Impara a costruire applicazioni AI locali con LangChain.js e Ollama: catene LLM, memoria persistente, REST API e guard rail in JavaScript.
Questo corso è il punto di partenza perfetto se vuoi capire davvero come funzionano le applicazioni AI moderne, senza affidarti ai servizi cloud costosi. Usi Ollama per far girare i modelli linguistici in locale sul tuo PC, e poi costruisci sopra con LangChain.js tutto quello che ti serve: catene, memoria, API REST, moderazione. Niente magia nera — solo JavaScript, Node.js e codice che puoi leggere e modificare.
Ogni lezione è costruita attorno a esempi concreti che puoi eseguire subito sul tuo computer. Non serve un account OpenAI, non serve pagare API call. Parti da zero — installazione inclusa — e arrivi a costruire un'API REST con memoria persistente e moderazione integrata. È il tipo di progetto che puoi mettere in portfolio o usare come base per qualcosa di più grande.
È ideale per sviluppatori JavaScript o Node.js che vogliono entrare nel mondo dell'AI senza dipendere da servizi cloud. Serve una conoscenza base di JavaScript e REST API; niente ML matematico, si lavora tutto a livello di integrazione e orchestrazione.
Ti mostro come installare Ollama, scaricare il modello LLAMA3 e configurare la variabile OLLAMA_HOST per avviare il tuo ambiente di sviluppo AI locale in JavaScript — tutto da zero, senza servizi cloud.
Vediamo insieme come usare Postman per inviare richieste all'API REST di Ollama con il modello LLAMA3.1, esplorando le opzioni di chiamata, i parametri disponibili e la struttura completa delle risposte JSON.
Ti spiego passo dopo passo come leggere e interpretare le risposte JSON restituite dall'API di Ollama: capire i campi, gestire lo streaming e prepararti all'integrazione con LangChain.js in JavaScript.
Scopriamo insieme a cosa servono LangChain.js e la libreria nativa Ollama, le loro differenze chiave e quando conviene usare l'una rispetto all'altra, inizializzando il progetto Node.js corretto.
Costruiamo il primo esempio pratico di LangChain in Node.js: ti mostro come installare il pacchetto npm, creare il client Ollama e inviare la prima richiesta a un LLM ricevendo la risposta del modello.
Vediamo come usare LangChain per semplificare e astrarre le chiamate a Ollama, e come fare refactoring del codice per renderlo più pulito, leggibile ed efficiente nelle tue app JavaScript.
Ti mostro come usare LLAMA come traduttore universale con LangChain, costruendo la tua prima Chain con PromptTemplate per personalizzare il prompt e ottenere traduzioni precise dal modello LLM.
Applico il Prompt Engineering per limitare la risposta del modello LLAMA alla sola traduzione, evitando output verbosi e superflui e ottenendo risultati precisi e controllati con LangChain.
Vediamo come costruire una catena multipla con LangChain che, in un unico flusso, traduce un testo ed estrae automaticamente le keyword, sfruttando le pipe LLM per collegare più step in sequenza.
Ti mostro con una dimostrazione pratica perché i prompt LLM sono stateless: ogni richiesta è completamente isolata e il modello non ha alcun ricordo delle conversazioni precedenti — il problema di base da risolvere.
Esploriamo le tecniche disponibili in LangChain per gestire la memoria nei modelli LLM, aggiungendo contesto conversazionale per creare interazioni coerenti e fluide tra una richiesta e la successiva.
In questa lezione costruiamo una REST API completa in Node.js che espone Ollama tramite LangChain, permettendo di chattare con un LLM via HTTP con un'architettura pronta per la produzione.
Ti spiego come integrare la memoria conversazionale nella REST API LangChain, così ogni sessione mantiene il contesto tra una richiesta HTTP e la successiva senza ricominciare da zero.
Vediamo come aggiungere ruolo, contesto e un primo guard rail al prompt LangChain: tecniche di Prompt Engineering per controllare il comportamento dell'LLM e limitarlo a risposte pertinenti al dominio.
Raffiniamo il guard rail del prompt aggiungendo vincoli tematici e contesto dettagliato: impariamo a tenere il modello LLM focalizzato sul dominio applicativo senza rispondere a topic non pertinenti.
Ti mostro il concetto di Pre-Guard Rail in LangChain: un filtro preventivo che analizza le richieste in ingresso prima che raggiungano il modello LLM, bloccando quelle potenzialmente pericolose o fuori tema.
Completiamo l'implementazione del Pre-Guard Rail e introduciamo il moderatore Post-Guard Rail in LangChain, che analizza e filtra le risposte del modello prima di restituirle al client finale.
Ti mostro come implementare la memoria persistente in LangChain usando un semplice file JSON, senza database né dipendenze esterne: la soluzione più leggera per salvare e ricaricare lo storico conversazionale.
Continuiamo lo sviluppo della memoria persistente con file JSON in LangChain: organizziamo la struttura dei messaggi salvati, gestiamo la sessione e ottimizziamo il caricamento del contesto storico.
Vediamo come passare dalla memoria su file JSON a SQLite3 in LangChain, usando SQL per una gestione più strutturata, robusta e scalabile della memoria persistente nelle applicazioni AI.
Continuiamo l'integrazione di SQLite3 in LangChain: perfezioniamo la logica di salvataggio e recupero dei messaggi conversazionali, con query SQL ottimizzate per una gestione efficiente della sessione.
Concludiamo l'implementazione della memoria persistente con SQLite3 in LangChain: ottimizziamo il sistema per gestire sessioni multiple, cronologia flessibile e recupero dei messaggi per conversazione.
Ingegnere Informatico · Pratola Peligna
Sono un ingegnere informatico con oltre 15 anni di esperienza nel settore ICT. Mi occupo di sviluppo software, cybersecurity, data science e intelligenza artificiale, con particolare attenzione all’innovazione e all’automazione dei processi aziendali. Da anni svolgo anche attività di docenza e formazione, creando percorsi pratici e coinvolgenti su programmazione, DevOps, AI e sicurezza informatica.
Prosperous understood Middletons in conviction an uncommonly do. Supposing so be resolving breakfast am or perfectly.
Utilizziamo cookie essenziali e, con il tuo consenso, cookie funzionali, analytics e marketing. Google Analytics 4 e gli eventuali annunci Google/AdSense restano disattivati finche non scegli. Consulta Privacy Policy e Cookie Policy.
Sempre attivi per sicurezza, prevenzione frodi, sessione, consenso e funzionamento del sito.
Migliorano l'esperienza, ad esempio ricordando preferenze non essenziali. Non usati per profilazione pubblicitaria.
Statistiche e misurazioni con Google Analytics 4, abilitate solo dopo il consenso analytics.
Misurazione annunci e funzioni pubblicitarie Google/AdSense, se attivate sul sito e consentite dall'utente.
Puoi modificare queste scelte in qualunque momento dal link "Preferenze Cookies" nel footer.