Distillation e Deep Seek: la tecnica con cui un modello piccolo eredita le capacità di uno grande
La distillation insegna a un modello piccolo (student) a imitare le risposte di uno grande (teacher) su un compito specifico. OpenAI ha accusato Deep Seek di averla usata contro i termini GPT-4; Anthropic ha inserito in Claude Code un sistema anti-distillation con tool call fittizi. Resta lo strumento principe per portare capacità da 1,8T parametri a 8B runnabili su laptop. Analizzo tecnica, errori operativi e quando ha senso in una pipeline PMI italiana. Continua a leggere
Ultima modifica:
Un progetto legacy di 10+ anni ha migliaia di decisioni storiche invisibili: perché questa funzione si chiama così, perché quel campo accetta NULL, perché quel cron gira alle 3:27. Nella mia pipeline personale ho costruito un knowledge management AI-assisted che indicizza commit, issue, documentazione sparsa in embeddings e risponde a domande contestuali. Ti mostro l'architettura: ingestione multi-sorgente, memoria persistente cross-session, retrieval pesato per recency. 
Un'applicazione AI consumer-facing richiede un SDK TypeScript robusto lato client: streaming SSE che gestisce reconnect su disconnessione rete, error recovery discriminando errori transitori da permanenti, cost tracking per mostrare il consumo utente, tipizzazione forte sugli output strutturati del backend. Ti mostro l'architettura dell'SDK che ho costruito come libreria interna: API pulita, zero dipendenze browser, supporto React/Vue/vanilla, pattern di ripresa sessione dopo navigazione. 
Il codice PHP che scrivi oggi sarà mantenuto da qualcun altro tra cinque anni - e quel qualcun altro potresti essere tu. Ho estratto i principi concreti che distinguono il codice che invecchia bene da quello che diventa legacy immediato, basandomi su 15 anni di eredità di progetti altrui. 
Accedere al database MySQL di produzione da remoto senza esporlo su internet è un requisito frequente. Con SSH tunneling si ottiene un accesso sicuro con crittografia end-to-end senza modificare il firewall. Vi mostro i comandi per i casi d'uso più comuni che uso ogni giorno: MySQL, Redis, Elasticsearch e RDP. 
Dopo 18 mesi di utilizzo sistematico di LLM per codice PHP in produzione, ho una visione precisa dei limiti reali. L'AI eccelle nel boilerplate, nel refactoring locale, nella spiegazione del codice. Fallisce sistematicamente sul ragionamento architetturale, sulla coerenza a lungo termine e sulle interazioni di sistema complesse. 
Ho iniziato a usare Claude per generare migration SQL complesse su schemi di database con 200 tabelle e vincoli FK intricati. Il risultato non è mai corretto al 100% senza supervisione - ma riduce il tempo di scrittura dell'80%. Vi mostro il workflow: contesto da fornire all'LLM, validazione sistematica e i casi dove l'AI sbaglia. 
Il prompt engineering non è magia, è struttura. Ti mostro i 6 pattern che uso quotidianamente per task tecnici: chain of thought per debugging complessi, few-shot con esempi verificati per generazione codice coerente, structured output per pipeline automatiche, system prompt con boundaries espliciti. Ogni pattern con template riutilizzabile e anti-pattern da evitare. 
Ho refactorizzato un'applicazione React con 200 chiamate useMemo e useCallback sparse ovunque - aggiunte da uno sviluppatore convinto che 'più memo = più veloce'. Il profiling ha mostrato che l'80% era controproducente. Vi spiego come identificare i veri colli di bottiglia e quando la memoizzazione aiuta davvero. 
Claude Code non è un autocompletamento migliorato, è un agente che esegue comandi sul tuo filesystem. Usarlo in produzione senza un'impostazione ingegneristica rigorosa significa creare debito tecnico invisibile. Ti racconto come l'ho configurato nella mia pipeline: hook di validazione pre-bash, rules per delimitare il perimetro operativo, integrazione con Git e con strumenti di analisi statica PHP.