Che cos'è la Guida alla distribuzione del dispositivo di inferenza LLM locale I Agent?

Se stai considerando crea un agente di intelligenza artificiale sul tuo computer E non dipende dalla nuvola, probabilmente ti sei imbattuto nel termine "Guida all'implementazione del dispositivo di inferenza LLM locale I Agent" oppure tramite il sito web llmdev.guide. Dietro questo lungo nome si cela qualcosa di molto specifico: una guida pratica, basata su dati reali, per aiutarvi a scegliere l'hardware giusto per eseguire localmente modelli linguistici complessi senza sprecare denaro.

L'idea alla base di questo progetto è semplice ma efficace: Raccogli benchmark reali, misurati dalla comunità, dei dispositivi più comunemente utilizzati per l'inferenza locale. de LLM (specialmente per gli agenti di intelligenza artificiale) e presentarli in un formato chiaro, visivo e facilmente confrontabile. L'obiettivo è contrastare la marea di cifre gonfiate, dubbie tattiche di marketing e specifiche confuse che inondano il mercato degli acceleratori di intelligenza artificiale e delle GPU.

Che cos'è la Guida alla distribuzione del dispositivo di inferenza LLM locale I Agent?

La chiamata "AI Agent Local LLM Inference Device Deployment Guide" è una guida all'implementazione incentrata sui singoli utenti. che vogliono eseguire localmente modelli linguistici di grandi dimensioni, con particolare attenzione ai carichi di lavoro degli agenti (come Claude Code, Cursor, OpenClaw(PicoClaw, ecc.). Queste applicazioni in genere consumano un'enorme quantità di token rispetto a una semplice chat, quindi le prestazioni hardware diventano fondamentali per evitare di frustrarsi nell'attesa delle risposte.

Il progetto è ospitato in llmdev.guide È strutturato come un database aperto e collaborativo, in cui la comunità contribuisce con i risultati delle prestazioni di diversi dispositivi che eseguono modelli specifici. Il requisito minimo affinché un dispositivo appaia nella guida è che possa eseguire almeno un modello di circa (9B), cioè qualcosa di ragionevole per assemblare un agente di IA decente.

Oltre a fungere da catalogo, la guida è intesa come una sorta di antidoto al marketing ingannevole di alcuni produttoriQuesti dispositivi promettono capacità enormi in TOPS o TFLOPS, che in pratica non si traducono in un maggior numero di token al secondo. La guida stessa spiega le tattiche più comuni utilizzate per gonfiare i dati, in modo da non essere tratti in inganno quando si confrontano i dispositivi.

Un altro punto importante è che la guida si concentra su attrezzature con un costo in genere inferiore a 10.000 dollariSi va dai PC di fascia consumer con GPU ai mini PC, dai single-board computer potenziati agli acceleratori dedicati, fino ad arrivare a workstation più performanti. L'obiettivo non è competere con i data center, ma mostrare quali soluzioni siano più adatte a chi desidera assemblare una postazione per l'intelligenza artificiale a casa o in ufficio. Eseguire LLM in locale.

Tattiche di marketing gonfiate nel settore hardware per l'intelligenza artificiale

Uno dei vantaggi della guida è che smonta diversi Trucchi di marketing comuni per gonfiare la "potenza di calcolo" di un dispositivo. Capirli aiuta molto a interpretare le specifiche in modo sensato.

Una prima tattica è quella di utilizzare il “calcolo sparso” come figura principale di TOPSMolti chip pubblicizzano, ad esempio, 200 TOPS, ma tale cifra si raggiunge solo con la sparsità (una parte dei pesi impostata a zero) e in condizioni molto specifiche. Il risultato effettivo nei modelli densi può facilmente essere la metà, quindi, come regola generale, si considera che ci sia almeno un fattore di inflazione di 2x.

Un altro modo per manipolare i numeri è quello di affidarsi a precisioni molto basse come FP4 o INT4 quando si presenta la potenza grezzaQuesti valori aumentano significativamente le prestazioni teoriche rispetto a INT8 o FP16, ma non sono sempre utilizzabili o offrono una qualità sufficiente per tutti i modelli. L'effettivo incremento delle prestazioni è solitamente compreso tra 2 e 4 volte quello che si osserverebbe in condizioni realistiche.

È anche abbastanza comune impilamento di calcolo eterogeneoIn altre parole, si tratta semplicemente di sommare la potenza grezza di CPU, GPU, NPU, DSP e qualsiasi altro componente coinvolto, come se tutto potesse essere utilizzato simultaneamente con perfetta efficienza. In pratica, utilizzare efficacemente tutti questi componenti in sinergia è molto difficile, e il risultato finale è un bel dato complessivo sulla carta, ma ben lontano da ciò che si otterrà effettivamente con uno specifico LLM.

Infine, ci sono dispositivi impilabili elevata potenza di calcolo con una larghezza di banda di memoria molto ridotta.Sulla carta sembrano dei mostri in termini di TOPS, ma non appena iniziano a gestire un modello linguistico di grandi dimensioni, finiscono per essere completamente limitati dalla memoria. La guida sottolinea che il limite prestazionale reale è solitamente determinato più dalla larghezza di banda che dal TOPS teorico.

Come strutturare le informazioni llmdev.guide

Il sito web llmdev.guide offre diversi modi per visualizzare e confrontare i dispositivi per l'inferenza LLM localeProgettato per utenti con diversi livelli di competenza tecnica. Non si tratta di una semplice tabella statica: offre diverse visualizzazioni interattive che facilitano notevolmente i confronti.

Da una parte abbiamo un La classica "classifica" che permette di ordinare i dispositivi in ​​base a un singolo criterio.come la velocità di decodifica (token al secondo), il rapporto qualità-prezzo o l'efficienza energetica. Questa visualizzazione è ideale se ti interessa, ad esempio, vedere quale opzione offre il maggior numero di token per euro speso, entro i limiti del tuo budget.

Se vuoi maggiori dettagli, la guida include Grafici a dispersione 2D dove è possibile scegliere quale variabile posizionare su ciascun asse (prezzo, consumo energetico, larghezza di banda, token/s, ecc.) e utilizzare la dimensione della bolla per rappresentare una metrica aggiuntiva. Ciò consente di vedere a colpo d'occhio, ad esempio, quali dispositivi offrono un buon equilibrio tra costo, prestazioni e consumo energetico.

Per coloro che apprezzano i dati al massimo, c'è anche grafica 3D interattiva dove tre parametri si intersecano simultaneamente, con bolle in uno spazio tridimensionale. Sebbene sia una rappresentazione più "da nerd", è molto utile per comprendere, ad esempio, come certi tipi di hardware vengono raggruppati in termini di token/secondo, prezzo ed efficienza per watt.

La quarta vista è una Tabella dati completa con tutte le specifiche e i risultati del benchmarkQui è possibile filtrare, ordinare e accedere a informazioni dettagliate per ogni GPU, NPU o modello di sistema. Ogni dispositivo ha una propria pagina con specifiche tecniche, risultati dei test e note aggiuntive, oltre a link a prove di test inviate dagli utenti.

Modello di riferimento unificato: famiglia Qwen 3.5

Per evitare il caos derivante dal confronto tra mele e arance, la guida utilizza il La famiglia di modelli Qwen 3.5 come riferimento standardL'idea è semplice: se tutti i benchmark vengono eseguiti con le stesse architetture di modello, il confronto tra i dispositivi risulta molto più chiaro.

Nella famiglia Qwen3.5 sono considerati due modelli necessario affinché un dispositivo venga incluso nell'elencoDa un lato, c'è Qwen3.5-9B, progettato per dispositivi di piccole dimensioni o di fascia bassa. Se il tuo hardware non è in grado di gestire questo modello, è improbabile che sia adatto ad agenti di intelligenza artificiale esigenti.

Il secondo modello obbligatorio è Qwen3.5-27B, progettato come riferimento per dispositivi di fascia mediaSe un team è in grado di utilizzare questo modello in modo efficace, esso è già considerato valido per impieghi più seri, come applicazioni professionali di generazione di codice, analisi di documenti o assistenti interni.

Inoltre, la guida include diversi modelli Mixture of Experts (MoE) come opzioni facoltative: Qwen3.5-35B-A3B, Qwen3.5-122B-A10B y Qwen3.5-397B-A17BCiascuno di essi funge da punto di riferimento per dispositivi con maggiore memoria o ambizioni più elevate: dai dispositivi con molta RAM ai veri e propri "flagship" progettati per attività molto impegnative.

In tutti i casi, un Quantizzazione minima di 4 bit (INT4/Q4)in modo che i risultati siano comparabili e realistici. Se un dispositivo non dispone ancora di dati diretti per Qwen 3.5, in casi eccezionali possono essere utilizzate stime basate su modelli simili, contrassegnate da un asterisco per chiarire che non si tratta di misurazioni dirette.

Quali parametri di prestazione vengono effettivamente misurati?

Invece di perdersi in mille numeri, la guida si concentra su due metriche fondamentali per l'uso interattivo degli agenti di intelligenza artificiale: la velocità di decodifica e la velocità di precaricamento, entrambe espresse in token al secondo.

La La velocità di decodifica è il fattore più importante per l'esperienza utente.Perché determina quanti token al secondo il modello può generare una volta avviata la risposta. In pratica, definisce se il testo viene visualizzato in modo fluido o a scatti.

La La velocità di pre-riempimento influisce sul tempo necessario per ottenere il primo gettone.In altre parole, indica il tempo impiegato dal sistema per elaborare la richiesta iniziale (che può essere piuttosto lunga negli agenti con contesto, strumenti, cronologia, ecc.) prima di iniziare a generare l'output. Questo è fondamentale nelle applicazioni che caricano contesti di grandi dimensioni o molti documenti contemporaneamente.

Oltre a queste due metriche principali, la guida presta particolare attenzione a la relazione tra la larghezza di banda della memoria e la velocità effettiva raggiuntaInfatti, i valori dei token segnalati vengono confrontati con un limite teorico calcolato in base alla larghezza di banda disponibile e, se le cifre superano un valore ragionevole, vengono contrassegnate con un simbolo di avvertimento per indicare che c'è qualcosa che non quadra.

Tutto ciò è completato da informazioni su Consumo energetico, prezzo approssimativo, capacità di memoria, larghezza di banda e TOPS dichiaratiQuesti dati vengono poi utilizzati per ricavare rapporti come prestazioni per euro o prestazioni per watt. Questi rapporti consentono di individuare rapidamente quali dispositivi rappresentano un vero affare e quali sono chiaramente sovraprezzati.

Confronti hardware nel mondo reale: esempi significativi

Uno dei casi più illustrativi discussi utilizzando la guida è quello di Confronta GPU costose e workstation di fascia alta con opzioni molto più modeste.Rappresentando tutti i dati sullo stesso grafico, diventa chiaro che il prezzo non si traduce sempre in un maggior numero di token/s.

Ad esempio, prendendo come riferimento Qwen3.5 9BLa guida mostra che sistemi che costano oltre 4.000 dollari, come un sistema NVIDIA DGX Spark o un Apple Mac Studio con un chip M3, possono offrire prestazioni in token al secondo molto simili a quelle di una macchina dotata di una GPU molto più "normale", come una Intel Arc B580 da 12 GB che costa circa 260 dollari.

All'estremo opposto, se il denaro non è un problema e l'obiettivo è raggiungere il successo, allora... massima velocità possibile con modelli di dimensioni compatteLa cosa più logica da fare è prendere in considerazione le GPU di fascia alta, come ad esempio una ipotetica NVIDIA GTX 5090 da 32 GB, che offre un rapporto prestazioni/prezzo piuttosto ragionevole se l'unico obiettivo è spingersi al limite e si è disposti a fare l'investimento.

Quando si passa a modelli davvero grandi, come Qwen 122B-A10BLa situazione cambia considerevolmente perché la memoria inizia a diventare il collo di bottiglia. In questo contesto, dispositivi come la NVIDIA DGX Spark possono offrire un rapporto prezzo/prestazioni sorprendentemente buono rispetto a macchine come un Apple Mac Studio M3 Ultra con 256 GB, principalmente grazie al modo in cui gestiscono la memoria e la larghezza di banda.

Bisogna però tenere presente che Non tutte le voci della guida riportano lo stesso livello di dettaglio per quanto riguarda i costi.In alcuni casi viene indicato il prezzo dell'intero sistema, in altri solo quello della GPU. Ciononostante, come strumento di confronto generale, la guida permette di identificare facilmente quando un sistema è significativamente sovradimensionato rispetto alle prestazioni che effettivamente offre nei LLM.

Opzioni di visualizzazione e analisi nella guida

L'interfaccia llmdev.guide ti permette di giocare con più parametri per gli assi X e Y dei grafici e per la dimensione delle bolleÈ possibile scegliere, ad esempio, che l'asse X rappresenti il ​​prezzo, l'asse Y i token di decodifica al secondo e che la dimensione della bolla rappresenti il ​​consumo energetico.

Puoi anche attraversare Caratteristiche hardware (larghezza di banda della memoria, capacità, TOPS dichiarati) con risultati di inferenza (velocità di pre-riempimento, velocità di uscita) o con rapporti derivati ​​(prestazioni per watt, prestazioni per dollaro). Ciò aiuta a individuare modelli, come ad esempio dispositivi che offrono prestazioni significativamente superiori o inferiori a quanto previsto dalle loro specifiche.

Per quanto riguarda il prezzo, lo strumento inizialmente non ha un filtro diretto per fascia di costoTuttavia, offre la possibilità di utilizzare una scala logaritmica sull'asse dei prezzi, in modo che le opzioni di fascia bassa e media non vengano oscurate dalle stazioni più costose. Inoltre, è possibile ingrandire la visualizzazione disegnando un rettangolo con il mouse per concentrarsi su un sottoinsieme specifico di dispositivi.

Se preferisci qualcosa di più tradizionale, la vista in forma di Un elenco con una tabella ordinabile consente di riordinare le righe in base a qualsiasi colonnaincluso il prezzo. In questo modo puoi vedere a colpo d'occhio qual è il dispositivo più economico che soddisfa determinati requisiti minimi o quali offrono le migliori prestazioni entro un budget specifico.

Facendo clic su un elemento nell'elenco o su una bolla nel grafico si accede a un foglio con maggiori dettagli su ciascun dispositivoCiò include le specifiche tecniche complete, i risultati dei test e le note su come è stato eseguito il benchmark. Indica inoltre se i dati sono stati misurati o estrapolati, nonché eventuali aspetti insoliti della configurazione.

Dati della comunità, stime e processo di contribuzione

Uno dei pilastri del progetto è che Tutti i dati sulle prestazioni sono basati sul contributo della comunità.Non si tratta di una serie chiusa di test eseguiti da un singolo laboratorio, bensì di un database in tempo reale, al quale chiunque può aggiungere i propri risultati seguendo la procedura stabilita.

Quando un dispositivo non è stato testato direttamente con Qwen 3.5, alcuni risultati potrebbero apparire come stimato da altri modelli, come ad esempio Llama 7B nel caso di Raspberry Pi 5 16GBQuesto viene fatto per fornire un riferimento approssimativo, ma è indicato esplicitamente in modo che nessuno lo confonda con le misurazioni effettive.

Il processo di contribuzione prevede fork del repository del progettoCopia un modello di dispositivo (devices/_template.md) e compilalo con le informazioni hardware e i risultati ottenuti. Inoltre, allega prove dei tuoi test, come screenshot o output del terminale, in modo che altri possano verificare la correttezza dei dati.

È obbligatorio, almeno, correre Qwen 3.5 9B con un prompt sufficientemente lungo Per ottenere dati significativi sulle prestazioni, soprattutto nei casi d'uso tipici degli agenti di intelligenza artificiale, si raccomanda inoltre di scattare foto della scheda o delle apparecchiature utilizzate e di documentare la configurazione (quantizzazione, contesto, backend, ecc.).

Per ora, Il sistema non automatizza la raccolta dei datiTutto deve essere compilato manualmente seguendo il modello. Alcuni utenti hanno fatto notare che sarebbe ideale avere degli script come "sbc-bench.sh" che eseguano i test e inviino i risultati, ma per ora l'approccio manuale consente un maggiore controllo di qualità e impedisce che le tabelle vengano riempite con risultati discutibili.

Contesto: Cosa sono i LLM locali e perché sono importanti?

Al di là della guida in sé, è importante comprenderne il contesto in cui nasce: modelli linguistici di grandi dimensioni che vengono eseguiti localmente, senza dipendere dal cloudStanno vivendo un vero e proprio boom. Sempre più utenti e aziende desiderano avere un proprio assistente, agente o sistema conversazionale in esecuzione sui propri dispositivi, senza dover inviare dati sensibili a terzi.

I LLM locali rappresentano un cambiamento rispetto ai servizi cloud tradizionali perché Ti consentono di mantenere il controllo sui tuoi dati e di lavorare completamente offlineAnziché pagare per le chiamate a un'API esterna, si scarica il modello, lo si esegue sul proprio hardware e si controlla sia la configurazione che eventuali personalizzazioni o ottimizzazioni.

Nell'ecosistema attuale, modelli come Chiama 3.x, Qwen 2.5/3.5, DeepSeek R1 o Phi-4che hanno migliorato la loro efficienza al punto che le versioni con parametri da 7B a 9B offrono risultati molto solidi se eseguite su una singola GPU consumer o anche solo con una CPU potente e una buona quantità di RAM.

Per le organizzazioni con carichi di lavoro intensivi (analisi massiva di documenti, generazione continua di codice, chatbot interni…), il passaggio a LLM locali può significare enormi risparmi rispetto ai costi ricorrenti delle API commercialisoprattutto quando si gestiscono milioni di token al mese. A ciò si aggiunge la necessità di un controllo preciso sul modello e sul suo comportamento.

Gli agenti IA portano tutto questo un passo avanti, perché Non si limitano a rispondere alle domande, ma collegano tra loro strumenti, contesti e azioni. in flussi significativamente più lunghi. Ciò aumenta il numero di token e rende le prestazioni di inferenza del dispositivo un fattore ancora più critico, precisamente il tipo di scenario per cui la guida alla distribuzione del dispositivo di inferenza LLM locale dell'agente I è più utile; per progettare questi sistemi, è utile comprendere il architetture di agenti.

Requisiti hardware per LLM locale: GPU, CPU e memoria

Uno dei maggiori grattacapi quando qualcuno considera di istituire un programma LLM a livello locale è Capire di quale hardware hai realmente bisogno e quale parte del budget ha il maggiore impattoLa GPU e la memoria (VRAM e RAM) sono solitamente i fattori decisivi, ma non gli unici.

Nel regno delle GPU, la chiave sta nel quantità di VRAM e larghezza di bandaPer i modelli entry-level con 7-8 parametri (come la Llama 3.1 8B o la Qwen 2.5 7B), una GPU con 8-12 GB di VRAM è solitamente sufficiente, soprattutto se si utilizza la quantizzazione a 4 bit. Questo copre i casi d'uso generali e i progetti personali senza troppe complicazioni.

Se l'obiettivo è quello di aggiornare i parametri del modello a 14-32 bit (come Qwen 2.5 14 bit o DeepSeek R1 32 bit), La cosa più sensata da fare è puntare a GPU con 16-24 GB di VRAM....oppure, in alcuni casi, configurazioni multi-GPU. A partire da parametri a 70 miliardi, le cose cambiano radicalmente e si parla di 48 GB o più, spesso in sistemi con diverse GPU di fascia alta o acceleratori aziendali dedicati.

Esiste una regola approssimativa per calcola quanta memoria richiede un modelloM = (P × Q/8) × 1,2, dove M è la memoria in GB, P è il numero di parametri in miliardi e Q è la precisione in bit. Pertanto, un modello 70B a 16 bit può avere circa 168 GB di VRAM, mentre con la quantizzazione a 4 bit sarebbe vicino a 42 GB. Da lì, è possibile adattare in base al backend e ai buffer aggiuntivi.

Il ruolo della CPU non va sottovalutato: processori moderni con buone estensioni vettoriali e buona larghezza di banda della memoria Possono eseguire modelli più piccoli con prestazioni sorprendenti. Esempi recenti mostrano CPU come alcuni processori Ryzen per l'intelligenza artificiale in grado di superare i 50 token/s con modelli leggeri, aprendo la strada a configurazioni senza GPU per alcuni utilizzi.

Strumenti popolari per la distribuzione di LLM locali

Una volta chiarito l'hardware, il passo successivo è scegliere la piattaforma software per la gestione di modelli e inferenzaQui, strumenti progettati per utenti principianti vengono combinati con altri volti a sfruttare al massimo la potenza della CPU o della GPU del sistema.

Ollama si è affermata come una delle opzioni più intuitive per iniziareFunziona con un approccio "Docker per i modelli", che consente di scaricare e avviare modelli con comandi molto semplici. Gestisce automaticamente la quantizzazione, l'utilizzo della GPU e della memoria ed espone un'API compatibile con OpenAI, che semplifica notevolmente l'integrazione di un agente o di un chatbot nelle proprie applicazioni.

Per coloro che preferiscono un'interfaccia grafica raffinata, LM Studio offre un ambiente visivo altamente curato per scoprire, scaricare e testare modelliSi integra direttamente con Hugging Face, dispone di un'interfaccia di chat e semplifica la modifica di modelli, quantizzazione o backend senza dover utilizzare la riga di comando, a costo di perdere parte della flessibilità.

A un livello più tecnico, llama.cpp rimane Il punto di riferimento per chi cerca massime prestazioni e un controllo preciso.Si tratta di un'implementazione C++ altamente ottimizzata con supporto per diversi backend (CUDA, Metal, Vulkan, ecc.) e tecniche di quantizzazione avanzate. Inoltre, ha apportato miglioramenti significativi alle architetture ARM, a vantaggio sia dei laptop con processori Apple Silicon che dei dispositivi con Snapdragon X e processori simili.

Accanto a questi, ci sono progetti come GPT4All o LocalAI che Stanno optando per un'esperienza desktop unificata o per esporre API locali molto facile da integrare. Inoltre, alternative come Jan AI Tra le opzioni disponibili per chi cerca un'esperienza locale simile a ChatGPT, la scelta dipende dall'equilibrio che ciascuno desidera trovare tra semplicità, prestazioni e personalizzazione.

Strategie di implementazione e ottimizzazione per agenti di intelligenza artificiale

Quando l'obiettivo è eseguire agenti di IA più complessi (con chiamate a strumenti, navigazione, lunghe catene di ragionamento, ecc.), entrano in gioco i seguenti elementi. ulteriori strategie di ottimizzazione per sfruttare al meglio l'hardware che già possiedi o che intendi acquistare seguendo la guida.

La quantizzazione è il primo grande alleato: Lavorare con 4 bit solitamente offre un ottimo equilibrio tra qualità e dimensioni.Ciò consente ai modelli a 7-9 bit di adattarsi comodamente a GPU da 8-12 GB e ai progetti a 30 bit o superiori di funzionare su GPU da 24 GB o configurazioni multi-GPU. Nei casi in cui è richiesta la massima qualità, l'architettura a 8 bit offre un compromesso abbastanza compatto ma equilibrato.

È inoltre fondamentale regolare parametri quali lunghezza del contesto, dimensione del batch e numero di livelli scaricati sulla GPU Nelle configurazioni ibride CPU/GPU, l'aumento del contesto migliora la capacità di gestire cronologie lunghe, ma incrementa significativamente il consumo di memoria; è quindi essenziale ottimizzare questi valori in base all'utilizzo specifico dell'agente.

In ambito aziendale o di laboratorio, ha senso considerare Configurazioni multi-GPU e implementazioni distribuiteSi utilizzano tecniche come il parallelismo tensoriale per suddividere modelli di grandi dimensioni, pari o superiori a 70 byte, su più schede. Framework come vLLM o alcune interfacce web avanzate offrono supporto diretto per queste modalità, sebbene richiedano una maggiore conoscenza dei sistemi.

Infine, dal punto di vista dei costi, Le implementazioni on-premise diventano spesso molto competitive rispetto al cloud. Quando il volume di token elaborati è elevato e l'hardware viene ammortizzato nel medio termine, la guida ai dispositivi aiuta a trovare il punto di equilibrio ottimale tra investimento in apparecchiature, costi energetici e prestazioni, in modo che l'equazione risulti favorevole all'implementazione di agenti locali.

Considerando tutti questi elementi – dati di benchmark reali, metodi per filtrare il marketing gonfiato, metriche pertinenti e strumenti di implementazione – la Guida all'implementazione del dispositivo di inferenza LLM locale I Agent diventa una risorsa preziosa per chiunque desideri creare agenti AI in locale in modo efficace. Aiuta a dare priorità alla larghezza di banda e alla memoria rispetto a cifre TOPS appariscenti, fornisce indicazioni su quali modelli della famiglia Qwen 3.5 utilizzare come benchmark e offre chiari confronti di prezzo, prestazioni ed efficienza per aiutarti a scegliere l'hardware senza pagare più del dovuto.

Articolo correlato:

Come scaricare e utilizzare la guida ufficiale per la creazione di agenti AI da OpenAI

Isaac

Scrittore appassionato del mondo dei byte e della tecnologia in generale. Adoro condividere le mie conoscenze attraverso la scrittura, ed è quello che farò in questo blog, mostrarti tutte le cose più interessanti su gadget, software, hardware, tendenze tecnologiche e altro ancora. Il mio obiettivo è aiutarti a navigare nel mondo digitale in modo semplice e divertente.