Esplora gli strumenti di IA in base a quello che devi fare.
Strumenti per obiettivo26 guide passo passo→Tutte le categoriePer obiettivo
Una funzione di IA che funziona in una demo è solo una piccola parte del lavoro. La demo è un prompt, un modello e cinque input cooperativi. Il prodotto è la stessa cosa messa davanti a migliaia di utenti imprevedibili, con i tuoi dati dietro, un costo che cresce con l’uso e la necessità di accorgersi quando le risposte peggiorano.
Per questo lo stack ha dei livelli. Un modello, raggiunto tramite API o ospitato da te. Prompt con versioni, come il codice. Recupero dei dati e memoria, perché il modello risponda dai tuoi contenuti e non a intuito. Forse un ciclo di agente con gli strumenti che può chiamare. Il normale codice applicativo attorno a tutto questo, poi test, valutazione e un posto dove rilasciare.
Gli agenti di programmazione ormai scrivono buona parte di quel codice applicativo, e i builder di app sanno produrre un front end funzionante da una descrizione. Quello che non risolvono è il giudizio ingegneristico: quale modello basta per il compito a un costo accettabile, come misurare la qualità prima che lo facciano gli utenti, quali dati possono uscire dal tuo sistema e che cosa succede quando il modello sbaglia con sicurezza. Anche i modelli e le loro condizioni cambiano spesso, quindi progetta l’app in modo da poter sostituire un modello senza riscriverla.
A chi è rivolta Sviluppatori, fondatori tecnici e piccoli team di prodotto che aggiungono una funzione basata su un modello linguistico a un prodotto o costruiscono una nuova app attorno a uno, e vogliono una mappa degli strumenti prima di scegliere lo stack.
Un primo giro tipico per un prototipo: confronta i modelli sui tuoi prompt, scrivi il codice con un agente, aggiungi il tracciamento fin dall’inizio, poi rilascia. Le scelte seguono questo ordine, non una classifica.
Trasforma la descrizione grezza del compito in un prompt strutturato, poi provalo su venti input reali.
Descrivi la versione più piccola della funzione e rivedi il piano prima di accettare qualsiasi modifica.
Attiva il tracciamento fin dal primo prototipo, così ogni risposta sbagliata diventa un caso di test.
Collega il repository e condividi l’URL di anteprima con cinque utenti di prova.
Decidi quale modello o quali modelli chiamerà l’app, valutando la qualità dell’output sul tuo compito, la velocità, la dimensione del contesto, il costo per richiesta, i requisiti di privacy e se ti serve un’API ospitata o un modello aperto da far girare in proprio.
Offers its language models through a token-billed API that accepts OpenAI-style and Anthropic-style requests, with JSON output and tool calls.
Azienda di ricerca sull’IA che offre un assistente di chat, un harness desktop e un’API con fatturazione a token per i suoi modelli linguistici.
Runs open-source models inside secure hardware enclaves and exposes them through an OpenAI-compatible API, for apps that handle sensitive data.
Cloud di IA privato che esegue i modelli in enclave hardware sicure, offerto come app di chat, API di inferenza e container.
Prima di scrivere il codice dell’app definisci le istruzioni: prompt di sistema, esempi, formato dell’output. Le provi su input reali, anche scomodi, e conservi ogni versione per poter confrontare le modifiche.
Trasforma una richiesta breve e grezza in un prompt chiaro e strutturato e conserva ogni prompt in una libreria consultabile da riutilizzare.
Generatore di prompt che trasforma una richiesta grezza in un prompt strutturato per ChatGPT, Claude, Gemini e altri modelli.
Analyzes a prompt for strengths and weaknesses, rewrites it in rounds and records each version so earlier ones can be recovered.
Spazio di lavoro per prompt che genera, analizza, ottimizza e ricostruisce a ritroso i prompt per modelli di testo, immagine e video.
Colleghi l’app ai modelli in modo che regga in produzione: chiavi tenute lato server, tentativi ripetuti e alternative quando un fornitore va in errore, limiti di frequenza, controllo della spesa e hosting su GPU se servi tu un modello aperto.
Il suo AI Gateway instrada le richieste a molti modelli di IA tramite un solo servizio, con alternative, bilanciamento del carico, nuovi tentativi e controllo della spesa.
Piattaforma cloud per pubblicare app web e agenti di IA, con un gateway per l’IA, sandbox, flussi di lavoro e una CDN globale.
Serves LLMs and media models through endpoints on autoscaling GPU containers that scale to zero when idle.
Piattaforma cloud serverless per eseguire su GPU inferenza, addestramento, sandbox e job batch di IA.
Documents how to call its models from application code and coding agents, with thinking mode that can be switched off per request.
Azienda di ricerca sull’IA che offre un assistente di chat, un harness desktop e un’API con fatturazione a token per i suoi modelli linguistici.
La maggior parte delle app utili risponde da contenuti specifici: la tua documentazione, i file di un cliente, il web in tempo reale, le conversazioni passate. Acquisisci e indicizzi quei contenuti, recuperi i pezzi rilevanti a ogni richiesta e li passi al modello insieme alle fonti.
Cerca, estrae e scansiona siti web tramite API e restituisce Markdown o JSON strutturato adatto alle pipeline di recupero.
API di dati dal web che cerca, estrae, esplora e interagisce con i siti e restituisce risultati puliti per le applicazioni di IA.
Archivia e indicizza embedding in un database Postgres, così l’applicazione può eseguire ricerche per similarità con i modelli scelti.
Piattaforma di sviluppo basata su Postgres con autenticazione, API immediate, edge function, realtime, storage ed embedding vettoriali.
Acquisisce documentazione, ticket e wiki e offre un’API di recupero che restituisce blocchi rilevanti con gli URL delle fonti per una query.
Piattaforma di acquisizione e recupero che trasforma documentazione, ticket e wiki aziendali in agenti di IA e in un’API di ricerca.
Builds a per-user graph of dated facts from data and conversations and returns the context a task needs in one call.
Livello di contesto e memoria per agenti IA che costruisce knowledge graph governati a partire da dati aziendali, documenti e conversazioni.
Se l’app deve compiere azioni, non solo rispondere, costruisci un ciclo di agente: il modello decide quale strumento chiamare, il tuo codice lo esegue e restituisce il risultato. Definisci gli strumenti, i loro permessi e quando una persona deve confermare.
Fornisce le librerie open source langchain, langgraph e deepagents per scrivere agenti con diversi livelli di controllo.
Framework open source per agenti e la piattaforma LangSmith per tracciare, valutare e distribuire agenti di IA.
Publishes ordinary Python functions as MCP tools, generating their schemas and handling validation, transport and authentication.
Framework Python per creare server, client e app interattive del Model Context Protocol.
Collega un agente ai server MCP di un catalogo e gestisce OAuth, credenziali e sessioni per quei collegamenti.
Registro e livello di connessione che collega gli agenti di IA ai server MCP, con OAuth e credenziali gestiti.
Attorno al modello c’è un’applicazione normale: route API, modelli di dati, autenticazione, processi in background, un’interfaccia. Scrivi, revisioni e testi questo codice, sempre più spesso delegando compiti a un agente di programmazione e rivedendo le sue modifiche.
Parte da un compito di sviluppo scritto, esplora il codebase, propone un piano e apporta le modifiche che puoi accettare o rivedere.
Agente di programmazione con IA ed editor che pianifica, scrive e rivede il codice sul desktop, nel terminale e nel cloud.
Pianifica i compiti di programmazione, modifica i file, esegue i test e apre pull request nel tuo repository, chiedendo prima di modificare file o eseguire comandi.
L’agente di programmazione con IA di Anthropic che pianifica, modifica il codice, esegue i test e apre pull request dal terminale o dall’IDE.
Runs as an open source coding agent in the terminal, desktop or IDE and connects to many model providers, including locally hosted models.
Agente di IA open source per programmare da terminale, desktop e IDE, compatibile con modelli di molti fornitori.
Revisiona ogni pull request con commenti riga per riga e suggerimenti applicabili direttamente, utile quando gran parte del codice è scritto da agenti.
Revisione del codice con IA che commenta ogni pull request, con triage delle PR, spiegazione delle modifiche e monitoraggio della sicurezza.
Alcune app hanno bisogno di più del testo: risposte parlate, trascrizione, conversazione vocale in tempo reale, immagini o clip generate. Sono modelli distinti, con API, tempi di latenza e regole d’uso proprie.
Supplies realtime text-to-speech, speech-to-text and a speech-to-speech API that streams audio over one WebSocket or WebRTC link.
Piattaforma di IA vocale in tempo reale che offre sintesi vocale, riconoscimento vocale, un’API da voce a voce e instradamento degli LLM.
Fornisce infrastruttura WebRTC e mantiene Pipecat, un framework open source per orchestrare agenti vocali di IA in tempo reale.
Piattaforma per sviluppatori per voce, video e agenti di IA in tempo reale, basata sull’infrastruttura WebRTC e sul framework open source Pipecat.
Espone i suoi modelli di generazione di video e immagini tramite un’API per sviluppatori con documentazione e un router dei modelli.
Piattaforma di IA per generare e modificare video, immagini e audio, con un’API per sviluppatori e modelli del mondo.
Costruisci un insieme di test da input reali, valuti gli output prima di ogni modifica e, dopo il lancio, tracci ogni richiesta in modo che errori, costi e latenza siano visibili. La revisione umana copre ciò che la valutazione automatica non sa giudicare.
La sua piattaforma LangSmith registra ogni passaggio dell’esecuzione di un agente, crea set di dati da tracce reali e avvia valutazioni online e offline.
Framework open source per agenti e la piattaforma LangSmith per tracciare, valutare e distribuire agenti di IA.
Lancia valutatori di IA contro agenti di chat e vocali per cercare allucinazioni, pregiudizi, contenuti tossici e problemi di conformità prima del rilascio.
Cloud per il test del software, già LambdaTest, con agenti IA che pianificano, scrivono ed eseguono test per app web, mobile e di IA.
La sua osservabilità per l’IA tiene traccia degli eventi generati dalle chiamate ai modelli di un’applicazione, accanto a riproduzione delle sessioni e tracciamento degli errori per il resto dell’app.
Piattaforma di dati di prodotto che unisce analisi, session replay, feature flag, tracciamento degli errori e un data warehouse, con l’IA in aggiunta.
All’app servono un front end, account utente, hosting, un dominio e un processo di rilascio con anteprime e ripristino. Per un prototipo o uno strumento interno tutto questo si può generare, mentre per un prodotto è ingegneria fatta con cura.
Compila e rilascia un progetto a ogni push su Git, dando a ogni modifica un proprio URL di anteprima e permettendo un ripristino immediato.
Piattaforma cloud per pubblicare app web e agenti di IA, con un gateway per l’IA, sandbox, flussi di lavoro e una CDN globale.
Crea una web app da una descrizione in linguaggio naturale con anteprima dal vivo e gestisce hosting e autenticazione sulla piattaforma.
Costruttore di app e siti con IA che trasforma descrizioni in linguaggio naturale in software full-stack funzionante.
Genera un’applicazione web da un prompt, sincronizza il codice con GitHub e la pubblica in produzione.
Il costruttore di app con IA di Vercel, che trasforma i prompt in app web full-stack e le pubblica.
Gestisce registrazioni e accessi ed espone le tabelle del database tramite endpoint REST, così l’app ha un backend senza codice server personalizzato.
Piattaforma di sviluppo basata su Postgres con autenticazione, API immediate, edge function, realtime, storage ed embedding vettoriali.
Parti da un’API ospitata, a meno di motivi chiari per non farlo. È più veloce su cui costruire e non richiede di gestire GPU. Far girare in proprio un modello aperto ha senso quando i dati devono restare nel tuo ambiente, quando devi fare il fine-tuning o quando il volume è tale che possedere la potenza di calcolo costa meno. Molti team fanno il prototipo su un’API e rivedono la scelta quando l’utilizzo è noto.
Spesso no. Una singola chiamata a un modello, con buone istruzioni e il contesto recuperato, copre molte funzioni: riassumere, classificare, estrarre, rispondere dai documenti. Un framework si giustifica quando il modello deve scegliere fra più strumenti, eseguire più passaggi, mantenere uno stato o riprendersi dagli errori. Aggiungerne uno subito porta anche concetti in più da debuggare, quindi parti in modo semplice e adottalo quando l’approccio diretto non basta più.
Un prototipo o uno strumento interno sì. I builder di app di questa guida generano da una descrizione una web app funzionante con login e hosting. Un prodotto che tratta dati dei clienti e pagamenti è un’altra cosa: serve qualcuno che capisca di sicurezza, costi e gestione dei guasti. Un percorso sensato è fare il prototipo senza codice, provarlo con utenti reali e poi coinvolgere uno sviluppatore prima di crescere.
Raccogli un insieme di input reali, scrivi per ciascuno com’è fatta una risposta corretta e valuta il sistema su quelli prima di ogni modifica. Includi i casi difficili e quelli ostili. Unisci i controlli automatici alla revisione umana di un campione. Lancia a un piccolo gruppo con il tracciamento attivo, leggi i fallimenti e allarga l’accesso man mano che il tasso di errore diventa accettabile per il tuo uso.
Un redattore assegna ogni strumento a una fase partendo dalla sua scheda. L’elenco cresce man mano che pubblichiamo nuove schede. Tutte le guide
