Integrazione LLM: Claude Sonnet e GPT-4o

Descrizione del corso

• Anthropic SDK ( Python ), Client Asincrono, Streaming, Tool_use e gestione errori
• OpenAI SDK ( Python ), Output strutturati, Parallel Tool Calls e Response Format
• Prompt Engineering avanzato per Agenti
• System prompt
• Few-shot
• Chain-of-thought forzato
• Gestione del context window
• Il Token Budgeting
• Il context compression
• La Summarization automatica
• Output strutturati con Pydantic
• La Validazione delle risposte LLM tipizzate
• Costi e ottimizzazione
• Il Prompt Caching
• Le Batch API
• Scelta del modello giusto per Task
• Multi-model Routing
• Modelli diversi per task diversi ( Haiku per Tool call ed Opus per ragionamento )
• Confronto pratico Claude Sonnet vs GPT-4o su task reali di agenti
• Esercizio #57.01 : Configurare il client Anthropic in modalità sincrona e asincrona con asyncio
• Esercizio #57.02 : Implementare lo Streaming con Anthropic SDK e visualizzare la risposta token per token in tempo reale nel terminale
• Esercizio #57.03 : Usare tool_use con Anthropic: definire un tool, inviarlo al modello e gestire la risposta
• Esercizio #57.04 : Fare lo stesso con OpenAI SDK: Parallel Tool Calls, Response Format JSON e output strutturati