Dal protocollo alla pratica: costruire agenti AI con ADK di Google en

I sistemi AI basati su LLM sono mezzi potenti ma limitati: mancano di memoria persistente, hanno una gestione del contesto fragile e faticano a coordinare modelli, strumenti e azioni in modo modulare. Questo rende complessa la costruzione di agenti realmente autonomi e scalabili.

In risposta a questi limiti, il Model Context Protocol (MCP) si propone come soluzione architetturale: un modello formale per rappresentare stato, contesto e tool-use in ambienti multi-agente o multi-modello. MCP introduce astrazioni chiave come Model State, Context Object e Tool Interfaces, permettendo orchestrazione, interoperabilità e ragionamento contestuale tra componenti AI eterogenei.

In questo talk vedremo come il nuovo Agent Development Kit (ADK) di Google traduce MCP in una toolchain concreta per la creazione di agenti AI multimodali, persistenti e reattivi. Analizzeremo casi d’uso reali per dimostrare come si possa passare dal protocollo alla pratica in modo solido e scalabile.

I 7 peccati capitali del dev en

Essere sviluppatori oggi non significa solo scrivere codice: vuol dire destreggiarsi tra bug infernali, deadline impossibili e tentazioni tecnologiche. In questo talk esploreremo i “7 peccati capitali del Dev”, dalla superbia del “Not Invented Here” alla lussuria per l’AI di moda, passando per ira, accidia, gola e tutti gli errori in cui ci siamo riconosciuti almeno una volta. Ma non è solo satira: tra ironia e storytelling epico troveremo anche la via della redenzione, fatta di test, documentazione, collaborazione e buon senso. Una Divina Commedia del codice che farà sorridere, riflettere e – si spera – uscire dal talk con più autoironia e un pizzico di saggezza dev.

Beyond keywords: the evolution of search engine with generative AI en

Search engines have undergone a transformation, shifting from simple keyword-based retrieval to systems capable of understanding the context, intent, and semantic relationships of queries. This evolution has been driven by advancements in AI, including NLP and knowledge representation techniques. We will explore key milestones in this journey, from early indexing methods to the integration of semantic search, knowledge graphs, and ML models.

By combining the genAI capabilities of LLM with external knowledge bases, RAG systems offer dynamic, context-aware search experiences. These systems generate precise and personalized answers by leveraging embeddings, neural network architectures, and the ability to integrate relevant external data.

While RAG systems represent a significant leap forward, they also face challenges: reliance on high-quality and unbiased data sources, computational costs associated with processing large datasets, and ensuring transparency in generated outputs.

The DIY Jarvis: Crafting AI Agents with Open Source Frameworks en it

The AI agent ecosystem is evolving: what were once simple API wrappers are now becoming systems capable of reasoning, learning, and taking action. In this context, how can we maintain control over the technology and our data? The answer lies in open source.

In this technical session, we will explore two opposite architectural philosophies through two frameworks that are gaining significant traction: OpenClaw and Hermes.

OpenClaw (the orchestrator): we will analyze the deterministic “CLI-first” approach. We will see how to manage multi-channel gateways and explicit skills via human-readable configuration files, ensuring that the agent performs exactly what it was designed to do.

Hermes (the learner): we will explore the autonomy aspect. We will see how Hermes uses self-learning cycles to generate new skills on-the-fly and adapt to user preferences, moving beyond the concept of static programming.

Finally, we’ll look at how to deploy applications at home. I’ll provide concrete tips on setting up a home lab for AI agents: from using quantized models to choosing hardware (RTX GPUs vs. Mac Silicon), all the way to managing local data persistence.

If you're a developer who believes in open source and want to learn how to scale your agents from your laptop to your home server, this talk will give you the tips you need to do so.

Jarvis DIY: creare agenti AI con framework open source en it

L'ecosistema degli agenti AI si sta evolvendo: quelli che erano semplici wrapper di API, stanno diventando sistemi capaci di ragionare, imparare e agire. In questo scenario, come possiamo mantenere il controllo sulla tecnologia e sui nostri dati? La risposta è nell'open source.

In questa sessione tecnica, esploreremo due filosofie architetturali opposte attraverso due framework che stanno avendo molto seguito: OpenClaw e Hermes.

OpenClaw (l'orchestratore): Analizzeremo l'approccio deterministico "CLI-first". Vedremo come gestire gateway multicanale e skill esplicite tramite file di configurazione "human readable", garantendo che l'agente esegua esattamente ciò che è stato progettato per fare.

Hermes (il learner): Esploreremo il lato dell'autonomia. Vedremo come Hermes utilizzi cicli di auto-apprendimento per generare nuove skill on-the-fly e adattarsi alle preferenze dell'utente, superando il concetto di programmazione statica.

Infine vedremo come poter fare un home deployment degli applicativi. Fornirò suggerimenti concreti su come allestire un Home-Lab per Agenti AI: dall'uso di modelli quantizzati, alla scelta dell'hardware (GPU RTX vs Mac Silicon), fino alla gestione della persistenza dei dati locale.

Se sei uno sviluppatore che crede nel open source e vuoi capire come scalare i tuoi agenti dal laptop al server di casa, questo talk ti darà i suggerimenti per farlo.