Percorso
Python developer nell'ecosistema AI
HuggingFace, LangChain, PyTorch, smolagents: le librerie che hanno costruito l'AI moderna.
Sei uno sviluppatore Python che vuole capire come le librerie open source hanno modellato l'infrastruttura AI su cui lavori ogni giorno. Questo percorso segue l'evoluzione degli strumenti chiave — dai transformer di Hugging Face alle API SDK di OpenAI e Anthropic, fino agli agent framework di nuova generazione — con le tappe che contano per chi scrive codice reale, non solo usa prodotti.
- 01
Perché conta per te
Transformers v3 consolida l'API unificata per caricare, usare e fare fine-tuning di qualsiasi modello con poche righe di Python: il punto di partenza dell'ecosistema che usi oggi.
Alto Modelli open sourceHuggingFace Transformers 3.0: i tokenizer Rust e l'hub modelli
HuggingFace rilascia Transformers 3.0 con la libreria tokenizers in Rust (fino a 100× più veloci), nuove pipeline NLP e un'integrazione più stretta con il Model Hub, consolidando lo standard de facto per usare modelli pretrained in Python.
- 02
Perché conta per te
PyTorch Lightning 1.0 separa la logica di ricerca dal boilerplate di training: il pattern che ha reso riproducibili e portabili i loop di addestramento in tutto l'ecosistema ML.
Medio Infrastruttura AIPyTorch Lightning 1.0: il training loop diventa boilerplate-free
William Falcon e team rilasciano PyTorch Lightning 1.0, un framework che separa la ricerca (model code) dall'ingegneria (training loop, distributed, checkpoint, logging) e diventa standard de facto per molti progetti open.
- 03
Perché conta per te
PyTorch 1.10 introduce FX, TorchScript stabile e miglioramenti al profiler: le fondamenta su cui si appoggiano le librerie di ottimizzazione e deploy che usi quotidianamente.
Medio Infrastruttura AIPyTorch 1.10: CUDA Graphs, FX e maturazione del framework dominante
Meta rilascia PyTorch 1.10 con CUDA Graphs integration, FX-based quantization, miglioramenti TorchScript, consolidando la leadership del framework per ricerca e produzione AI.
- 04
Perché conta per te
LangChain nasce come colla tra LLM, tool e memorie: in pochi mesi diventa il framework Python di riferimento per chiunque costruisca applicazioni RAG o agentiche su qualsiasi provider.
Pietra miliare AgentiLangChain: nasce il framework per applicazioni LLM
Harrison Chase rilascia LangChain, libreria Python open source per concatenare LLM con prompt template, memoria, tool e fonti dati esterne. Diventerà la stack di default delle prime app LLM.
- 05
Perché conta per te
Hugging Face lancia l'inferenza gestita: il momento in cui il deploy di un modello open weight smette di richiedere infrastruttura custom e diventa un'API Python di poche righe.
Medio Infrastruttura AIHugging Face Inference Endpoints: deploy LLM in due click
Hugging Face lancia Inference Endpoints, servizio managed per deployare modelli del Hub su AWS, Azure o GCP con autoscaling, GPU on-demand e endpoint privati.
- 06
Perché conta per te
L'API ChatGPT con GPT-3.5-turbo standardizza il formato messages[] per tutta l'industria: qualsiasi SDK Python che usi oggi parla quel protocollo, da OpenAI ad Anthropic a Ollama.
Alto Modelli foundationChatGPT API: gpt-3.5-turbo a $0.002 per 1K token
OpenAI rilascia l'API di ChatGPT (gpt-3.5-turbo) a un decimo del prezzo di text-davinci-003, più API Whisper per lo speech-to-text. Inizia l'era dei wrapper.
- 07
Perché conta per te
smolagents di Hugging Face porta il pattern code-as-action agli agent: un framework minimalista in Python puro che ridefinisce come si scrivono agenti affidabili senza lock-in su provider.
Medio AgentiSmolagents di Hugging Face: agenti che scrivono codice invece di JSON
Hugging Face rilascia smolagents, libreria minimale per agenti LLM in ~1000 righe. Promuove il paradigma 'code agents': l'agente scrive snippet Python invece di chiamate tool JSON.