Intro

Qualche settimana fa ho fatto una prova molto semplice: ho preso TinyDB, ho aperto un coding assistant e gli ho chiesto di fare la cosa più ovvia del mondo: convert this to Rust.

Il risultato, a prima vista, non era neppure male. Il codice sembrava plausibile, compilava, passava qualche test e dava proprio quella sensazione pericolosa del “direi che ci siamo”. Poi però, appena ho iniziato a guardarlo da vicino, sono saltati fuori i problemi veri: un deadlock in insert_multiple, corruzione silenziosa integer-to-float nelle operazioni di update, un panic path su regex non valide e circa il 40% delle feature del package originale semplicemente sparite.

Intro

Qualche mese fa ho dovuto mettere mano a un’applicazione complessa su AWS: frontend React su Amplify, diverse Lambda, Bedrock con AgentCore, Knowledge Bases e Prompt Management. Avevo fretta, e la tentazione era fortissima: aprire Claude Code, buttargli dentro un prompt generico e sperare che “capisse”. Invece ho fatto una cosa diversa — ho scritto specifiche, le ho revisionate, ci ho perso una giornata intera — e quel giorno mi è sembrato di non aver combinato nulla. Due giorni dopo avevo un’applicazione funzionante. Se avessi improvvisato, starei probabilmente ancora debuggando.

Langchain 1.0

Il 22 ottobre 2025, LangChain ha raggiunto finalmente la versione 1.0. Dopo ben tre anni, questa milestone rappresenta qualcosa di molto diverso sia rispetto alle versioni precedenti del framework, sia rispetto agli altri competitor , che nel frattempo sono diventati parecchi, creando anche un po’ di confusione e smarrimento per chi si trova a definire l’architettura software di un nuovo progetto.

Per far capire quanto sia volatile questo mercato, vale la pena notare che il framework sviluppato da Microsoft chiamato “AutoGen”, con 51k+ stelle GitHub, è recentemente entrato in maintenance mode, poiché Microsoft ha deciso di concentrare i propri sforzi sul Microsoft Agent Framework che, ovviamente è molto più integrato con i servizi per la GenAI di Microsoft.

1. Introduzione

1.1. Intro dell’intro

Non so bene cosa sia questo articolo, un misto tra esperimento di coding, divulgazione e forse uno svago di qualcuno che in un’altra vita avrebbe voluto fare il fisico.

Ce l’avevo nel cassetto da un po’ di tempo, da quando avevo letto questo articolo di alcuni ricercatori del CERN, che spiega come sia possibile simulare un esperimento sulle disuguaglianze di Bell usando il framework Qibo.

1. Introduzione

La quantità di framework che sta nascendo per lo sviluppo di applicazioni di GenAI è incredibile e a mio avviso inizia ad essere pure eccessiva. Ogniqualvolta salta fuori un nuovo framework, mi sembra che faccia più o meno le stesse cose di quello precedente. Magari alcuni hanno una capacità di modularizzazione migliore, oppure un disegno più robusto contro l’obsolescenza nel lungo periodo, ma più o meno mi sembrano tutti gli stessi e, sebbene mi piaccia sperimentare, lo studio di nuovi mirabolanti e promettenti framework di GenAI comincia ad appassionarmi sempre meno.

Introduzione

Tra una cosa e l’altra, in queste incandescenti giornate di agosto, ne ho approfittato per leggere bene la specifica del protocollo A2A di Google e provare a capire come utilizzarne i concetti per disegnare una un’architettura enterprise di Agenti, possibilmente slegata da vincoli di piattaforma tecnologica.

Che cos’è A2A?

Il Protocollo Agent2Agent (A2A) è uno standard aperto progettato e condiviso pubblicamente da Google per facilitare la comunicazione e la collaborazione degli agenti AI. La standardizzazione del modello di interoperabilità dell’AI è un tema di cui si parla già dai primissimi momenti in cui si è iniziato a parlare di Agenti ed i motivi sono diversi: