DESCRIZIONE DEL CORSO
I modelli linguistici rispondono, ma non agiscono: senza un’architettura attorno restano oracoli stateless che si fermano al primo output. Questo corso ti insegna a costruire agenti AI reali: sistemi che ragionano, usano strumenti, mantengono uno stato tra un passo e l’altro, e sanno quando fermarsi e chiedere conferma a un umano.
Si parte dai fondamenti, perché un LLM è stateless, cosa distingue davvero una chat da un agente e si arriva a costruire architetture complete con LangChain e LangGraph: tool calling multi-provider, memoria persistente, pattern di auto-correzione (self-reflection), instradamento intelligente (router) e pianificazione multi-step (plan-and-execute), sempre con un occhio alla sicurezza e al controllo umano (human-in-the-loop).
Ogni concetto è mostrato sul codice reale di un progetto guida: CercaCorsi, un assistente che aiuta a trovare corsi di formazione, così da vedere gli stessi pattern applicati a un caso concreto, modulo dopo modulo.
Alla fine del corso saprai progettare, costruire e mettere in sicurezza un agente AI end-to-end: dalla prima chiamata stateless fino a un grafo di stato con controllo umano integrato.
Iscriviti al corso e inizia subito a progettare e sviluppare il tuo Agente AI!
CONTENUTI DEL CORSO
Il corso è organizzato in 4 moduli progressivi più un progetto finale Capstone, per un totale di 18 videolezioni (4 videolezioni teoriche + 14 esercitazioni pratiche guidate).
Per ogni modulo è incluso:
• 1 videolezione teorica che introduce i concetti
• Da 1 a 6 notebook pratici (Jupyter) da eseguire, modificare e riscrivere in prima persona
• 1 cheat sheet riassuntiva (1 pagina) con tutto il codice del modulo a colpo d’occhio
• Le sezioni corrispondenti del Manuale, che integrano il codice dei notebook con la teoria
È incluso nel corso:
• Il manuale avanzato di Agentic AI (dispensa obbligatoria, 87 pagine): teoria, tabelle di confronto, glossario tecnico, checklist di sicurezza per la produzione e 15 schemi visuali in appendice
• Un progetto Capstone finale: costruire un agente autonomo end-to-end che integra i pattern dei moduli precedenti
Indice dettagliato del corso:
Dall’Oracolo all’Agente: Chat Multi-Provider e Tool Calling
• Lezione M0L1: Dall’LLM stateless all’agente — chat multi-provider (OpenAI, Anthropic) e primo tool calling con @tool e .bind_tools()
Messaggi, Prompt Template e Chain LCEL
• Lezione M1L1: Messaggi tipizzati, serializzazione JSON, system prompt come policy, ChatPromptTemplate, few-shot prompting
• Lezione M1L2: Pipeline LCEL (prompt | llm | parser), parser strutturati (Pydantic/JSON), invoke/batch/ainvoke/stream
Tool Calling, Loop e Controllo Umano
• Lezione M2L1: Memoria in LangChain (session_id, RunnableWithMessageHistory)
• Lezione M2L2: Memoria nativa in LangGraph (Checkpointer, MemorySaver, thread_id)
• Lezione M2L3: Tool con schema Pydantic e agente pronto con create_agent
• Lezione M2L4: Guardrail e robustezza (recursion_limit, gestione errori dei tool)
• Lezione M2L5: Self-reflection (loop generate → reflect → revise)
• Lezione M2L6: Human-in-the-loop con HumanInTheLoopMiddleware
Architetture Agentiche con LangGraph
• Lezione M3L1: I tre pilastri di LangGraph — Stato, Nodi, Archi e costruzione del grafo
• Lezione M3L2: Archi condizionali (add_conditional_edges) e ToolNode
• Lezione M3L3: Pattern Router ibrido (deterministico + semantico)
• Lezione M3L4: Human-in-the-loop nativo (interrupt(), Command(resume=…))
• Lezione M3L5: Pattern Plan-and-Execute
Progetto Capstone — Loop autonomo end-to-end
• Costruzione di un agente completo che integra stato, tool, routing e controllo umano in un unico grafo
OBIETTIVI DEL CORSO
✔ Distinguere un LLM stateless da un agente e riconoscere quando serve un’architettura agentica
✔ Costruire chat multi-provider con tool calling nativo in LangChain
✔ Scrivere system prompt come policy operative, non semplici istruzioni
✔ Comporre pipeline LCEL con parser strutturati e output validati
✔ Gestire stato e memoria di un agente, sia in LangChain sia nativamente in LangGraph
✔ Applicare i pattern agentici principali: router, self-reflection, plan-and-execute, human-in-the-loop
✔ Orchestrare agenti con grafi di stato espliciti (nodi, archi condizionali, reducer)
✔ Mettere in sicurezza un agente in produzione: guardrail, limiti di ricorsione, gestione robusta degli errori
✔ Costruire un agente autonomo end-to-end nel progetto Capstone
DESTINATARI DEL CORSO
Il corso è destinato a sviluppatori Python che vogliono passare da un uso conversazionale degli LLM alla costruzione di sistemi agentici reali.
Prerequisiti:
• Python intermedio (funzioni, classi, decoratori, type hint)
• Familiarità di base con il concetto di API REST
• Non è richiesta esperienza precedente con LangChain o LangGraph: si parte da zero sui framework
