi complessi in catene di sotto-problemi
  • Progettare pipeline di prompting ricorsivo dove l'output di un passo alimenta l'input del successivo
  • Identificare i punti di fallimento nelle catene di decomposizione e implementare meccanismi di recovery
11Prompt riflessivi e meta-cognitivi›
  • Implementare prompt riflessivi che inducano il modello a verificare, criticare e migliorare autonomamente il proprio output
  • Costruire loop di auto-valutazione (Reflexion, self-refine) con criteri di arresto espliciti
  • Valutare l'efficacia reale delle tecniche meta-cognitive e riconoscere i casi di 'falsa riflessione'
12Adversarial prompting e tecniche difensive›
  • Classificare le principali categorie di attacco adversarial (prompt injection, jailbreak, data extraction) e i relativi vettori
  • Implementare tecniche difensive nei prompt per resistere a tentativi di manipolazione
  • Progettare test adversarial sistematici per validare la robustezza di un sistema LLM in produzione
13Prompt engineering sistematico: framework e metodologie›
  • Applicare framework strutturati per passare dalla progettazione intuitiva a quella sistematica dei prompt
  • Selezionare il framework metodologico più adatto in base al contesto d'uso e al tipo di progetto
  • Integrare le metodologie di prompt engineering nel ciclo di sviluppo software esistente
14Il framework COSTAR›
  • Applicare il framework COSTAR per progettare prompt completi e riproducibili su qualsiasi dominio
  • Compilare ciascuna dimensione del COSTAR (Context, Objective, Style, Tone, Audience, Response) con criteri professionali
  • Adattare il framework COSTAR a diversi casi d'uso nel settore professionale legale e contabile
15Meta-prompting e prompt generativi›
  • Implementare tecniche di meta-prompting per far generare al modello prompt ottimizzati per task specifici
  • Costruire pipeline di prompt generativi dove un LLM progetta i prompt per un altro LLM (o per sé stesso)
  • Valutare la qualità dei prompt generati automaticamente rispetto a quelli progettati manualmente
16Structured output e vincoli di formato›
  • Configurare i vincoli di formato (JSON mode, JSON Schema, function calling) per garantire output strutturati e parsabili
  • Progettare prompt che producano output conformi a schemi predefiniti senza degradare la qualità del contenuto
  • Gestire i casi di fallimento nella generazione strutturata e implementare meccanismi di validazione e retry
17Ottimizzazione dei prompt: DSPy e approcci programmatici›
  • Descrivere l'architettura di DSPy e il suo paradigma di ottimizzazione automatica dei prompt
  • Implementare un modulo DSPy base con signature, metric e optimizer per un task specifico
  • Confrontare l'approccio programmatico (DSPy) con il prompt engineering manuale in termini di prestazioni, costi e manutenibilità
18Architetture agentiche: dall'LLM all'agente autonomo›
  • Definire le caratteristiche che distinguono un agente AI da un semplice wrapper su LLM
  • Identificare i livelli di autonomia agentica e mappare i diversi tipi di agente sulla tassonomia di riferimento
  • Valutare quando un'architettura agentica è giustificata rispetto a una pipeline deterministica
19Definizione e tassonomia degli agenti IA›
  • Classificare gli agenti IA secondo le principali tassonomie (Anthropic, Langchain, Google) e i livelli di autonomia
  • Differenziare tra agenti reattivi, deliberativi, ibridi e multi-agente
  • Mappare casi d'uso concreti nel settore professionale sui diversi tipi di agente
20Anatomia di un agente: i quattro componenti›
  • Identificare i quattro componenti architetturali di un agente AI e le loro responsabilità
  • Analizzare le interdipendenze tra modello, memoria, pianificazione e strumenti in un'architettura agentica
  • Progettare la specifica di alto livello di un agente selezionando le caratteristiche appropriate per ciascun componente
21Il modello (Brain)›
  • Selezionare il modello LLM appropriato per un agente in base a task, latenza, costo e capacità di tool use
  • Configurare i parametri del modello (temperatura, top-p, max tokens, stop sequences) per uso agentico
  • Implementare strategie di model routing per usare modelli diversi per sotto-task diversi all'interno dello stesso agente
22La memoria (Memory)›
  • Progettare un sistema di memoria agentica che integri memoria a breve termine (conversazionale) e lungo termine (persistente)
  • Implementare strategie di gestione della memoria: summarization, sliding window, retrieval-based recall
  • Valutare l'impatto delle scelte di memoria sulla coerenza, personalizzazione e scalabilità dell'agente
23La pianificazione (Planning)›
  • Implementare strategie di pianificazione (plan-then-execute, replan, ReAct) in un agente AI
  • Progettare meccanismi di recovery e re-planning quando l'esecuzione del piano incontra ostacoli
  • Confrontare approcci di pianificazione statica e dinamica in base alla prevedibilità del task
24Gli strumenti (Tools)›
  • Progettare l'interfaccia e la descrizione degli strumenti per massimizzare la probabilità che l'agente li selezioni e usi correttamente
  • Implementare tool use con gestione degli errori, timeout e fallback
  • Definire le policy di sicurezza per l'accesso degli agenti a strumenti che interagiscono con sistemi esterni
25Il loop agentico fondamentale›
  • Descrivere il loop agentico fondamentale (Perceive → Reason → Act → Observe) e il ruolo di ciascuna fase
  • Implementare un loop agentico con criteri di terminazione espliciti e limiti di iterazione
  • Diagnosticare problemi comuni nel loop agentico: loop infiniti, drift, escalation non controllata
26Pattern architetturali per sistemi multi-agente›
  • Identificare i principali pattern architetturali multi-agente e le loro applicazioni
  • Selezionare la topologia di orchestrazione appropriata in base alla complessità e al tipo di workflow
  • Valutare vantaggi e rischi del passaggio da architettura single-agent a multi-agent
27Topologie di orchestrazione›
  • Progettare topologie di orchestrazione (sequenziale, parallela, gerarchica, a grafo) per sistemi multi-agente
  • Implementare un orchestratore che gestisca il flusso di lavoro tra agenti specializzati
  • Ottimizzare la topologia per bilanciare latenza, costo e qualità dell'output finale
28Framework per sistemi multi-agente›
  • Confrontare i principali framework multi-agente (LangGraph, CrewAI, AutoGen, Swarm) per funzionalità, maturità e casi d'uso
  • Selezionare il framework appropriato in base ai requisiti architetturali del progetto
  • Implementare un sistema multi-agente base con almeno uno dei framework analizzati
29Pattern di comunicazione inter-agente›
  • Progettare protocolli di comunicazione tra agenti che garantiscano coerenza e tracciabilità
  • Implementare pattern di handoff strutturato con trasferimento di contesto tra agenti specializzati
  • Gestire conflitti, ambiguità e deadlock nella comunicazione inter-agente
30Retrieval-Augmented Generation (RAG) avanzata›
  • Diagnosticare i limiti del RAG naive e identificare i pattern di fallimento più comuni
  • Classificare le architetture RAG avanzate e selezionare quella appropriata per il caso d'uso
  • Progettare una strategia RAG end-to-end che copra ingestion, retrieval e generation
31Strategie di chunking avanzato›
  • Selezionare la strategia di chunking ottimale in base al tipo di documento, al dominio e al modello di embedding
  • Implementare chunking semantico, gerarchico e document-aware per corpora professionali
  • Valutare l'impatto della dimensione e del tipo di chunk sulla qualità del retrieval e della generazione
32Retrieval multi-strategia›
  • Implementare strategie di retrieval ibrido che combinino ricerca vettoriale, BM25 e filtri strutturati
  • Configurare reranking e fusion per ottimizzare la rilevanza dei risultati finali
  • Progettare query transformation (HyDE, query expansion, multi-query) per migliorare il recall
33RAG agentica e self-corrective RAG›
  • Progettare un sistema RAG agentico che valuti la rilevanza dei documenti recuperati e decida se servono ulteriori ricerche
  • Implementare loop self-corrective (CRAG, Self-RAG) con criteri di qualità e fallback
  • Integrare la RAG agentica in un'architettura multi-agente con agenti specializzati per retrieval e generazione
34Knowledge Graph RAG (GraphRAG)›
  • Progettare un'architettura GraphRAG che combini knowledge graph e retrieval vettoriale
  • Costruire un knowledge graph da documenti professionali usando tecniche di estrazione automatica di entità e relazioni
  • Implementare query che sfruttino la struttura del grafo per rispondere a domande multi-hop e relazionali
35Function calling, tool use e protocollo MCP›
  • Descrivere l'evoluzione dal function calling proprietario al protocollo standard MCP
  • Identificare i casi d'uso in cui il function calling è essenziale e quelli in cui è sufficiente il prompting
  • Valutare la maturità dell'ecosistema MCP e le implicazioni per la progettazione di sistemi agentici
36Function calling: meccanica e best practice›
  • Implementare function calling con le API di OpenAI, Anthropic e Google, inclusa la definizione di tool schema
  • Progettare descrizioni di funzione che minimizzino errori di selezione e parametrizzazione da parte del modello
  • Costruire gestione degli errori robusta per function calling in produzione (timeout, retry, fallback)
37Il Model Context Protocol (MCP)›
  • Descrivere l'architettura del Model Context Protocol e i suoi componenti (host, client, server)
  • Implementare un MCP server base che esponga risorse e strumenti a un client compatibile
  • Valutare i vantaggi dell'adozione di MCP rispetto al function calling proprietario per interoperabilità e manutenibilità
38Architettura MCP›
  • Progettare un'architettura MCP completa con host, client multipli e server specializzati
  • Configurare i protocolli di trasporto (stdio, HTTP/SSE) in base ai requisiti di deployment
  • Implementare pattern di discovery, capability negotiation e lifecycle management in MCP
39Parallel e sequential tool use›
  • Implementare parallel tool calling per eseguire più operazioni indipendenti in un singolo turno
  • Progettare pipeline di tool use sequenziale dove l'output di uno strumento alimenta l'input del successivo
  • Gestire dipendenze, conflitti e aggregazione dei risultati in scenari di tool use complesso
40Computer use e interazione con ambienti digitali›
  • Descrivere le architetture di computer use e i modelli vision-based per l'interazione con GUI
  • Valutare rischi, limiti e casi d'uso appropriati per il computer use in contesti professionali
  • Progettare guardrail e policy di sicurezza per agenti con capacità di computer use
41Valutazione, testing e osservabilità dei sistemi LLM›
  • Identificare le sfide specifiche della valutazione di sistemi LLM rispetto al software tradizionale
  • Progettare una strategia di testing e valutazione end-to-end per un sistema basato su LLM
  • Selezionare metriche, framework e strumenti di osservabilità appropriati per il contesto d'uso
42La sfida della valutazione›
  • Analizzare le cause strutturali che rendono la valutazione degli LLM diversa dal testing software classico
  • Classificare i tipi di errore specifici degli LLM (allucinazioni, drift, incoerenza) e le loro conseguenze
  • Progettare golden dataset e test suite rappresentativi per sistemi LLM in dominio professionale
43Framework di valutazione›
  • Implementare pipeline di valutazione automatizzata usando RAGAS, DeepEval o framework equivalenti
  • Configurare metriche LLM-as-judge per valutare qualità, fedeltà e rilevanza delle risposte
  • Integrare la valutazione automatizzata nella CI/CD pipeline per testing continuo dei sistemi LLM
44Metriche per sistemi RAG›
  • Calcolare e interpretare le metriche chiave per sistemi RAG: faithfulness, answer relevance, context precision/recall
  • Diagnosticare problemi nella pipeline RAG usando le metriche come strumenti diagnostici
  • Progettare dashboard di monitoraggio che colleghino le metriche RAG agli obiettivi di business

Il Modulo 1 è gratuito: provalo prima di acquistare.

Come funziona

Fruizione e attestato

Il corso è strutturato in 44 moduli video per un totale di circa 885 minuti di contenuto tecnico. Ogni modulo affronta un tema specifico con approccio pratico: non solo concetti, ma framework applicabili, pattern di implementazione e criteri di scelta tra alternative.

I moduli sono organizzati in tre macro-aree progressive: tecniche avanzate di prompting (dalla tassonomia ai framework sistematici), architetture agentiche (dall'anatomia di un agente ai sistemi multi-agente), RAG avanzata e valutazione (dal chunking alle metriche diagnostiche).

Accesso illimitato ai contenuti. Al completamento del corso ricevi un attestato di completamento.

Referenze

Cosa dicono i colleghi

Feedback reali raccolti tra i partecipanti ai percorsi di Francesco Marinuzzi.

“Just wrapped up an eye-opening AI course! The biggest takeaway? AI isn't a "nice-to-have" hobby anymore; it's a vital tool every professional needs. It's about boosting our capabilities and future-proofing our careers. Huge thanks to Eng. Francesco Marinuzzi for clarifying how AI can become an indispensable part of our toolkit.”
Valerio Agnello · European Rail Standards Leader (NB-Rail/ERA) — Certification & Safety Assessment
Domande frequenti

Dubbi prima di iniziare

Serve esperienza tecnica pregressa?
Sì, questo è un corso di livello avanzato. Presuppone familiarità con LLM, API REST, JSON Schema, embedding e sviluppo software. Se conosci già le basi e hai lavorato con le API di OpenAI o Anthropic, sei nel target giusto. Se sei alle prime armi con gli LLM, ti consigliamo di consolidare prima le basi.
Quanto tempo dura l'accesso?
L'accesso ai contenuti è illimitato: puoi seguire i moduli al tuo ritmo, tornare sui video che ti servono e aggiornare le tue competenze nel tempo senza scadenze.
C'è un attestato?
Sì. Al completamento del corso ricevi un attestato di completamento. Si tratta di un attestato che certifica il percorso formativo svolto, non una certificazione professionale riconosciuta da ordini o enti esterni.
I contenuti coprono framework specifici o sono teorici?
Il corso copre sia i principi architetturali che i framework concreti: LangGraph, CrewAI, AutoGen, DSPy, RAGAS, DeepEval e il protocollo MCP sono trattati con criteri di confronto e implementazione, non solo citati.
È adatto anche se non lavoro nel settore legale o contabile?
Sì. Sebbene i casi d'uso e gli esempi siano spesso riferiti a studi professionali (legali e commercialisti), i pattern architetturali, le tecniche di prompting e i framework di valutazione sono applicabili a qualsiasi dominio professionale. Il focus settoriale è un vantaggio aggiuntivo, non un prerequisito.

Inizia dal Modulo 1, gratis

Prova il primo modulo senza impegno. Se ti convince, sblocchi l'intero corso con attestato a €499.

Acquista ora