Scopri i miei video
Tutorial pratici, test di strumenti e idee per usare davvero l’AI nel lavoro di tutti i giorni.
Un lancio importante per l’AI italiana
Il 13 ottobre 2025 segna una data interessante per chi lavora nel mondo della Generative AI.
Il team di Datapizza, noto per la sua community e per le iniziative di AI Engineering, ha pubblicato Datapizza AI, un nuovo framework open source scritto in Python per creare agenti AI, sistemi RAG e pipeline di automazione con un approccio engineer-first.
È un progetto costruito con un obiettivo preciso: portare la GenAI in produzione con controllo, trasparenza e modularità, senza la complessità dei framework troppo astratti o “black box” che spesso rallentano il lavoro degli sviluppatori.
Una filosofia chiara: meno magia, più ingegneri
Chi ha provato a portare un progetto GenAI reale in azienda lo sa: il problema non è farlo funzionare, ma mantenerlo e monitorarlo.
Durante la loro attività di R&D, gli ingegneri di Datapizza hanno individuato quattro limiti ricorrenti nei framework esistenti:
- Debugging difficile – troppi layer di astrazione nascondono cosa succede sotto il cofano.
- Dipendenza da terze parti – ogni bug esterno può bloccare un progetto intero.
- Curva di apprendimento ripida – ogni framework ha regole proprie da imparare.
- Personalizzazione limitata – difficile adattare il comportamento ai casi d’uso aziendali.
La soluzione è stata progettare un layer sottile e trasparente sopra gli SDK nativi dei principali provider (OpenAI, Gemini, Anthropic, Mistral, Azure), mantenendo un’architettura componibile, osservabile e modificabile a basso livello.
Il risultato è Datapizza-AI: un framework che ti lascia governare il codice, non subirlo.
I pilastri del framework Datapizza-AI
🧩 Bassa astrazione, controllo totale
Ogni azione è leggibile e monitorabile.
Il codice non nasconde nulla: log strutturati, error handling chiaro, tracing con OpenTelemetry e reporting token-level.
🔧 Moduli intercambiabili
Ogni componente può essere sostituito o esteso: parser, embedders, vector store, reranker, tools, pipeline.
Non sei vincolato a scelte fisse: puoi costruire architetture personalizzate mantenendo compatibilità nativa.
🧠 Pronto per la produzione
Prima del rilascio pubblico, Datapizza-AI è stato testato su oltre dieci progetti enterprise reali.
Il framework è già stato usato per agenti multi-canale, sistemi RAG interni, e automazioni documentali complesse, riducendo i tempi di sviluppo e debugging.
🔍 Osservabilità integrata
Ogni operazione è tracciabile: pipeline, tool calls, agent reasoning.
Il tracing è parte dell’architettura, non un plugin opzionale.
Perfetto per chi deve garantire affidabilità, auditabilità e governance dei modelli.
Cosa puoi costruire con Datapizza-AI
- RAG (Retrieval-Augmented Generation) completi, con parsing documentale (PDF, DOCX, immagini), embedding e re-ranking.
- Agenti multi-provider (OpenAI, Google Gemini, Anthropic, Mistral, Azure, Ollama).
- Automazioni AI su workflow aziendali, CRM, database o pipeline interne.
- Sistemi multimodali con immagini, testo e audio.
- Multi-agent frameworks coordinati con strumenti di tracing e caching integrati.
Come iniziare in 3 passi
Leggi la guida su: https://docs.datapizza.ai/0.0.2/Guides/Clients/quick_start/
1️⃣ Installa il framework
pip install -U datapizza-ai2️⃣ Definisci un client e un agente
from datapizza.agents import Agent
from datapizza.clients.openai import OpenAIClient
from datapizza.tools import tool
@tool
def get_weather(city: str) -> str:
return f"The weather in {city} is sunny"
client = OpenAIClient(api_key="YOUR_API_KEY")
agent = Agent(name="assistant", client=client, tools=[get_weather])
print(agent.run("What is the weather in Rome?").text)3️⃣ Aggiungi una pipeline RAG
from datapizza.pipeline import IngestionPipeline
from datapizza.modules.parsers.docling import DoclingParser
from datapizza.modules.splitters import NodeSplitter
from datapizza.embedders.openai import OpenAIEmbedder
from datapizza.vectorstores.qdrant import QdrantVectorstore
pipeline = IngestionPipeline(
modules=[DoclingParser(), NodeSplitter(max_char=1024), OpenAIEmbedder(api_key="YOUR_API_KEY")],
vector_store=QdrantVectorstore(location=":memory:"),
collection_name="docs"
)
pipeline.run("sample.pdf")Il confronto con Cheshire Cat AI
Nel panorama italiano dei framework open source per agenti, Cheshire Cat AI è stato il primo a imporsi come soluzione “plug-and-play” per chatbot e server conversazionali in Docker.
Datapizza AI, invece, nasce come alternativa più tecnica: un framework Python-native, API-first e osservabile. Dove Cheshire punta alla semplicità d’uso e all’estensibilità tramite plugin, Datapizza punta a debugging, performance e controllo totale.
| Area | Datapizza-AI | Cheshire Cat AI |
|---|---|---|
| Approccio | Framework Python modulare, API-first | Piattaforma containerizzata plug-and-play |
| Filosofia | Meno astrazione, più controllo | Focus su conversazioni e plugin dinamici |
| RAG e pipeline | Componibili con tracing nativo | Integrazione base con Qdrant |
| Deploy | Libreria Python | Container Docker + pannello web |
| Licenza | MIT | GPL-3.0 |
| Target | AI engineer e aziende tech-driven | Team non tecnici e sviluppatori di chatbot |
Un framework italiano con ambizione globale
Dietro Datapizza-AI c’è un messaggio chiaro: l’Italia può contribuire in modo concreto all’AI Engineering internazionale.
Non solo community e divulgazione, ma tecnologia open source reale, costruita per essere usata e migliorata.
Come scrive il team nel post di lancio:
“Vogliamo dimostrare che l’Italia non è solo pizza e mandolino, ma anche innovazione, talento e visione.”
Provalo ora
Il framework è open source, gratuito e già disponibile su GitHub:
👉 github.com/datapizza-labs/datapizza-ai
Puoi:
- installarlo in pochi minuti,
- esplorare esempi di RAG e multi-agent,
- lasciare una ⭐ per supportare la community italiana di AI Engineering.
Conclusione
Datapizza AI è il primo framework open source italiano orientato alla GenAI “di produzione”:
tracciabile, componibile e scritto per ingegneri, non per demo.
Arriva in un momento in cui la maturità tecnica sta diventando la vera discriminante tra chi sperimenta e chi costruisce valore con l’intelligenza artificiale.
E, per una volta, è bello vedere che la spinta parte proprio da qui, dall’Italia.
