Spiegazione dell’output strutturato LLM: Ottenere JSON affidabile dai modelli AI
Le funzionalità dell’intelligenza artificiale spesso necessitano di dati, non di prosa: il totale della fattura, una categoria, un elenco di campi. L’output strutturato fa sì che i modelli restituiscano JSON leggibili dalla macchina. Abbiamo eseguito sei risposte realistiche del modello attraverso un validatore per mostrare come l’output si interrompe e come catturarlo.
- Output strutturato significa richiedere a un modello i dati in un formato definito, in genere JSON che corrisponde a uno schema.
- La sola richiesta non è affidabile. Nel nostro test, 4 risposte realistiche su 6 non hanno superato la convalida alla prima analisi.
- Le funzionalità del provider che vincolano la generazione a uno schema riducono notevolmente gli errori di formato, ove disponibili.
- Convalida sempre nel tuo codice e aggiungi controlli semantici: JSON valido può ancora contenere valori errati.
Un’app chiede a un modello di leggere una fattura e restituire il numero, la data, il totale e la valuta. La maggior parte delle volte funziona. Quindi una risposta arriva racchiusa in un blocco di codice Markdown, un’altra aggiunge “Fammi sapere se ne hai bisogno di più!” e una terza scrive la data come 10/11/2026. Il codice che analizza la risposta si blocca o, peggio, memorizza la data sbagliata. Esistono tecniche di output strutturato per rendere le risposte dell’IA affidabili quanto un’API.
Non abbiamo chiamato un modello dal vivo per questo articolo. Abbiamo invece scritto sei risposte che imitano i comuni errori del mondo reale e le abbiamo convalidate con Pydantic 2.14 in Python 3.13. I risultati di convalida riportati di seguito provengono da tale esecuzione.
Cos’è l’output strutturato?
L’output strutturato è qualsiasi approccio che fa sì che un modello linguistico di grandi dimensioni restituisca i dati in una forma fissa e leggibile dalla macchina invece che in testo libero, in modo che il codice possa utilizzarli direttamente. JSON è il formato abituale, descritto da uno schema JSON: quali campi esistono, i loro tipi, quali sono obbligatori e quali valori sono consentiti. Gli usi tipici includono l’estrazione da documenti, la classificazione, la compilazione di moduli, l’instradamento di richieste e la chiamata di strumenti o funzioni.
Livelli di applicazione
| Avvicinamento | Come funziona | Affidabilità |
|---|---|---|
| Solo richiesta | “Rispondi in JSON con questi campi…” | Più basso; il formato si sposta |
| Modalità JSON | Il provider garantisce una sintassi JSON valida | JSON valido, ma qualsiasi forma |
| Output vincolato dallo schema/chiamata strumento | Il provider vincola la generazione al tuo schema | Massima per formato |
| La tua convalida | Analizza e convalida ogni risposta nel tuo codice | Sempre richiesto |
L’ultima riga non è facoltativa a nessun livello. Le funzionalità del provider cambiano, i modelli vengono scambiati e nessuna garanzia del formato copre se i valori sono veri.
Definire lo schema
from typing import Literal
from pydantic import BaseModel, Field, field_validator
class Invoice(BaseModel):
invoice_no: str
date: str = Field(pattern=r"^\d{4}-\d{2}-\d{2}$")
total: float = Field(ge=0)
currency: Literal["INR", "USD", "EUR"]
@field_validator("total")
@classmethod
def two_decimals(cls, v):
if round(v, 2) != v:
raise ValueError("total must have at most 2 decimals")
return v
Pydantic ha generato uno schema JSON corrispondente con Invoice.model_json_schema(): proprietà invoice_no, date, total e currency, tutte obbligatorie. Tale schema può essere inviato ai provider che supportano l’output vincolato dallo schema, quindi una definizione guida sia la generazione che la convalida. In TypeScript, Zod svolge lo stesso ruolo. Se i suggerimenti sui tipi e le classidati sono familiari, i modelli Pydantic sembreranno naturali.
Come si interrompe l’output del modello
Abbiamo convalidato sei risposte con Invoice.model_validate_json():
good OK 1180.0
markdown fence FAIL (1) ['root: json_invalid']
trailing text FAIL (1) ['root: json_invalid']
wrong types FAIL (4) ['invoice_no: string_type', 'date: string_pattern_mismatch',
'total: float_parsing', 'currency: literal_error']
missing field FAIL (1) ['date: missing']
string number OK 1180.0
Ogni fallimento rispecchia qualcosa che i modelli fanno realmente quando vengono solo sollecitati:
- Recinti di markdown: il JSON arriva all’interno
```json ... ```, perché i modelli ottimizzati per la chat formattano le risposte per gli esseri umani. - Extra loquaci: una frase amichevole dopo che il JSON lo rende non valido.
- Tipi e formati errati: il numero della fattura come numero, la data come “10/11/2026”, il totale come “1.180” e la valuta come “Rs”. Quattro errori in una risposta.
- Campi mancanti: un campo che il modello non è riuscito a trovare è stato semplicemente omesso.
Salvataggio di JSON avvolto
def extract_json(text):
s, e = text.find("{"), text.rfind("}")
return text[s:e + 1] if s != -1 and e > s else text
# markdown fence after extract_json: OK INV-104 1180.0
# trailing text after extract_json: OK INV-104 1180.0
Prendendo il testo tra il primo { e l’ultimo } sono state recuperate entrambe le risposte avvolte. È una rete di sicurezza utile, ma fragile: fallisce per gli array, per le risposte contenenti più oggetti o quando il testo esplicativo stesso contiene parentesi graffe. Trattatelo come un fallback, non come un progetto.
Analisi lassista vs rigorosa
La risposta “numero stringa” è stata inviata "total": "1180.00", una stringa anziché un numero, ed è passata. La modalità lax predefinita di Pydantic converte stringhe numeriche pulite in float. Ciò è conveniente, ma significa che un errore di tipo nell’output del modello può passare inosservato. Se si desidera rilevare quando il modello ignora lo schema, ad esempio per misurare l’affidabilità, utilizzare la modalità rigorosa, che lo rifiuterebbe. Scegli deliberatamente: modalità lassista per robustezza, modalità rigorosa per la misurazione e per i campi in cui un cambiamento di tipo sarebbe sospetto.
Decodifica vincolata
Diversi provider e strumenti di inferenza open source offrono output vincolato dallo schema. Concettualmente, lo schema viene trasformato in regole su quali token potrebbero venire dopo, e i token che violerebbero il formato vengono bloccati durante la generazione. Il modello fisicamente non può produrre una recinzione Markdown o un controvento mancante. Ciò rimuove quasi tutti gli errori di sintassi e di forma. Alcuni resoconti riportano che vincoli pesanti possono ridurre leggermente la qualità delle risposte su compiti pesanti di ragionamento, quindi misura in base ai tuoi dati. Le funzionalità dello schema supportate variano anche tra i provider, quindi controlla cosa accetta il tuo provider.
Suggerimento: Per le attività di estrazione, impostare una temperatura bassa, fornire descrizioni di campo nello schema e consentire un valore esplicito “non trovato”, ad esempio null, per i campi facoltativi. Un modello costretto a compilare un campo obbligatorio senza dati di origine viene invitato ad allucinare.
Valido non è la stessa cosa che corretto
La convalida dello schema controlla la forma. Non è possibile stabilire se 1080 o 1180 sia il totale corretto. Abbiamo aggiunto un semplice controllo semantico, confermando che il totale estratto appaia nel testo sorgente:
semantic check (total in source): True
semantic check (wrong total): False
Una risposta con un totale di 1080 era un JSON perfettamente valido con i tipi corretti ed era comunque sbagliato. I controlli delle regole aziendali rilevano quanto segue: totali che corrispondono a voci, date non future, ID esistenti nel database, valori visualizzati nel documento di origine. Questi sono i controlli che tutelano gli utenti reali.
Riprovare e riparare i loop
- Chiama il modello con lo schema e istruzioni chiare.
- Analizzare e convalidare la risposta.
- Se fallisce, richiama di nuovo includendo gli errori di convalida, ad esempio “la data deve corrispondere a AAAA-MM-GG”.
- Arrestarsi dopo un numero limitato di tentativi, quindi tornare indietro: mettersi in coda per la revisione umana, restituire un errore chiaro o utilizzare un’impostazione predefinita.
- Registra ogni errore con la risposta non elaborata in modo da poter migliorare il prompt o lo schema.
L’elenco degli errori di Pydantic, come date: string_pattern_mismatch, è sufficientemente preciso da fornire un feedback al modello. Mantieni i tentativi limitati; un ciclo illimitato può moltiplicare rapidamente i costi.
Suggerimenti per la progettazione dello schema
- Mantienilo piatto e piccolo. Gli schemi profondamente annidati falliscono più spesso.
- Utilizzare le enumerazioni per le categorie anziché il testo libero.
- Utilizza formati espliciti per date e importi e specificalo nelle descrizioni dei campi.
- Consenti null per le informazioni che potrebbero mancare.
- Aggiungi un campo di riservatezza o di note solo se il tuo codice lo utilizzerà effettivamente.
- Versiona il tuo schema, poiché modificarlo è una modifica del contratto, come discusso in Test del contratto API.
Testare l’output strutturato
Costruisci un set di test di input reali con output attesi, inclusi documenti disordinati e casi in cui mancano campi. Eseguilo su ogni richiesta, modifica dello schema o del modello e tieni traccia di tre numeri: la condivisione di risposte che analizzano, la condivisione che supera la convalida e la condivisione i cui valori sono corretti. Esegui test unitari dei tuoi validatori con output deliberatamente interrotti, come i nostri sei esempi, in modo che l’analisi del codice non ti sorprenda mai in produzione.
Mettendolo insieme: una pipeline minima
- Una definizione del modello in Pydantic o Zod, con descrizioni dei campi e valori consentiti.
- Genera lo schema JSON da esso e passalo alla funzionalità di output strutturato o di chiamata degli strumenti del provider.
- Analizza e convalida la risposta con lo stesso modello, ricorrendo all’estrazione JSON solo se necessario.
- Esegui controlli semantici rispetto ai dati di origine e alle regole aziendali.
- Riprova una o due volte con i messaggi di errore, quindi instrada gli errori a una coda umana.
- Registrare l’input grezzo, l’output grezzo, gli errori e le impostazioni per ogni chiamata, in modo che gli errori possano essere riprodotti e corretti.
Ogni livello rileva i problemi che gli altri non rilevano. Insieme trasformano un modello probabilistico in un componente da cui può dipendere il resto del sistema.
Considerazioni finali
Ottenere JSON da un modello è facile; ottenere JSON affidabile richiede livelli. Definisci lo schema una volta, in Pydantic o Zod, utilizza l’output vincolato dallo schema del tuo provider, ove disponibile, convalida ogni risposta nel tuo codice, aggiungi controlli semantici per i valori che contano e riprova con feedback sugli errori un numero limitato di volte. Nel nostro test, quattro delle sei risposte in stile prompt non hanno superato la convalida alla prima analisi e i soli controlli dello schema avrebbero accettato un totale errato.
Domande frequenti
Cos’è l’output strutturato nei LLM?
Un modo per fare in modo che un modello linguistico restituisca i dati in un formato definito, in genere JSON corrispondente a uno schema, in modo che il codice dell’applicazione possa utilizzarli direttamente.
La modalità JSON è uguale all’output strutturato?
Non proprio. La modalità JSON garantisce una sintassi JSON valida ma non i campi o i tipi. L’output strutturato basato su schema vincola la risposta a uno schema specifico.
Perché il modello avvolge JSON nel markdown?
I modelli ottimizzati per la chat formattano le risposte per le persone. Utilizza le funzionalità di output strutturato del provider o estrai l’oggetto JSON dal testo come fallback.
Ho ancora bisogno della convalida con la decodifica vincolata?
SÌ. La convalida nel codice protegge dalle modifiche del provider e dagli scambi di modelli, mentre i controlli semantici rilevano valori ben formati ma errati.
Quale libreria dovrei utilizzare per convalidare l’output LLM?
Pydantic è la scelta comune in Python e Zod in TypeScript. Entrambi possono generare uno schema JSON dalle stesse definizioni con cui convalidi.
Continua a imparare
Hai bisogno di aiuto con test, WordPress o SEO?
Aiutiamo i team a fornire software migliore e a far crescere i loro siti. Raccontaci a cosa stai lavorando e ti suggeriremo chiaramente il prossimo passo.
Altre guide su test, intelligenza artificiale e sviluppo moderno
Ti è piaciuto questo articolo? Scegli un argomento e passa direttamente ai nostri tutorial più recenti.
Spiegazione delle strategie di RAG Chunking: fissa, sovrapposta, frase, ricorsiva e intestazioni, misurata
Strategie di suddivisione in blocchi RAG confrontate su un documento con tiktoken 0.14: dimensione fissa, sovrapposizione, compressione delle frasi,…
Leggi l'articolo →Sviluppo softwareSpiegazione dell'idempotenza API: chiavi di idempotenza e tentativi sicuri, testati
L'idempotenza dell'API spiegata con un server e un client Python che abbiamo eseguito: una risposta persa ha causato un doppio addebito senza chiave…
Leggi l'articolo →DevOpsSpiegazione di Git Stash: salva, applica, pop e file non tracciati, testato
Git stash spiegato con i comandi che abbiamo eseguito su Git 2.56: push con un messaggio, file non tracciati, elenca e mostra, applica vs pop, mante…
Leggi l'articolo →Test del softwareSpiegazione del test a coppie: come tutte le coppie riducono 216 test a 13, testati
Test a coppie spiegati con un generatore che abbiamo eseguito in Python 3.13: un checkout con 216 combinazioni coperte da 13 test, copertura verific…
Leggi l'articolo →Automazione dei testSpiegazione dei doppi di test: fittizio, stub, spia, finto e falso, con codice Python testato
I test raddoppiano spiegati con un esempio Python eseguito in pytest 9.2: dummy, stub, spy, mock e fake, quando usarli ciascuno, controlli di stato …
Leggi l'articolo →Database e SQLSpiegazione di SQL COALESCE: impostazioni predefinite, NULLIF, IFNULL rispetto a ISNULL e trap, testate
SQL COALESCE spiegato con le query eseguite in SQLite 3.50: primi valori non nulli, stringhe vuote, NULL in matematica, NULLIF per divisione per zer…
Leggi l'articolo →Database e SQLSpiegazione del self join SQL: dipendente-responsabile, confronti di coppie e righe, testato
Self join SQL spiegato con le query eseguite in SQLite 3.50: dipendente e manager, guadagno più del manager, coppie univoche, modifiche giornaliere,…
Leggi l'articolo →Sviluppo softwareSpiegazione dell'operatore Spread JavaScript: Spread vs Rest, copie e trucchi, testato
L'operatore di diffusione JavaScript spiegato con il codice che abbiamo eseguito sul Nodo 24: array, oggetti, copie superficiali, parametri di ripos…
Leggi l'articolo →Sviluppo softwareSpiegazione del modulo Collezioni Python: Counter, defaultdict, deque e altro, testato
Raccolte Python spiegate con il codice che abbiamo eseguito su Python 3.13: Counter, defaultdict, deque, nametuple, OrderedDict e ChainMap, oltre a …
Leggi l'articolo →Intelligenza artificialeSpiegazione della finestra di contesto LLM: token, limiti e come adattarne di più, misurati
La finestra di contesto LLM spiegata con il conteggio dei token che abbiamo misurato utilizzando tiktoken: parole vs token per prosa, codice e hindi…
Leggi l'articolo →Sviluppo softwareSpiegazione dei webhook: come funzionano e come riceverli in modo sicuro
Webhook spiegati con un ricevitore e un mittente che abbiamo eseguito in Python: push vs polling, firme HMAC-SHA256, rifiuto di richieste manomesse …
Leggi l'articolo →DevOpsSpiegazione di Git Cherry-Pick: copia il commit di cui hai bisogno, in modo sicuro e testato
Git cherry-pick spiegato con i comandi che abbiamo eseguito in Git 2.56: copia di un hotfix in un ramo di rilascio, nuovi hash e ID patch, -x, -n, i…
Leggi l'articolo →Automazione dei testSpiegazione del test istantaneo: come funziona, quando aiuta e quando fa male
Il test delle istantanee è stato spiegato con una demo pytest e sciropposa che abbiamo eseguito: creazione di istantanee, lettura delle differenze d…
Leggi l'articolo →Test del softwareSpiegazione dei test di mutazione: perché la copertura del 100% continua a non individuare il nostro bug
I test di mutazione spiegati con un piccolo strumento di mutazione che abbiamo creato ed eseguito: 14 mutanti, una suite di test con copertura di li…
Leggi l'articolo →Intelligenza artificialeSpiegazione della Prompt Injection: come le app AI vengono ingannate e come difenderle
Iniezione rapida spiegata per gli sviluppatori: attacchi diretti e indiretti, perché i filtri delle parole chiave falliscono (il nostro test ne ha b…
Leggi l'articolo →DevOpsSpiegazione dei record DNS: A, AAAA, CNAME, MX, TXT e TTL con ricerche reali
Record DNS spiegati con le ricerche eseguite: come funziona la risoluzione, A e AAAA, regole CNAME, MX e null MX, TXT per SPF e verifica, NS, TTL e …
Leggi l'articolo →DevOpsSpiegazione delle segnalazioni di funzionalità: rilasci sicuri, implementazioni graduali e igiene delle segnalazioni
Flag di funzionalità spiegati con una simulazione di implementazione che abbiamo eseguito: tipi di flag, implementazioni percentuali con hashing sta…
Leggi l'articolo →Automazione dei testTestare la generazione di dati con Python Faker: dati realistici, ripetibili e sicuri
Testa la generazione di dati con Python Faker, esegui e misura: seeding per dati ripetibili, impostazioni locali, valori univoci, record a forma di …
Leggi l'articolo →Test del softwareSpiegazione del test Shift-Left: trova i bug prima senza rallentare il team
Spiegazione del test con spostamento a sinistra: cosa significa, perché i primi difetti sono più economici, pratiche dalle revisioni dei requisiti a…
Leggi l'articolo →Database e SQLSpiegazione delle funzioni della stringa SQL: TRIM, SUBSTR, REPLACE, CONCAT e pulizia dei dati
Funzioni di stringa SQL spiegate con le query che abbiamo eseguito: concatenazione e NULL, TRIM, UPPER e LOWER, SUBSTR e INSTR, REPLACE, riempimento…
Leggi l'articolo →Database e SQLSpiegazione dei trigger SQL: trigger PRIMA e DOPO, registri di controllo e insidie
Trigger SQL spiegati con i trigger che abbiamo eseguito: PRIMA vs DOPO, VECCHIO e NUOVO, registri di controllo, convalida, aggiornamenti delle scort…
Leggi l'articolo →Sviluppo softwareSpiegazione del modulo JSON Python: dump, caricamenti, tipi personalizzati ed errori comuni
Il modulo Python JSON spiegato con il codice che abbiamo eseguito: dump e caricamenti, file, conversioni di tipo, date e decimali, codificatori pers…
Leggi l'articolo →Sviluppo softwareModuli ES vs CommonJS: come funzionano le importazioni JavaScript in Node.js, testato
Moduli ES e CommonJS spiegati con il codice eseguito in Node.js: sintassi di importazione ed esportazione, require, collegamenti attivi, memorizzazi…
Leggi l'articolo →Sviluppo softwareSpiegazione di Python Regex: modelli, gruppi, prospettive e insidie, testati
L'espressione regolare di Python è stata spiegata con i modelli che abbiamo eseguito: ricerca vs corrispondenza, trovatutto, gruppi e gruppi denomin…
Leggi l'articolo →Intelligenza artificialeSpiegazione dell'output strutturato LLM: ottenere JSON affidabile dai modelli AI
Output strutturato LLM spiegato con la convalida eseguita in Pydantic: modalità e schemi JSON, decodifica vincolata, modi in cui l'output del modell…
Leggi l'articolo →DevOpsSpiegazione delle chiavi SSH: come funzionano, ssh-keygen, Ed25519 e abitudini sicure
Chiavi SSH spiegate con le chiavi che abbiamo generato: chiavi pubbliche e private, ssh-keygen, Ed25519 e RSA, impronte digitali, passphrase, ssh-ag…
Leggi l'articolo →DevOpsSpiegazione della memorizzazione nella cache HTTP: controllo della cache, ETag e risposte 304, con un test in tempo reale
Caching HTTP spiegato con un piccolo server che abbiamo eseguito: direttive Cache-Control, max-age, no-cache vs no-store, riconvalida ETag e rispost…
Leggi l'articolo →Automazione dei testSpiegazione del test del contratto API: rileva le modifiche importanti prima della spedizione
I test dei contratti API sono stati spiegati con un controllo dello schema che abbiamo eseguito: cos'è un contratto, contratti orientati al consumat…
Leggi l'articolo →Test del softwareSpiegazione dei test basati sul rischio: valuta i rischi, costruisci una matrice e testa ciò che conta
Test basati sul rischio spiegati passo dopo passo: identificazione dei rischi, valutazione della probabilità e dell'impatto, creazione di una matric…
Leggi l'articolo →Database e SQLSpiegazione dei vincoli SQL: NOT NULL, UNIQUE, CHECK e FOREIGN KEY, testati
Vincoli SQL spiegati con i test che abbiamo eseguito: NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY e FOREIGN KEY, le scappatoie NULL, l'impostazione de…
Leggi l'articolo →Database e SQLSpiegazione delle funzioni di data SQL: aggiunta, confronto e raggruppamento di date senza bug
Funzioni di data SQL spiegate con le query che abbiamo eseguito: aggiunta di intervalli, sorprese di fine mese, differenze di data, trappola BETWEEN…
Leggi l'articolo →Sviluppo softwarePython asyncio spiegato: asincrono, attendi, raccogli e TaskGroup con tempi reali
L'asincronismo di Python è stato spiegato con il codice che abbiamo cronometrato: coroutine, attendibilità, raccolta, TaskGroup, gestione degli erro…
Leggi l'articolo →Sviluppo softwareDebounce vs Throttle in JavaScript: come funzionano, quando usarli, testati
Debounce e accelerazione in JavaScript spiegati con i tempi misurati in Node.js: come funziona ciascuno, implementazioni semplici, chiamate iniziali…
Leggi l'articolo →Sviluppo softwareSpiegazione dei gestori di contesto Python: with Statement, contextlib e usi reali
I gestori di contesto Python spiegati con il codice che abbiamo eseguito: come funziona, __enter__ e __exit__, contextlib.contextmanager, soppressio…
Leggi l'articolo →Intelligenza artificialeSpiegazione della temperatura LLM e della top-p: come i modelli di intelligenza artificiale scelgono la parola successiva
La temperatura LLM e la top-p sono spiegate con una simulazione che abbiamo eseguito: come vengono rimodellate le probabilità, cosa mantiene la top-…
Leggi l'articolo →DevOpsSpiegazione di YAML: sintassi, problema della Norvegia e altre trappole che abbiamo testato
YAML spiegato con un parser test: sintassi di base, elenchi e mappe, il problema della Norvegia, versioni trasformate in float, codici postali ottal…
Leggi l'articolo →DevOpsSpiegazione di Cron Jobs: sintassi, programmi reali e errori che li interrompono
Lavori Cron spiegati con pianificazioni da noi verificate: i cinque campi, operatori, esempi reali, la trappola del giorno del mese O del giorno del…
Leggi l'articolo →Intelligenza artificialeSpiegazione delle allucinazioni dell'intelligenza artificiale: perché i modelli linguistici inventano le cose e come ridurle
Spiegazione delle allucinazioni dell'intelligenza artificiale: cosa sono, perché i modelli linguistici le producono, tipi comuni, come ridurle con b…
Leggi l'articolo →DevOpsSpiegazione delle variabili d'ambiente: file .env, segreti e configurazione eseguiti correttamente
Variabili d'ambiente spiegate con esempi Python che abbiamo eseguito: lettura e impostazione, perché ogni valore è una stringa, file .env, ereditari…
Leggi l'articolo →Sviluppo softwareSpiegazione della limitazione della velocità API: algoritmi, intestazioni e gestione degli errori 429
La limitazione della velocità dell'API spiegata con una simulazione che abbiamo eseguito: bucket di token, finestra fissa, finestra scorrevole, risp…
Leggi l'articolo →Automazione dei testDerisione in Python: unittest.mock, patch e gli errori che fanno mentire i test
Mocking in Python con unittest.mock, testato: Mock e return_value, side_effect, patch dove viene utilizzato un nome, specifiche e autospec, date moc…
Leggi l'articolo →Test del softwareSpiegazione della copertura del codice: copertura di linea o di filiale e cosa significa realmente il 100%.
Copertura del codice spiegata con una vera esecuzione di cover.py: copertura di linea, ramo e condizione, lettura di un rapporto, perché la copertur…
Leggi l'articolo →Database e SQLDELETE vs TRUNCATE vs DROP in SQL: differenze, rollback e quando utilizzarli
DELETE vs TRUNCATE vs DROP spiegato con SQL testato: cosa rimuove, rollback, trigger, reimpostazione dell'identità, velocità e come differiscono Pos…
Leggi l'articolo →Database e SQLSpiegazione delle visualizzazioni SQL: crea, utilizza ed evita le insidie, con esempi
Viste SQL spiegate con le query che abbiamo eseguito: creazione di una vista, risultati in tempo reale, nascondere colonne, prestazioni, viste aggio…
Leggi l'articolo →Sviluppo softwareInterfaccia TypeScript e tipo: differenze reali, testate con il compilatore
Interfaccia TypeScript vs tipo, verificata con il vero compilatore: cosa possono fare entrambi, cosa può fare solo uno, fusione delle dichiarazioni,…
Leggi l'articolo →Sviluppo softwareSpiegazione di Python *args e **kwargs: funzioni flessibili con esempi chiari
Python *args e **kwargs spiegati con il codice che abbiamo eseguito: compressione e decompressione, ordine dei parametri, argomenti solo per parole …
Leggi l'articolo →Sviluppo softwareFunzioni Lambda Python: sintassi, usi reali e quando non usarli
Funzioni lambda Python spiegate con il codice che abbiamo eseguito: sintassi, ordinamento con chiave, mappa e filtro, chiusure, trap dell'associazio…
Leggi l'articolo →Intelligenza artificialeCosa sono gli agenti AI? Come funzionano, con un semplice ciclo di agenti che puoi eseguire
Cosa sono gli agenti IA? Una semplice guida al ciclo dell'agente, agli strumenti, alla memoria e ai guardrail, con un piccolo ciclo Python che abbia…
Leggi l'articolo →DevOpsMonitoraggio vs osservabilità: la vera differenza, con log, metriche e tracce
Spiegazione del monitoraggio e dell'osservabilità: errori noti e sconosciuti, log, metriche e tracce, una procedura dettagliata sugli incidenti di p…
Leggi l'articolo →DevOpsVolumi Docker e montaggi di associazione: mantenere i dati del contenitore nel modo giusto
Volumi Docker e montaggi di collegamento spiegati: perché i dati del contenitore scompaiono, volumi denominati, montaggi di collegamento, tmpfs, ese…
Leggi l'articolo →Automazione dei testTDD vs BDD: differenze chiave, una caratteristica costruita in entrambi i modi e quando utilizzarli ciascuno
TDD vs BDD spiegato con una funzione di sconto costruita in entrambi i modi: refactoring rosso-verde con il codice che abbiamo eseguito, scenari "Da…
Leggi l'articolo →Test del softwareTest di accettazione da parte dell'utente (UAT): processo, lista di controllo ed esempi reali
Spiegazione del test di accettazione dell'utente: chi lo esegue, in cosa differisce dal QA, un processo in sette fasi, un modello di test case UAT, …
Leggi l'articolo →Database e SQLSpiegazione dei valori SQL NULL: IS NULL, COALESCE, NULLIF e le trappole da evitare
Valori SQL NULL spiegati con le query che abbiamo eseguito: logica a tre valori, IS NULL, COALESCE, NULLIF, come aggregazioni, join e ordinamento tr…
Leggi l'articolo →Database e SQLIstruzione SQL CASE WHEN: sintassi, esempi reali ed errori comuni
SQL CASE WHEN spiegato con le query che abbiamo eseguito: moduli semplici e cercati, ordine delle condizioni, pivot con SUM, trucchi COUNT, ordiname…
Leggi l'articolo →Sviluppo softwareCos'è il JWT? Token Web JSON spiegati con un esempio funzionante
Cos'è il JWT? Spiegazione dei token Web JSON: le tre parti, un token creato e manomesso nel codice che abbiamo eseguito, JWT e sessioni, archiviazio…
Leggi l'articolo →Sviluppo softwareSpiegazione del loop di eventi JavaScript: stack di chiamate, microtask e timer con esempi
Il ciclo di eventi JavaScript spiegato con il codice che abbiamo eseguito: stack di chiamate, code di attività e microtask, perché setTimeout 0 non …
Leggi l'articolo →Sviluppo softwareSpiegazione dei generatori Python e del rendimento: risparmia memoria con esempi reali
Generatori Python e rendimento spiegati con il codice che abbiamo eseguito: come vengono messi in pausa e ripresi, misurato il risparmio di memoria,…
Leggi l'articolo →Intelligenza artificialeCosa sono gli incorporamenti? I vettori e la somiglianza del coseno spiegati semplicemente
Cosa sono gli incorporamenti? Una guida in linguaggio semplice ai vettori, alla similarità del coseno e alla ricerca semantica, con un piccolo esemp…
Leggi l'articolo →DevOpsDistribuzione blu-verde rispetto a quella canaria: differenze, compromessi e come scegliere
Spiegazione della distribuzione blu-verde e canary: come funziona ciascuna, costi, rischi e rollback, bucket utente stabile che abbiamo testato, mig…
Leggi l'articolo →Automazione dei testTest instabili: quali sono le cause e come risolverli definitivamente
Test instabili spiegati con demo che abbiamo eseguito: le cause principali, come confermarne e diagnosticarne uno, soluzioni adeguate per tempistich…
Leggi l'articolo →Test del softwareTest di carico e test di stress: differenze, metriche ed esempi k6
Spiegazione del test di carico e dello stress test: cosa dimostra ciascuno, test di picco e di assorbimento, le metriche che contano, perché le medi…
Leggi l'articolo →Test del softwareCaso di test e scenario di test: differenze chiave, esempi e quando utilizzarli
Spiegazione del caso di test e dello scenario di test: definizioni chiare, una tabella affiancata, una funzione di reimpostazione della password pre…
Leggi l'articolo →Database e SQLOttimizzazione delle query SQL: leggi i piani di esecuzione e correggi query lente, con tempistiche
Ottimizzazione delle query SQL testata su un milione di righe: leggi i piani di esecuzione, aggiungi gli indici corretti, correggi filtri non aggior…
Leggi l'articolo →Database e SQLSQL UNION vs UNION ALL: differenze, esempi e prestazioni testate
SQL UNION vs UNION ALL spiegati con le query che abbiamo eseguito: duplicati, regole seguite da entrambi, un vero bug di dati, prestazioni misurate,…
Leggi l'articolo →Sviluppo softwareTutorial sull'API di recupero JavaScript: GET, POST, gestione degli errori e timeout
Un tutorial sull'API JavaScript Fetch testato su un server locale: GET e POST, perché 404 non genera eccezioni, un helper riutilizzabile, stringhe d…
Leggi l'articolo →Sviluppo softwareGestione dei file Python: lettura, scrittura, CSV, JSON e pathlib con esempi
Gestione dei file Python spiegata con il codice che abbiamo eseguito: modalità aperte, con, lettura di file di grandi dimensioni, CSV, JSON, pathlib…
Leggi l'articolo →Sviluppo softwareClassi e oggetti Python: tutorial OOP con esempi reali
Classi e oggetti Python spiegati con il codice che abbiamo eseguito: __init__, metodi, attributi di classe e istanza, ereditarietà, proprietà, metod…
Leggi l'articolo →Intelligenza artificialeChe cos'è un modello linguistico di grandi dimensioni? Come funzionano i LLM, spiegato senza esagerazioni
Cos’è un modello linguistico ampio? LLM spiegati in un linguaggio semplice: token, incorporamenti, attenzione, formazione, finestre di temperatura e…
Leggi l'articolo →DevOpsComandi Linux per principianti: la guida essenziale del terminale con esempi
Comandi Linux per principianti, raggruppati per attività: navigazione, file, visualizzazione log, grep, pipe, permessi, processi e archivi, con un e…
Leggi l'articolo →Automazione dei testSelenio vs drammaturgo: differenze chiave, codice a confronto e quale scegliere
Selenium vs Playwright a confronto: architettura, attesa, supporto per browser e linguaggio, debug, lo stesso test in entrambi gli strumenti, consig…
Leggi l'articolo →Test del softwarePartizionamento di equivalenza: tecnica di progettazione dei test spiegata con esempi pratici
Spiegazione del partizionamento di equivalenza: come trovare partizioni valide e non valide, esempi funzionanti per età, password e coupon, test che…
Leggi l'articolo →Test del softwareGravità vs priorità nel test del software: differenze, matrice ed esempi reali
Spiegazione della gravità e della priorità nei test del software: definizioni chiare, una matrice a quattro vie con esempi, scale di livello, chi im…
Leggi l'articolo →Database e SQLEsercitazione sulle sottoquery SQL: tipi, sottoquery correlate ed EXISTS con esempi
Un tutorial sulle sottoquery SQL con le query che abbiamo eseguito: sottoquery scalari, IN, FROM e SELECT, sottoquery correlate, EXISTS, trap NOT IN…
Leggi l'articolo →Database e SQLSpiegazione di transazioni SQL e ACID: COMMIT, ROLLBACK e livelli di isolamento
Transazioni SQL e ACID spiegate con un bonifico bancario eseguito: COMMIT, ROLLBACK, punti di salvataggio, blocchi, livelli di isolamento, letture s…
Leggi l'articolo →Sviluppo softwareCheat sheet dei comandi Git: i comandi che usi effettivamente, con esempi
Un cheat sheet dei comandi Git raggruppato per attività: configurazione, staging, rami, telecomandi, stash, cronologia ed errori di annullamento, co…
Leggi l'articolo →Sviluppo softwareSpiegazione delle promesse JavaScript: quindi, cattura, Promise.all ed errori comuni
Promesse JavaScript spiegate con il codice che abbiamo eseguito: stati, catene then e catch, gestione degli errori, Promise.all, allSettled, race an…
Leggi l'articolo →Sviluppo softwareTutorial sul dizionario Python: metodi, esempi e modelli comuni
Un tutorial sul dizionario Python con il codice che abbiamo eseguito: creazione, lettura e aggiornamento di dettami, metodi chiave, unione, comprens…
Leggi l'articolo →Intelligenza artificialeCos'è il RAG? La generazione aumentata di recupero spiegata con un esempio funzionante
Cos'è il RAG? La generazione aumentata di recupero viene spiegata passo dopo passo: indicizzazione, suddivisione in blocchi, incorporamenti, recuper…
Leggi l'articolo →DevOpsTutorial Terraform per principianti: infrastruttura come codice dal primo file ai moduli
Un tutorial su Terraform per principianti: inizia senza account cloud, impara init, pianifica e applica, quindi variabili, output, stato, moduli e u…
Leggi l'articolo →DevOpsDocker vs Kubernetes: differenze chiave, come funzionano insieme e di cosa hai bisogno
Spiegazione di Docker vs Kubernetes: cosa fa ciascuno, la stessa app viene eseguita con entrambi, Docker Compose e Swarm a confronto, il dockershim …
Leggi l'articolo →Automazione dei testTutorial Pytest per principianti: infissi, parametrizzazione ed esempi reali
Un tutorial pytest per principianti con test che abbiamo eseguito su pytest 9.2: asserzioni, dispositivi, parametrizzazione, conftest, marcatori, tm…
Leggi l'articolo →Test del softwareCiclo di vita del test del software (STLC): 6 fasi, criteri di ingresso e uscita, esempio
Spiegazione del ciclo di vita del test del software: sei fasi STLC con criteri di ingresso e uscita, risultati finali, un esempio di funzionalità di…
Leggi l'articolo →Sviluppo softwareGit merge vs rebase: differenze, esempi e quando usare ciascuno
Git merge vs rebase spiegato con output reale del log, una tabella di confronto, la regola d'oro del rebase e un flusso di lavoro sicuro per i team.
Leggi l'articolo →Sviluppo softwareList comprehension in Python: sintassi, esempi e quando evitarla
List comprehension in Python spiegata: sintassi, filtri, if-else, cicli annidati, tempi misurati e i casi in cui un normale ciclo for è meglio.
Leggi l'articolo →Database e SQLSQL JOIN spiegati con esempi (Inner, Left, Right, Full)
Capisci i JOIN SQL passo dopo passo con tabelle e query di esempio: INNER, LEFT, RIGHT, FULL, CROSS e SELF, con errori comuni e consigli sulle prest…
Leggi l'articolo →