<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
<channel>
  <title>Blog di Adamant Tools: AI applicata allo sviluppo</title>
  <link>https://tools.adamant-solutions.com/it/blog/</link>
  <atom:link href="https://tools.adamant-solutions.com/it/blog/feed.xml" rel="self" type="application/rss+xml"/>
  <description>Guide pratiche e testate per chi porta i modelli di AI nelle applicazioni reali: API, streaming, strumenti, RAG, costi, errori e sicurezza. Tutto il codice compila e gira.</description>
  <language>it</language>
  <item>
    <title>Timeout e cancellazione delle chiamate ai modelli: idle, deadline totale, pulsante Stop (Python, Node.js)</title>
    <link>https://tools.adamant-solutions.com/it/blog/llm-timeouts-cancellation/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/llm-timeouts-cancellation/</guid>
    <pubDate>Tue, 10 Nov 2026 08:00:00 GMT</pubDate>
    <description>Una chiamata a un modello può essere lenta, muta o infinita. Quattro tipi di timeout, perché il read timeout non ferma una risposta in streaming, e codice testato in Python e Node.js.</description>
  </item>
  <item>
    <title>Ollama in Docker su un server senza GPU: cosa aspettarsi e come misurarlo</title>
    <link>https://tools.adamant-solutions.com/it/blog/ollama-docker-cpu/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/ollama-docker-cpu/</guid>
    <pubDate>Tue, 03 Nov 2026 08:00:00 GMT</pubDate>
    <description>Ollama in Docker su un server senza GPU: modello sempre caricato, limiti di memoria e coda, e come misurare tempo di caricamento e token al secondo dalla risposta.</description>
  </item>
  <item>
    <title>Esporre un'API REST come server MCP in modo sicuro (Python, SDK MCP 2.x)</title>
    <link>https://tools.adamant-solutions.com/it/blog/mcp-server-from-openapi/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/mcp-server-from-openapi/</guid>
    <pubDate>Sat, 31 Oct 2026 08:00:00 GMT</pubDate>
    <description>Trasformare alcune operazioni di un'API REST descritta in OpenAPI in strumenti MCP con l'SDK Python ufficiale - allow-list di operazioni e campi di risposta, validazione rigida degli input, URL di base fisso, credenziali del server, errori brevi e limite di frequenza - testato con il client dell'SDK e senza chiave API.</description>
  </item>
  <item>
    <title>Prompt injection: difese pratiche da testare (Python e JavaScript)</title>
    <link>https://tools.adamant-solutions.com/it/blog/prompt-injection-defenses/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/prompt-injection-defenses/</guid>
    <pubDate>Sat, 31 Oct 2026 08:00:00 GMT</pubDate>
    <description>Cos'è la prompt injection, perché nessun filtro la ferma e cinque difese in codice che ne limitano i danni - separare dati e istruzioni, allow-list degli strumenti, controllo degli argomenti con i permessi dell'utente, conferma umana e validazione dell'output - testate con input malevoli.</description>
  </item>
  <item>
    <title>RAG minimo con PostgreSQL, pgvector e un modello locale (Python)</title>
    <link>https://tools.adamant-solutions.com/it/blog/rag-postgres-pgvector/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/rag-postgres-pgvector/</guid>
    <pubDate>Sat, 31 Oct 2026 08:00:00 GMT</pubDate>
    <description>Salvare gli embedding in PostgreSQL con pgvector, cercarli con un indice HNSW e la distanza coseno, e rispondere con un modello Ollama locale che cita le fonti. Testato in CI senza modello.</description>
  </item>
  <item>
    <title>Tool calling spiegato con un esempio che gira (Anthropic e OpenAI, Python)</title>
    <link>https://tools.adamant-solutions.com/it/blog/tool-calling-basics/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/tool-calling-basics/</guid>
    <pubDate>Sat, 31 Oct 2026 08:00:00 GMT</pubDate>
    <description>Cosa succede davvero quando un modello chiama una funzione, un ciclo scritto a mano per la Messages API di Anthropic e la Responses API di OpenAI, gestione degli errori, limite di passi e test su un server finto senza chiave API.</description>
  </item>
  <item>
    <title>Contare i token e stimare i costi prima di chiamare un modello (Python e JavaScript)</title>
    <link>https://tools.adamant-solutions.com/it/blog/count-tokens-costs/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/count-tokens-costs/</guid>
    <pubDate>Fri, 30 Oct 2026 08:00:00 GMT</pubDate>
    <description>Tre modi per contare i token (tokenizer locale, endpoint del fornitore, usage), come trasformarli in una forbice di costo e un controllo che blocca le chiamate troppo care.</description>
  </item>
  <item>
    <title>HTTP 429 dalle API di AI: retry con backoff e Retry-After (Python, Node.js, Java)</title>
    <link>https://tools.adamant-solutions.com/it/blog/retry-429-retry-after/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/retry-429-retry-after/</guid>
    <pubDate>Fri, 30 Oct 2026 08:00:00 GMT</pubDate>
    <description>Quando l'API di un modello risponde 429 Too Many Requests, riprovare subito peggiora le cose. Cosa dicono gli standard, quali errori ripetere e codice di retry testato, senza dipendenze, in Python, JavaScript e Java.</description>
  </item>
  <item>
    <title>Chiamare un LLM da Spring Boot con Spring AI 2.0: risposta, streaming e output strutturato</title>
    <link>https://tools.adamant-solutions.com/it/blog/spring-ai-ollama-chatclient/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/spring-ai-ollama-chatclient/</guid>
    <pubDate>Fri, 30 Oct 2026 08:00:00 GMT</pubDate>
    <description>Un esempio testato con Spring Boot 4.1 e Spring AI 2.0 e un modello locale Ollama: risposta semplice, risposta in streaming e risposta mappata su un record Java, più le modifiche di configurazione che rompono i tutorial più vecchi.</description>
  </item>
  <item>
    <title>Mostrare in streaming la risposta di un LLM nel browser con Server-Sent Events (FastAPI + fetch)</title>
    <link>https://tools.adamant-solutions.com/it/blog/stream-llm-sse-browser/</link>
    <guid isPermaLink="true">https://tools.adamant-solutions.com/it/blog/stream-llm-sse-browser/</guid>
    <pubDate>Fri, 30 Oct 2026 08:00:00 GMT</pubDate>
    <description>La risposta del modello parola per parola: un endpoint FastAPI che inoltra Ollama come SSE, codice browser che la legge con fetch e POST, e un pulsante Stop vero.</description>
  </item>
</channel>
</rss>
