# Costruire un "Avvocato GPT" per il tuo blog - Parte 1: Introduzione & Architettura > ATTENZIONE: Questi sono i progetti di POST che sono "scaparnati." E 'probabile che gran parte di ciò che è qui sotto non funzionerà; Io generare questi come come come-per me e poi fare tutti i passi e ottenere il campione di lavoro app ... Sei stato subdolo e li hai visti! saranno probabilmente pronti a metà dicembre. ## Introduzione Allaccia la cintura perche' sara' una lunga serie! > Se hai seguito questo blog, saprai che sono un po' ossessionato dal trovare modi interessanti per usare LLM e AI in applicazioni pratiche. Bene, ho un nuovo progetto che unisce il mio amore per il blogging, C#, e AI: la costruzione di un assistente di scrittura che mi aiuta a redigere nuovi post sul blog utilizzando i miei contenuti esistenti come base di conoscenza. NOTA: Questo fa parte dei miei esperimenti con l'AI (elaborazione assistita) + il mio editing. - Stessa voce, stesso pragmatismo, solo dita piu' veloci. - Pensate a come le pratiche legali moderne utilizzano LLMs addestrati sulla giurisprudenza per redigere briefs, mozioni e contratti. - Non partono da zero - i riferimenti di sistema precedenti rilevanti, suggerisce il linguaggio basato su documenti passati di successo, e mantiene la coerenza con modelli stabiliti. - E' esattamente quello che stiamo costruendo qui, ma per i contenuti del blog. - L'obiettivo è quello di creare un assistente di scrittura AI-powered che: Aiuta la stesura di nuovi post sul blog nel mio stile stabilito[Suggerisce contenuti rilevanti dagli articoli precedenti al riferimento](https://www.anthropic.com/index/contextual-retrieval)Trova post simili per mantenere la coerenza ## Auto-genera i collegamenti interni ai relativi articoli **Agisce come "GitHub Copilot per il tuo blog"** - **Questa serie coprirà la costruzione di un edificio completo**Generazione aumentata di recupero (RAG) - **sistema in C# che gira su Windows.**Useremo gli ultimi approcci e quadri, e spieghero' ogni nuova tecnologia mentre la incontriamo. - **La mia configurazione hardware (e le mie specifiche minime)**La mia macchina di sviluppo: GPU**: NVIDIA RTX A4000 (16GB VRAM)**CPU ### : AMD Ryzen 9 9950X - **RAM**: 96GB DDR5 - Questa e' la mia configurazione specifica, ma tu - non ho bisogno di questo hardware - **Da seguire.**Ecco le specifiche minime per i diversi componenti: - Accelerazione GPU (raccomandata, non richiesta) - **Minimo**: NVIDIA GPU con VRAM da 8GB (ad es. RTX 3060, GTX 1070 Ti) ### Può eseguire modelli di parametri 7B con quantizzazione - **Velocità di generazione dell'imbottitura dignitosa**Confortevole - **: 12GB+ VRAM (ad esempio, RTX 3060 12GB, RTX 4060 Ti)**Esegui modelli più grandi o quantizzazioni di qualità superiore - La mia configurazione - : 16GB (A4000) - Può eseguire i modelli 13B comodamente - Alternativa solo per CPU - Minimo ### : CPU quad-core moderna - **Raccomandato**: 8+ core (per una ragionevole generazione di incorporamenti) - Tutto funziona solo su CPU, solo più lentamente: - **Generazione di integrazione: ~5-10x più lento**Inferenza LLM: ~10-50x più lento - Ancora completamente utilizzabile per un assistente di scrittura! - **Requisiti RAM**Minimo ### : 16GB RAM di sistema - **Inferenza solo CPU per modelli 7B**Confortevole - **32GB**Meglio per modelli più grandi su CPU ### La mia configurazione : 96GB - Overkill, 32GB è abbondanza - **Stoccaggio**SSD - **: Consigliato per il caricamento del modello**Spazio - **: ~20GB per modelli e database vettoriali**Che dire delle NPU Intel/AMD? **Le CPU moderne ora includono acceleratori AI dedicati:**Intel Core Ultra*(Meteor Lake+) - Intel AI Boost (NPU)*AMD Ryzen AI **(7040/8040 serie) - XDNA NPU** - ✅ Great for: On-device inference, battery efficiency (laptops) - ⚠️ Limited for our use: Immature .NET/ONNX Runtime support - ❌ Not ready for: This project's primary path **AMD Ryzen AI Max** 1. **(Punto Strix) - fino a 50 TOPS**Importante: le NPU sono solo per l'inferenza! 2. **Non si "costruiscono" o treno modelli su NPU - sono progettati per**esegui 3. **modelli pre-allenati in modo efficiente.**I modelli vengono addestrati su GPU cloud (o workstation), poi scaricati e distribuiti su NPU per l'inferenza. 4. **Stato attuale per i modelli in esecuzione su NPU (come da scrittura):**Perché non le NPU per questa serie? 5. **ecosistema software**: CUDA ha più di 15 anni di maturità, supporto NPU in .NET è nascente **Compatibilità del modello** - : La maggior parte dei modelli GGUF target CUDA/CPU, modelli ottimizzati NPU sono rari[Documentazione](https://github.com/microsoft/DirectML): Risorse limitate per lo sviluppo di NPU in C# - Prestazioni - : Attualmente più lento delle GPU discrete per il nostro carico di lavoro - Supporto DirectML **: Ancora sperimentale per l'inferenza LLM** ```bash # Use DirectML execution provider (supports NPU) dotnet add package Microsoft.ML.OnnxRuntime.DirectML # In code: var sessionOptions = new SessionOptions(); sessionOptions.AppendExecutionProvider("DML"); // DirectML var session = new InferenceSession("model.onnx", sessionOptions); ``` **Puoi usare le NPU per l'inferenza?**Si', ma[Richiede](https://onnxruntime.ai/)DirectML[provider di esecuzione in ONNX Runtime](https://github.com/microsoft/DirectML)I modelli devono essere in formato ONNX (non GGUF) **Il supporto C# è sperimentale**Attualmente le prestazioni sono inferiori rispetto a CUDA [TOC] ## Come provare l'inferenza NPU (utenti avanzati): Considerazioni future 1. **: Una volta**ONNX Runtime 2. **e**DirectML 3. **maturare il loro supporto NPU (probabilmente 2024-2025), queste diventeranno alternative valide per l'inferenza!**In fondo alla riga 4. **: Mostrerò il percorso accelerato dalla GPU, ma noterò tutte le alternative solo della CPU.**È possibile avviare solo la CPU e l'aggiornamento più tardi! 5. **Quello che stiamo costruendo**Il sistema finale avrà diversi componenti: 6. **Condotto per l'ingestione di marcatori verso il basso**- Elabora tutti i post del blog, li ritaglia in modo intelligente e genera inserzioni Banca dati vettoriale ## - Memorizza e permette la ricerca semantica di contenuti simili Applicazione client Windows - - Un assistente di scrittura del desktop UI con l'editor e il pannello di suggerimento - Integrazione LLM - - Inferenza accelerata GPU locale per la generazione di contenuti - Generazione di citazioni e collegamenti - Auto-suggests link interni e riferimenti ai post correlati - Motore di coerenza di stile - - Imparare modelli da post esistenti per mantenere voce e struttura - Pensatelo come "GitHub Copilot incontra Grammarly" ma addestrato specificamente sul contenuto e lo stile del tuo blog. - Perche' "Avvocato GPT"? - Gli studi legali moderni utilizzano LLMs formati in vaste biblioteche di giurisprudenza per aiutare la bozza di documenti legali. Quando si scrive un movimento, il sistema: ## Riferimenti ai precedenti pertinenti e alle argomentazioni di successo del passato Suggerisce modelli linguistici che hanno funzionato prima ### Mantiene la coerenza con le norme giuridiche in materia di scrittura Sorgenti cites automaticamente ### [E' il nostro modello.](/blog/building-a-lawyer-gpt-for-your-blog-part2) Quando inizio a scrivere "Aggiungi un'Entità Framework per..." il sistema dovrebbe:[Trova i miei post precedenti relativi all'impronta ambientale](https://developer.nvidia.com/cuda-toolkit), [Suggerisci schemi strutturali che ho usato prima](https://developer.nvidia.com/cudnn)Offrire snippet di codice pertinenti dagli articoli precedenti ### [Generazione automatica dei link ai post correlati](/blog/building-a-lawyer-gpt-for-your-blog-part3) Mantenere il mio stile di scrittura e profondità tecnica[A differenza dei generici assistenti di scrittura AI, il nostro sistema è basato su contenuti passati reali, in modo da non suggerire le cose in contrasto con quello che ho già scritto.](https://qdrant.tech/)Panoramica delle serie[Ecco cosa copriremo nelle prossime settimane:](https://github.com/pgvector/pgvector)). ### [Parte 1 (Questo post): Introduzione e architettura](/blog/building-a-lawyer-gpt-for-your-blog-part4) Stabiliremo cosa stiamo costruendo e perché, oltre a coprire le decisioni architettoniche. ### [Parte 2: Configurazione GPU & CUDA in C#](/blog/building-a-lawyer-gpt-for-your-blog-part5) Impostazione di Windows per carichi di lavoro AI accelerati dalla GPU, installazione[CUDACity name (optional, probably does not need a translation)](https://docs.microsoft.com/en-us/dotnet/desktop/wpf/), [CUDNN](https://avaloniaui.net/), e testare che C# può effettivamente vedere e utilizzare la tua GPU.[Parte 3: Comprensione delle basi di dati e dei vettori](https://dotnet.microsoft.com/en-us/apps/maui)Immergetevi profondamente in ciò che ingloba realmente sono, come abilitano la ricerca semantica, e scegliendo il giusto database vettoriale (poiler: probabilmente useremo ### [QdrantCity name (optional, probably does not need a translation)](/blog/building-a-lawyer-gpt-for-your-blog-part6) oppure[pgvector](https://onnxruntime.ai/), [Parte 4: Costruzione del gasdotto per l'ingestione](https://github.com/ggerganov/llama.cpp)Elaborazione di file markdown, strategie di chunking intelligenti (non è possibile dividere solo i paragrafi!), e generazione di inserzioni per tutti i nostri contenuti. ### [Parte 5: Il client di Windows](/blog/building-a-lawyer-gpt-for-your-blog-part7) Scegliere il quadro giusto ( ### [WPF](/blog/building-a-lawyer-gpt-for-your-blog-part8) AvaloniaCity name (optional, probably does not need a translation) ## , oppure MAUICity name (optional, probably does not need a translation) ### ?), costruendo l'interfaccia utente, e rendendo in realtà piacevole da usare. Parte 6: Integrazione LLM locale 1. **Eseguire i modelli localmente usando**ONNX Runtime 2. **llama.cpp**legami, o altri approcci. 3. **Facendo pieno uso di quell'A4000!**Parte 7: Generazione dei contenuti e Prompt Engineering 4. **Riunire tutto - ricerca semantica di contenuti rilevanti, gestione delle finestre di contesto, ingegneria rapida per la scrittura di assistenza, e la generazione di suggerimenti coerenti.**Parte 8: Caratteristiche avanzate e distribuzione della produzione 5. **Auto-linking ai post correlati, controllo coerenza stile, suggerimenti codice snippet, e rendere il sistema effettivamente utile per la scrittura quotidiana.**Perche' RAG? ### Prima di tuffarci nell'architettura, parliamo del perché RAG (Retrieval Augmented Generation) è l'approccio giusto qui. Il problema della fine-tuning Si potrebbe pensare: "Perché non solo fine-tune un LLM su tutti i post del blog?" Ci sono diversi problemi con questo: 1. Costi e complessità 2. - La messa a punto è costosa (sia nel calcolo che nello sforzo) 3. Instabilità 4. - Ogni nuovo post sul blog significa riqualificazione 5. Scatola nera - Difficile capire che cosa il modello "imparato" - ✅ Always up-to-date (just re-index new posts as you write them) - ✅ Grounded in your actual writing (maintains consistency) - ✅ Traceable (know which past posts influenced suggestions) - ✅ Efficient (no expensive retraining for every new post) - ✅ Flexible (can swap out LLMs or adjust search strategies) - ✅ Privacy-preserving (everything runs locally) ## Allucinazioni - Nessuna garanzia che il modello non si inventi le cose. ```mermaid graph TB A[Markdown Files] -->|Ingest| B[Chunking Service] B -->|Text Chunks| C[Embedding Model] C -->|Vectors| D[Vector Database] E[User Writing] -->|Current Draft| F[Windows Client] F -->|Embed Context| C C -->|Query Vector| D D -->|Similar Content| G[Context Builder] G -->|Relevant Past Articles| H[Prompt Engineer] H -->|Prompt + Context| I[Local LLM] I -->|Generated Suggestions| J[Link Generator] J -->|Suggestions + Citations| F F -->|Display| K[Editor with Suggestions] class C,I embedding class D,K output classDef embedding stroke:#333,stroke-width:4px classDef output stroke:#333,stroke-width:4px ``` ### Nessuna citazione - Non si possono rintracciare facilmente le risposte alle fonti - Come RAG risolve questo - RAG combina il meglio di entrambi i mondi: la potenza degli LLM con la precisione della ricerca per creare una generazione di contenuti context-aware. - Il flusso è: - L'utente inizia a scrivere (ad esempio, "Costruire un'API REST con ASP.NET Core...") - Il sistema trova semanticamente simili articoli passati **Il sistema alimenta i pezzi rilevanti come contesto dell'LLM**LLM genera suggerimenti/proseguimento basati su contenuti passati ### Il sistema offre suggerimenti con riferimenti ai messaggi sorgente Ciò significa: Architettura di sistema Lasciatemi scomporre i componenti chiave che costruiremo: - 1. - Condotto per l'ingestione di marcatori verso il basso **Questa componente:**Leggi i file di markdown dalla directory del blog - [Estratti metadati (titolo, categorie, data, numero di parole)](https://www.sbert.net/)Intelligentemente ritaglia il contenuto (preservando blocchi di codice per il riutilizzo) - Identifica i modelli strutturali (come organizzo i posti) - [Tracce informazioni di origine per la generazione di citazioni](https://huggingface.co/BAAI/bge-base-en-v1.5)Sfida chiave ### : La strategia di "Chunking" ha un'importanza enorme. Troppo piccolo e si perde il contesto. **Troppo grande e si spreca la finestra contestuale di LLM.**Abbiamo bisogno di pezzi che siano semanticamente significativi - un pensiero o una sezione completa, non interruzioni arbitrarie dei paragrafi. - **[2.](https://qdrant.tech/)**Modello di inserimento - **[Le incastonate sono la magia che fa funzionare la ricerca semantica.](https://github.com/pgvector/pgvector)**Un modello incorporante prende il testo e lo converte in un vettore ad alta dimensione (raggio di numeri) che cattura il significato semantico. - **[Concetti simili finiscono per "chiudere" nello spazio vettoriale, anche se usano parole diverse.](https://weaviate.io/)**Per esempio: - **["migrazione della base dati" e "aggiornamento dello schema DB" avrebbero inserzioni simili](https://www.trychroma.com/)**"gatto" e "kitten" sarebbero più vicini di "gatto" e "database" Scelta della tecnologia ### : Probabilmente useremo entrambi: frase-trasformatori **[modelli (può funzionare tramite ONNX Runtime in C#)](https://docs.microsoft.com/en-us/dotnet/desktop/wpf/)** - ✅ Mature, stable, lots of resources - ✅ Native Windows performance - ❌ Windows-only - ❌ Looks dated unless you invest in UI libraries **[Modelli di integrazione di OpenAI (tramite API)](https://avaloniaui.net/)** - ✅ Cross-platform (XAML-based) - ✅ Modern, actively developed - ✅ Similar to WPF - ❌ Smaller ecosystem **[Modelli BGE](https://dotnet.microsoft.com/en-us/apps/maui)** - ✅ Cross-platform - ✅ Microsoft-backed - ❌ Still maturing - ❌ More mobile-focused (open source all'avanguardia)**3.[Banca dati vettoriale](https://github.com/Kinnara/ModernWpf)**Il database vettoriale memorizza embeddings e consente la ricerca veloce somiglianza.**Quando si sta scrivendo di "Docker comporre," trova il K più semanticamente simile contenuto passato - non solo corrisponde parole chiave, ma materiale concettualmente collegato.**Scelta della tecnologia ### : Noi valuteremo: QdrantCity name (optional, probably does not need a translation) - - Moderno, scritto in Rust, eccellente cliente C#, Docker-friendly - pgvector - - Estensione per PostgreSQL (stiamo già usando Postgres!) - WeaviateCity name (optional, probably does not need a translation) **- Un'altra opzione solida con un buon supporto .NET**: **[ChromaCity name (optional, probably does not need a translation)](https://onnxruntime.ai/)** - - Popolare nella terra di Python, meno in C# - Mi sto appoggiando a Qdrant per la sua semplicità e prestazioni, o pgvector per mantenere tutto in Postgres. - 4. - Client di Windows **[Abbiamo bisogno di un'interfaccia utente per scrivere con l'assistenza dell'AI.](https://github.com/ggerganov/llama.cpp)Pensa a un editor a pannello diviso con suggerimenti.** - Opzioni:[WPF (Windows Presentation Foundation)](https://github.com/SciSharp/LLamaSharp)) - AvaloniaCity name (optional, probably does not need a translation) - MAUI (UI app multipiattaforma) - Dato che siamo concentrati su Windows e voglio qualcosa di stabile, mi sto appoggiando verso **[WPF con](https://github.com/dotnet/TorchSharp)** - Moderna interfaccia utente WPF - oppure - AvaloniaCity name (optional, probably does not need a translation) per quel potenziale multipiattaforma.**5.**Integrazione LLM locale ### Qui è dove brilla la GPU A4000. Vogliamo eseguire l'LLM localmente per: - Privacy (nessun dato inviato alle API) - Velocità (l'inferenza locale è veloce) - Costo (nessun costo API) - Controllo (scegliamo il modello) Opzioni tecnologiche - ONNX Runtime - Converti i modelli in formato ONNX - Eccellente accelerazione GPU - Supporto nativo C# ### Downside: Non tutti i modelli convertono bene llama.cpp - legature - Libreria C++ con attacchi C# ( - LLamaSharp - Supporta CUDA - Ampio supporto per modelli (Llama, Mistral, ecc.) Sviluppo molto attivo ## TorchSharp Legame PyTorch per .NET 1. **La maggior parte della flessibilità**Curva di apprendimento steeper 2. **Mi sto dirigendo verso**LLamaSharp 3. **per la sua maturità e facilità d'uso con modelli popolari.**6. 4. **Context Window Management & Prompt Engineering**I LLM hanno finestre di contesto limitate (ad esempio, 4K, 8K, 32K token). 5. **Dobbiamo:**Recuperare il contenuto passato più rilevante (top K dalla ricerca vettoriale) ## Adattali alla finestra contestuale con la bozza corrente Strutturare il prompt per l'assistenza scritta ### Lascia spazio ai suggerimenti generati - **E' piu' complicato di quanto sembri.**Esploreremo strategie come: - **Selezione dinamica K in base a ciò che stai scrivendo**Ri-ranking pezzi recuperati per rilevanza ### Comprimere il contesto in modo intelligente - **[Suggerimento multi-shot con esempi da post passati](https://onnxruntime.ai/)**7.**[Generazione di collegamenti e citazioni](https://github.com/SciSharp/LLamaSharp)**Ogni pezzo ha bisogno di metadati: - **[File sorgente/post](https://dotnet.microsoft.com/en-us/apps/machinelearning-ai/ml-dotnet)**Posizione nel documento originale - **Data di pubblicazione**Categorie ### Frammenti di codice usati - **[Quando l'LLM genera suggerimenti, creiamo automaticamente collegamenti markdown ai messaggi sorgente e identifichiamo i modelli di codice riutilizzabili.](https://qdrant.tech/)**Cosa lo rende diverso?**[Ci sono un sacco di tutorial RAG là fuori, ma questa serie sarà diversa:](https://github.com/pgvector/pgvector)**C# Primo ### - La maggior parte degli esempi di RAG sono in Python. - **Stiamo andando pieno .NET**& GPU di Windows**- Levaging NVIDIA CUDA su Windows, non Linux/WSL**Produzione pronta**[- Non solo una prova del concetto, ma un vero e proprio codice utilizzabile.](https://avaloniaui.net/)**Domain-Specific ### - Ottimizzato per l'assistenza di scrittura del blog, generazione di contenuti non generica - **[Spiegazioni approfondite](https://github.com/xoofx/markdig)**- Spiegheremo il "perché" dietro le decisioni. - **[Tecnologie che useremo](https://www.docker.com/)**Ecco la pila tecnologica che sto progettando: - **[Quadro centrale](https://docs.microsoft.com/en-us/ef/core/)**.NET 9 ### (ultima al momento della scrittura) - **[C# 13](https://developer.nvidia.com/cuda-toolkit)- Caratteristiche linguistiche moderne**Librerie AI/ML - **[ONNX Runtime](https://developer.nvidia.com/cudnn)**oppure ## LLamaSharp - Inferenza LLM ### Microsoft.ML - **- Potenzialmente per alcuni compiti**Trasformatori di sentenza tramite ONNX - **- Abbinamenti**Banca dati vettoriale - **QdrantCity name (optional, probably does not need a translation)**oppure - **pgvector**- Da determinare ### Quadro UI - **WPF**con - **WPF moderno**oppure - **AvaloniaCity name (optional, probably does not need a translation)**- interfaccia utente desktop moderna ### Strumenti di supporto - **MarkdigCity name (optional, probably does not need a translation)**- L'ho gia' usato per l'analisi di markdown. - **DockerCity name (optional, probably does not need a translation)**- Per l'esecuzione di Qdrant o altri servizi - **Centrale del quadro dell'entità**- Se usiamo pgvector - **Stack GPU**CUDACity name (optional, probably does not need a translation) ### 12.x - **(ultima al momento della scrittura)**CUDNN - **- Primitivi di apprendimento profondo**Considerazioni sulle prestazioni - **Diverse configurazioni hardware avranno diverse funzionalità:**Con VRAM da 8GB (minimo) - **Dimensione del modello**: Modelli di parametri 7B con quantizzazione Q4 ## Elaborazione di lotti : Incorporazioni di processo in lotti più piccoli 1. Gestione della memoria 2. : Attento monitoraggio VRAM richiesto 3. Funziona bene per 4. : Assistente di scrittura, generazione di integrazione 5. Con VRAM da 12GB+ (confortevole) 6. Dimensione del modello : 7B con quantizzazione di qualità superiore (Q5/Q6) ## Elaborazione di lotti : Botti più grandi per un flusso più veloce**[Può anche essere eseguito](/blog/building-a-lawyer-gpt-for-your-blog-part2)**: Alcuni modelli 13B con quantizzazione aggressiva - Con VRAM da 16GB+ (la mia configurazione) - Dimensione del modello - : Modelli di parametri 7B-13B comodamente - Elaborazione di lotti - : Blocchi completi, vincoli minimi Inferenza rapida ## : Tempi di risposta di un secondo Headroom - **: Può sperimentare con diversi modelli**Solo CPU (Fallback) - **Tutto funziona.**, solo più lento - **Incorporazioni**: 5-10x più lento della GPU - **Inferenza LLM**: 10-50x più lento della GPU - **Ancora utilizzabile**: Per un assistente di scrittura con pazienza! Approccio allo sviluppo ## Lo costruiremo in modo incrementale: Iniziare con i componenti più semplici (lettura dei marcatori, chunking) Aggiungi generazione di embedding (potrebbe iniziare con API-based prima di andare locale) Ottieni il funzionamento della ricerca vettoriale Costruisci UI di base ## Integrare LLM - **Polacco e ottimizzare**Ogni parte sarà disponibile e testabile da sola. - [Niente incubi di integrazione.](/blog/building-a-lawyer-gpt-for-your-blog-part2) - [Cosa c'e' dopo?](/blog/building-a-lawyer-gpt-for-your-blog-part3) - [Dentro](/blog/building-a-lawyer-gpt-for-your-blog-part4) - [Parte 2: Configurazione GPU & CUDA in C#](/blog/building-a-lawyer-gpt-for-your-blog-part5) - [, ci metteremo in contatto con la configurazione della GPU:](/blog/building-a-lawyer-gpt-for-your-blog-part6) - [Installazione di CUDA e cuDNN su Windows](/blog/building-a-lawyer-gpt-for-your-blog-part7) - [Creazione dell'ambiente di sviluppo](/blog/building-a-lawyer-gpt-for-your-blog-part8) ## Scrivere un semplice programma C# per verificare l'accesso alla GPU Esecuzione di un test di inferenza di base con ONNX Runtime - [Benchmarking il nostro A4000 per capire cosa possiamo fare](https://onnxruntime.ai/) - [Questo potrebbe sembrare fondamentale, ma ottenere lo stack GPU a destra è fondamentale.](https://github.com/SciSharp/LLamaSharp) - [Ho sprecato ore a debug di problemi che sono arrivati alla versione non corretta o alle DLL mancanti.](https://qdrant.tech/documentation/) - [Perché questo è importante](https://www.sbert.net/) - [Oltre ad essere solo un progetto cool, questo approccio ha applicazioni reali:](https://www.anthropic.com/index/contextual-retrieval) Documentazione tecnica[- Mantenere lo stile coerente su grandi set doc](/blog/building-a-lawyer-gpt-for-your-blog-part2)!