AI Engineering Hub: Guida Completa

🎯 Cos'è AI Engineering Hub?

È una raccolta di progetti production-ready con tutorial e demo reali su LLMs, RAG e Agenti. I progetti sono organizzati per livello (Beginner/Intermediate/Advanced) e coprono casi d'uso reali come chat UI locali, agenti con memoria, RAG multimodale e molto altro.

🟢

Beginner

OCR, chat UI locali, RAG di base

🟡

Intermediate

Agenti, workflow, RAG avanzato

🟣

Advanced

Fine-tuning, sistemi in produzione

📚 Come usarla: passo-passo

1 Clona il repository

git clone https://github.com/patchy631/ai-engineering-hub.git
cd ai-engineering-hub
                    

2 Scegli un progetto per livello

Apri la cartella del progetto (es. beginner/local-chatgpt-gemma) e leggi il README.md con i prerequisiti.

3 Installa le dipendenze

Segui il file requirements.txt oppure usa pip multi-linea:

pip install `
  streamlit `
  llama-index `
  qdrant-client `
  crewai `
  transformers `
  openai
                    

4 Avvia la demo

Molti progetti espongono una UI web o API locali.

streamlit run app.py

5 Configura le chiavi (se richieste)

Imposta le variabili d'ambiente per provider (es. OPENAI_API_KEY, GROQ_API_KEY) seguendo il README del progetto.

💡 Esempi pratici

Local ChatGPT con Gemma 3

Avvia una chat UI locale con streaming delle risposte.

pip install `
  transformers `
  streamlit `
  sentencepiece

python - <<'PY'
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "google/gemma-2-2b-it"
tok = AutoTokenizer.from_pretrained(model_id)
mdl = AutoModelForCausalLM.from_pretrained(model_id)

prompt = "Ciao! Spiega cos'è un RAG in modo semplice."
inputs = tok(prompt, return_tensors="pt")
with torch.no_grad():
    out = mdl.generate(**inputs, max_length=200, temperature=0.7)
print(tok.decode(out[0], skip_special_tokens=True))
PY
                

Simple RAG Workflow

Indicizzazione di documenti e risposta a domande.

pip install `
  llama-index `
  pypdf `
  sentence-transformers

python - <<'PY'
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
docs = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(docs)
query_engine = index.as_query_engine()
print(query_engine.query("Quali sono i vantaggi di un RAG?"))
PY
                

Agentic workflow con CrewAI

Un semplice flusso con più agenti coordinati.

pip install crewai

python - <<'PY'
from crewai import Agent, Task, Crew

researcher = Agent(name="Ricercatore", role="cerca fonti", goal="Raccogliere insight rilevanti")
writer = Agent(name="Autore", role="redige contenuti", goal="Scrivere un riassunto chiaro")

task1 = Task(description="Analizza 3 fonti sul tema RAG")
task2 = Task(description="Scrivi un riassunto di 300 parole")

crew = Crew(agents=[researcher, writer], tasks=[task1, task2])
result = crew.run()
print(result)
PY
                

🚀 Risorse

Esplora i progetti, leggi i README e avvia le demo.

Repository GitHub Qdrant LlamaIndex