# Datapizza AI: il framework italiano per agenti e RAG

> Fonte: https://francescogruner.it/datapizza-ai-il-framework-italiano-per-agenti-e-rag/

Indice dei contenuti

 [Toggle](#) 

- [Un lancio importante per l’AI italiana](#Un_lancio_importante_per_lAI_italiana)
- [Una filosofia chiara: meno magia, più ingegneri](#Una_filosofia_chiara_meno_magia_piu_ingegneri)
- [Ti sta piacendo?](#Ti_sta_piacendo)
- [I pilastri del framework Datapizza-AI](#I_pilastri_del_framework_Datapizza-AI)

- [🧩 Bassa astrazione, controllo totale](#%F0%9F%A7%A9_Bassa_astrazione_controllo_totale)
- [🔧 Moduli intercambiabili](#%F0%9F%94%A7_Moduli_intercambiabili)
- [🧠 Pronto per la produzione](#%F0%9F%A7%A0_Pronto_per_la_produzione)
- [🔍 Osservabilità integrata](#%F0%9F%94%8D_Osservabilita_integrata)
- [Cosa puoi costruire con Datapizza-AI](#Cosa_puoi_costruire_con_Datapizza-AI)
- [Come iniziare in 3 passi](#Come_iniziare_in_3_passi)

- [1️⃣ Installa il framework](#1%EF%B8%8F%E2%83%A3_Installa_il_framework)
- [2️⃣ Definisci un client e un agente](#2%EF%B8%8F%E2%83%A3_Definisci_un_client_e_un_agente)
- [3️⃣ Aggiungi una pipeline RAG](#3%EF%B8%8F%E2%83%A3_Aggiungi_una_pipeline_RAG)
- [Il confronto con Cheshire Cat AI](#Il_confronto_con_Cheshire_Cat_AI)
- [Un framework italiano con ambizione globale](#Un_framework_italiano_con_ambizione_globale)
- [Provalo ora](#Provalo_ora)
- [Conclusione](#Conclusione)

 

## 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:

 

1. **Debugging difficile** – troppi layer di astrazione nascondono cosa succede sotto il cofano.
2. **Dipendenza da terze parti** – ogni bug esterno può bloccare un progetto intero.
3. **Curva di apprendimento ripida** – ogni framework ha regole proprie da imparare.
4. **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.

                  

## Ti sta piacendo?

 

Ricevi una guida pratica ogni settimana. AI, tool e automazioni.

            Iscriviti gratis             Perfetto, sei dentro.         

## 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/](https://docs.datapizza.ai/0.0.2/Guides/Clients/quick_start/)

 

### 1️⃣ Installa il framework

 

```
pip install -U datapizza-ai
```

 

### 2️⃣ 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-firstPiattaforma containerizzata plug-and-play**Filosofia**Meno astrazione, più controlloFocus su conversazioni e plugin dinamici**RAG e pipeline**Componibili con tracing nativoIntegrazione base con Qdrant**Deploy**Libreria PythonContainer Docker + pannello web**Licenza**MITGPL-3.0**Target**AI engineer e aziende tech-drivenTeam 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](https://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.