Tutto è testo

Perché la shell è il “posto” ideale per usare gli LLM

Facciamoci una risata

La vignetta “tar” di xkcd

C’è poco da ridere

cercare su stackexchange
cercare su google
cercare su reddit
chiedere all’amico psicotico
usare man

Ma ora c’è l’intelligenza artificiale

E non scoppiano più le bombe?

Quanti token il `man` di tar

man tar | ttok
9098

ttok è una utility del geniale Simon Willison

# quante linee
man tar | wc -l
991

# quante parole
man tar | wc -w
5194

E allora è poca roba

man tar | llm "come si usa il comando tar per estrarre il file appunti.tar.gz?
Scrivi soltanto il comando e commenta le opzioni"

```bash
tar -xzf appunti.tar.gz
```

*   `-x`: Specifica l'operazione di estrazione.
*   `-z`: Indica che l'archivio è compresso con gzip (il suffisso `.gz` lo suggerisce).
*   `-f appunti.tar.gz`: Specifica il nome del file archivio da estrarre.

E in stdout e stdin come sempre, c’è “soltanto” testo

graph TD
    A[Command1] -->|stdout| B((pipe))
    B -->|stdin| C[Command2]
    C -->|stdout| D((pipe))
    D -->|stdin| E[Command3]

`llm` (non i large language model)

(👏 a Simon Willison)

`llm`

LLM è un’utility a riga di comando e una libreria Python per interagire con modelli di linguaggio di grandi dimensioni (LLM) come quelli di OpenAI, Anthropic, Google, Meta e tanti altri, compresi quelli installati in locale.

È scritta in Python da quel genio di Simon Willison, il creatore di Datasette.

plugin

Esistono diversi plugin per llm. Con questi è possibile aggiungere modelli di LLM con cui interagire e/o attivare funzionalità aggiuntive.

I modelli

llm models

OpenAI Chat: gpt-4o (aliases: 4o)
OpenAI Chat: chatgpt-4o-latest (aliases: chatgpt-4o)
OpenAI Chat: gpt-4o-mini (aliases: 4o-mini)
OpenAI Chat: gpt-4o-audio-preview
OpenAI Chat: gpt-4o-audio-preview-2024-12-17
OpenAI Chat: gpt-4o-audio-preview-2024-10-01
OpenAI Chat: gpt-4o-mini-audio-preview
OpenAI Chat: gpt-4o-mini-audio-preview-2024-12-17
OpenAI Chat: gpt-4.1 (aliases: 4.1)
OpenAI Chat: gpt-4.1-mini (aliases: 4.1-mini)
OpenAI Chat: gpt-4.1-nano (aliases: 4.1-nano)
OpenAI Chat: gpt-3.5-turbo (aliases: 3.5, chatgpt)
OpenAI Chat: gpt-3.5-turbo-16k (aliases: chatgpt-16k, 3.5-16k)
OpenAI Chat: gpt-4 (aliases: 4, gpt4)
OpenAI Chat: gpt-4-32k (aliases: 4-32k)
OpenAI Chat: gpt-4-1106-preview
OpenAI Chat: gpt-4-0125-preview
OpenAI Chat: gpt-4-turbo-2024-04-09
OpenAI Chat: gpt-4-turbo (aliases: gpt-4-turbo-preview, 4-turbo, 4t)
OpenAI Chat: gpt-4.5-preview-2025-02-27
OpenAI Chat: gpt-4.5-preview (aliases: gpt-4.5)
OpenAI Chat: o1
OpenAI Chat: o1-2024-12-17
OpenAI Chat: o1-preview
OpenAI Chat: o1-mini
OpenAI Chat: o3-mini
OpenAI Chat: o3
OpenAI Chat: o4-mini
OpenAI Completion: gpt-3.5-turbo-instruct (aliases: 3.5-instruct, chatgpt-instruct)
OpenAI Chat: groq-openai-llama3
OpenAI Chat: groq-openai-llama3-8b
Perplexity: sonar-pro
Perplexity: sonar
Perplexity: sonar-pro-online
Perplexity: sonar-deep-research
Perplexity: sonar-reasoning-pro
Perplexity: sonar-reasoning
Perplexity: r1-1776
gpt4all: all-MiniLM-L6-v2-f16 - SBert, 43.76MB download, needs 1GB RAM
gpt4all: all-MiniLM-L6-v2 - SBert, 43.82MB download, needs 1GB RAM
gpt4all: nomic-embed-text-v1 - Nomic Embed Text v1, 261.58MB download, needs 1GB RAM
gpt4all: nomic-embed-text-v1 - Nomic Embed Text v1.5, 261.58MB download, needs 1GB RAM
gpt4all: Llama-3 - Llama 3.2 1B Instruct, 737.21MB download, needs 2GB RAM
gpt4all: qwen2-1_5b-instruct-q4_0 - Qwen2-1.5B-Instruct, 894.10MB download, needs 3GB RAM
gpt4all: DeepSeek-R1-Distill-Qwen-1 - DeepSeek-R1-Distill-Qwen-1.5B, 1019.29MB download, needs 3GB RAM
gpt4all: Llama-3 - Llama 3.2 3B Instruct, 1.79GB download, needs 4GB RAM
gpt4all: replit-code-v1_5-3b-newbpe-q4_0 - Replit, 1.82GB download, needs 4GB RAM
gpt4all: orca-mini-3b-gguf2-q4_0 - Mini Orca (Small), 1.84GB download, needs 4GB RAM
gpt4all: Phi-3-mini-4k-instruct - Phi-3 Mini Instruct, 2.03GB download, needs 4GB RAM
gpt4all: mpt-7b-chat - MPT Chat, 3.54GB download, needs 8GB RAM
gpt4all: orca-2-7b - Orca 2 (Medium), 3.56GB download, needs 8GB RAM
gpt4all: rift-coder-v0-7b-q4_0 - Rift coder, 3.56GB download, needs 8GB RAM
gpt4all: mpt-7b-chat-newbpe-q4_0 - MPT Chat, 3.64GB download, needs 8GB RAM
gpt4all: em_german_mistral_v01 - EM German Mistral, 3.83GB download, needs 8GB RAM
gpt4all: mistral-7b-instruct-v0 - Mistral Instruct, 3.83GB download, needs 8GB RAM
gpt4all: ghost-7b-v0 - Ghost 7B v0.9.1, 3.83GB download, needs 8GB RAM
gpt4all: Nous-Hermes-2-Mistral-7B-DPO - Nous Hermes 2 Mistral DPO, 3.83GB download, needs 8GB RAM
gpt4all: mistral-7b-openorca - Mistral OpenOrca, 3.83GB download, needs 8GB RAM
gpt4all: gpt4all-falcon-newbpe-q4_0 - GPT4All Falcon, 3.92GB download, needs 8GB RAM
gpt4all: qwen2 - Reasoner v1, 4.13GB download, needs 8GB RAM
gpt4all: DeepSeek-R1-Distill-Qwen-7B-Q4_0 - DeepSeek-R1-Distill-Qwen-7B, 4.14GB download, needs 8GB RAM
gpt4all: Meta-Llama-3 - Llama 3.1 8B Instruct 128k, 4.34GB download, needs 8GB RAM
gpt4all: Meta-Llama-3-8B-Instruct - Llama 3 8B Instruct, 4.34GB download, needs 8GB RAM
gpt4all: DeepSeek-R1-Distill-Llama-8B-Q4_0 - DeepSeek-R1-Distill-Llama-8B, 4.35GB download, needs 8GB RAM
gpt4all: gpt4all-13b-snoozy-q4_0 - Snoozy, 6.86GB download, needs 16GB RAM
gpt4all: wizardlm-13b-v1 - Wizard v1.2, 6.86GB download, needs 16GB RAM
gpt4all: orca-2-13b - Orca 2 (Full), 6.86GB download, needs 16GB RAM
gpt4all: nous-hermes-llama2-13b - Hermes, 6.86GB download, needs 16GB RAM
gpt4all: DeepSeek-R1-Distill-Qwen-14B-Q4_0 - DeepSeek-R1-Distill-Qwen-14B, 7.96GB download, needs 16GB RAM
gpt4all: starcoder-newbpe-q4_0 - Starcoder, 8.37GB download, needs 4GB RAM
GeminiPro: gemini-pro
GeminiPro: gemini-1.5-pro-latest
GeminiPro: gemini-1.5-flash-latest
GeminiPro: gemini-1.5-pro-001
GeminiPro: gemini-1.5-flash-001
GeminiPro: gemini-1.5-pro-002
GeminiPro: gemini-1.5-flash-002
GeminiPro: gemini-1.5-flash-8b-latest
GeminiPro: gemini-1.5-flash-8b-001
GeminiPro: gemini-exp-1114
GeminiPro: gemini-exp-1121
GeminiPro: gemini-exp-1206
GeminiPro: gemini-2.0-flash-exp
GeminiPro: learnlm-1.5-pro-experimental
GeminiPro: gemini-2.0-flash-thinking-exp-1219
GeminiPro: gemini-2.0-flash-thinking-exp-01-21
GeminiPro: gemini-2.0-flash
GeminiPro: gemini-2.0-pro-exp-02-05
GeminiPro: gemini-2.0-flash-lite
GeminiPro: gemma-3-27b-it
GeminiPro: gemini-2.5-pro-exp-03-25
GeminiPro: gemini-2.5-pro-preview-03-25
GeminiPro: gemini-2.5-flash-preview-04-17
GeminiPro: gemini-2.5-pro-preview-05-06
Anthropic Messages: anthropic/claude-3-opus-20240229
Anthropic Messages: anthropic/claude-3-opus-latest (aliases: claude-3-opus)
Anthropic Messages: anthropic/claude-3-sonnet-20240229 (aliases: claude-3-sonnet)
Anthropic Messages: anthropic/claude-3-haiku-20240307 (aliases: claude-3-haiku)
Anthropic Messages: anthropic/claude-3-5-sonnet-20240620
Anthropic Messages: anthropic/claude-3-5-sonnet-20241022
Anthropic Messages: anthropic/claude-3-5-sonnet-latest (aliases: claude-3.5-sonnet, claude-3.5-sonnet-latest)
Anthropic Messages: anthropic/claude-3-5-haiku-latest (aliases: claude-3.5-haiku)
Anthropic Messages: anthropic/claude-3-7-sonnet-20250219
Anthropic Messages: anthropic/claude-3-7-sonnet-latest (aliases: claude-3.7-sonnet, claude-3.7-sonnet-latest)
Ollama: nuextract:latest (aliases: nuextract)
OpenAI: openai/gpt-4o
OpenAI: openai/gpt-4o-mini
OpenAI: openai/gpt-4.5-preview
OpenAI: openai/gpt-4.5-preview-2025-02-27
OpenAI: openai/o3-mini
OpenAI: openai/o1-mini
OpenAI: openai/o1
OpenAI: openai/o1-pro
OpenAI: openai/gpt-4.1
OpenAI: openai/gpt-4.1-2025-04-14
OpenAI: openai/gpt-4.1-mini
OpenAI: openai/gpt-4.1-mini-2025-04-14
OpenAI: openai/gpt-4.1-nano
OpenAI: openai/gpt-4.1-nano-2025-04-14
OpenAI: openai/o3
OpenAI: openai/o3-2025-04-16
OpenAI: openai/o3-streaming
OpenAI: openai/o3-2025-04-16-streaming
OpenAI: openai/o4-mini
OpenAI: openai/o4-mini-2025-04-16
LLMGroq: groq/playai-tts-arabic
LLMGroq: groq/qwen-2.5-coder-32b
LLMGroq: groq/llama-3.3-70b-specdec
LLMGroq: groq/allam-2-7b
LLMGroq: groq/whisper-large-v3
LLMGroq: groq/llama-3.3-70b-versatile (aliases: groq-llama-3.3-70b)
LLMGroq: groq/qwen-2.5-32b
LLMGroq: groq/mistral-saba-24b
LLMGroq: groq/gemma2-9b-it (aliases: groq-gemma2)
LLMGroq: groq/whisper-large-v3-turbo
LLMGroq: groq/deepseek-r1-distill-llama-70b
LLMGroq: groq/meta-llama/llama-4-scout-17b-16e-instruct
LLMGroq: groq/llama-3.2-90b-vision-preview
LLMGroq: groq/llama-3.2-3b-preview
LLMGroq: groq/meta-llama/llama-4-maverick-17b-128e-instruct
LLMGroq: groq/llama3-8b-8192 (aliases: groq-llama3)
LLMGroq: groq/llama-guard-3-8b
LLMGroq: groq/llama3-70b-8192 (aliases: groq-llama3-70b)
LLMGroq: groq/qwen-qwq-32b
LLMGroq: groq/llama-3.2-1b-preview
LLMGroq: groq/llama-3.2-11b-vision-preview
LLMGroq: groq/distil-whisper-large-v3-en
LLMGroq: groq/deepseek-r1-distill-qwen-32b
LLMGroq: groq/llama-3.1-8b-instant (aliases: groq-llama3.1-8b)
LLMGroq: groq/playai-tts
Default: gemini-2.0-flash-exp

Testare modelli

for i in claude-3.5-sonnet gemini-2.0-flash-exp 4o; do
  llm "Dammi un nome per un convegno su Esplorare il rapporto tra Open Data e Intelligenza Artificiale. Un solo nome senza commenti"
done

Open Data AI: Convergenza e Innovazione

Open Data AI Summit

Open Data AI Convergence

Modelli: opzioni

GeminiPro: gemini/gemini-2.0-flash-exp (aliases: gemini-2.0-flash-exp)
  Options:
    code_execution: boolean
    temperature: float
    max_output_tokens: int
    top_p: float
    top_k: int
    json_object: boolean
    timeout: float
    google_search: boolean
  Attachment types:
    application/ogg, application/pdf, audio/aac, audio/aiff,
    audio/flac, audio/mp3, audio/mpeg, audio/ogg, audio/wav,
    image/heic, image/heif, image/jpeg, image/png, image/webp,
    text/csv, text/plain, video/3gpp, video/avi, video/mov, video/mp4,
    video/mpeg, video/mpg, video/quicktime, video/webm, video/wmv,
    video/x-flv
  Features:
  - streaming
  - schemas
  - tools
  - async
  Keys:
    key: gemini
    env_var: LLM_GEMINI_KEY

Modelli: opzioni

OpenAI Chat: gpt-4o (aliases: 4o)
  Options:
    temperature: float
      What sampling temperature to use, between 0 and 2. Higher values like
      0.8 will make the output more random, while lower values like 0.2 will
      make it more focused and deterministic.
    max_tokens: int
      Maximum number of tokens to generate.
    top_p: float
      An alternative to sampling with temperature, called nucleus sampling,
      where the model considers the results of the tokens with top_p
      probability mass. So 0.1 means only the tokens comprising the top 10%
      probability mass are considered. Recommended to use top_p or
      temperature but not both.
    frequency_penalty: float
      Number between -2.0 and 2.0. Positive values penalize new tokens based
      on their existing frequency in the text so far, decreasing the model's
      likelihood to repeat the same line verbatim.
    presence_penalty: float
      Number between -2.0 and 2.0. Positive values penalize new tokens based
      on whether they appear in the text so far, increasing the model's
      likelihood to talk about new topics.
    stop: str
      A string where the API will stop generating further tokens.
    logit_bias: dict, str
      Modify the likelihood of specified tokens appearing in the completion.
      Pass a JSON string like '{"1712":-100, "892":-100, "1489":-100}'
    seed: int
      Integer seed to attempt to sample deterministically
    json_object: boolean
      Output a valid JSON object {...}. Prompt must mention JSON.
  Attachment types:
    application/pdf, image/gif, image/jpeg, image/png, image/webp
  Features:
  - streaming
  - schemas
  - tools
  - async
  Keys:
    key: openai
    env_var: OPENAI_API_KEY

Torniamo alla shell

lsb_release -a

No LSB modules are available.
Distributor ID: Debian
Description:    Pengwin
Release:        12
Codename:       bookworm

llm "Quali i punti chiave del mio OS: $(lsb_release -a)"

I punti chiave del tuo sistema operativo, basati sulle informazioni fornite, sono:

*   **Distribuzione:** Debian
*   **Derivata:** Pengwin (una distribuzione specificamente progettata per l'uso con il sottosistema Windows per Linux, WSL)
*   **Versione:** 12
*   **Nome in codice:** Bookworm (il nome in codice per la versione 12 di Debian)

In sintesi, stai utilizzando **Pengwin**, una distribuzione Linux basata su **Debian 12 "Bookworm"**, ottimizzata per l'esecuzione all'interno di **WSL** (Windows Subsystem for Linux).

È markdown
👇👇👇

In sintesi, stai utilizzando Pengwin, una distribuzione Linux basata su Debian 12 “Bookworm”, ottimizzata per l’esecuzione all’interno di WSL (Windows Subsystem for Linux).

Il web è testo

curl -ksL "https://www.ilpost.it/" | llm "quali sono le categorie di notizie oggi più presenti?"

curl -ksL "https://www.ilpost.it/" | llm "estrai soltanto i titoli della sezione STORIE/IDEE"

curl -ksL "https://www.ilpost.it/" | llm "estrai soltanto i titoli che hanno a che fare con la Palestina"

Voglio testo strutturato

curl -ksL "https://www.ilpost.it/" | llm --schema-multi "titolo,url" "estrai soltanto i titoli che hanno a che fare con la Palestina"

Voglio generare testo strutturato

llm --schema-multi 'nome, citta, indirizzo,posti_a_sedere int' 'crea 5 ristoranti italiani'

Tutti i consiglieri comunali di Palermo

curl -kL "https://www.comune.palermo.it/amministrazione/unita_organizzativa/consiglio-comunale-3/" | \
llm --schema-multi "
nome: il nome del consigliere
ruolo: il ruolo
url: url della pagina del consigliere
sesso: m per maschio f per femmina NA per dubbio o inapplicabile
" --system 'estrai i dati dei consiglieri comunali presenti nella pagina web'

Per estrarre i dati:

llm logs -c --data

Gli schemi usati:

llm schemas

La versione full:

llm schemas --full

Riusare uno schema

curl -skL "https://www.comune.enna.it/amministrazione/unita-organizzativa/2/Consiglio-Comunale" | \
llm --schema ee32c10b164ff80e35f39a58dc32064f --system 'estrai i dati dei consiglieri comunali presenti nella pagina web'

Usare uno schema su un’immagine

llm -t consiglio_comunale -a https://aborruso.github.io/blackboard/html/consiglio_comunale_trento.png

Descriviamo una tabella

Senza frizioni

llm --schema-multi "nome
cognome
eta: inserisci l'età
data_nascita: inserisci la data di nascita in formato YYYY-MM-DD
" "crea una tabella con 5 persone" | jq -c '.items[]' | \
mlr --ijsonl --ocsv cat >persone.csv

llm -f frictionless-tab 'usa queste specifiche per descrivere questo csv' <persone.csv

{
  "profile": "tabular-data-package",
  "name": "people",
  "title": "People Data",
  "description": "A dataset containing information about people, including name, surname, date of birth, and age.",
  "resources": [
    {
      "profile": "tabular-data-resource",
      "name": "people-data",
      "path": "people.csv",
      "format": "csv",
      "mediatype": "text/csv",
      "encoding": "utf-8",
      "schema": {
        "fields": [
          {
            "name": "cognome",
            "title": "Surname",
            "type": "string"
          },
          {
            "name": "data_nascita",
            "title": "Date of Birth",
            "type": "date",
            "format": "YYYY-MM-DD"
          },
          {
            "name": "eta",
            "title": "Age",
            "type": "integer"
          },
          {
            "name": "nome",
            "title": "Name",
            "type": "string"
          }
        ]
      }
    }
  ]
}

Senza frizioni e per le persone

llm -c "e fammi anche la descrizion in markdown, la human readable utile per un readme.md, con una tabellina con nome campo, tipo campo, descrizione e valore di esempio. In italiano."

| Nome Campo     | Tipo Campo | Descrizione                                                                 | Valore di Esempio |
| :------------- | :--------- | :-------------------------------------------------------------------------- | :---------------- |
| `cognome`      | string     | Il cognome della persona.                                                   | Rossi             |
| `data_nascita` | date       | La data di nascita della persona (formato AAAA-MM-GG).                       | 1990-05-15        |
| `eta`          | integer    | L'età della persona.                                                        | 33                |
| `nome`         | string     | Il nome della persona.                                                      | Mario             |

Template

Sono file yaml

system: |
  Estrai gli indirizzi stradali da un testo dato e identifica i seguenti componenti: 1. Tipo di strada, 2. Nome della strada (Odonimo), 3. Numero Civico, 4. Codice di Avviamento Postale (CAP), e 5. Città. Ogni indirizzo estratto deve essere rappresentato come un oggetto JSON separato, in formato JSON Lines (una riga per ogni indirizzo). Includi tutti i componenti disponibili anche se alcuni mancano nel testo originale. Se nel testo sono presenti più strade, estrai una riga per ogni strada trovata.

  # Passaggi

  1. **Identifica i Pattern degli Indirizzi**: Cerca i pattern comuni degli indirizzi nel testo, che possono includere tutti o parte dei componenti.
  2. **Estrai i Componenti**:
     - **Tipo di Strada**: Ad esempio, "Via", "Viale", "Piazza".
     - **Nome della Strada (Odonimo)**: Il nome della strada, ad esempio "Roma".
     - **Numero Civico**: Il numero associato all'edificio, ad esempio "15".
     - **Codice di Avviamento Postale (CAP)**: Il codice postale dell'indirizzo, ad esempio "90100".
     - **Città**: La città associata all'indirizzo, ad esempio "Palermo".
  3. **Genera JSON**: Per ogni indirizzo identificato, crea un oggetto JSON con i componenti estratti.
  4. **Output JSON Lines**: Stampa ogni oggetto JSON su una nuova riga in formato JSON Lines per ciascun indirizzo trovato.

  # Formato di Output

  - Ogni indirizzo identificato deve essere un oggetto JSON con chiavi per ogni componente:
    ```json
    {"street_type": "Tipo di strada", "street_name": "Odonimo", "building_number": "Numero civico", "postal_code": "CAP", "city": "Città"}
    ```
  - Assicurati che ogni oggetto JSON sia stampato su una linea separata.
  - Includi i componenti quando disponibili; ometti o lascia vuote le stringhe per i componenti mancanti.
  - Non scrivere nessun commento, soltanto output jsonline e niente altro

  # Esempi

  **Input:**
  "Trova l'indirizzo Via Roma 15, 90100 Palermo in questo testo e il riferimento a Viale Mazzini."

  **Output:**
  ```
  {"street_type": "Via", "street_name": "Roma", "building_number": "15", "postal_code": "90100", "city": "Palermo"}
  {"street_type": "Viale", "street_name": "Mazzini"}
  ```

  # Note

  - Gestire variazioni nei formati degli indirizzi e informazioni incomplete.
  - L'estrazione deve essere robusta a variazioni comuni e errori nel testo di input.

In action

cat strade.txt

via libertà 12, palermo, 90141
Roma, via torino
Milano 20123
Largo degli abeti, Catania

cat strade.txt | llm "ecco un elenco di strade" -t strade

{"street_type": "via", "street_name": "libertà", "building_number": "12", "postal_code": "90141", "city": "palermo"}
{"street_type": "via", "street_name": "torino", "city": "Roma"}
{"city": "Milano", "postal_code": "20123"}
{"street_type": "Largo", "street_name": "degli abeti", "city": "Catania"}

Applicazioni

Chattare con un video

Usage: qv <YouTube URL> <Question> [-p language <language>] [-sub <filename>] [-t|--template <template>] [--text-only] [--debug]

Example:
  qv.sh 'https://www.youtube.com/watch?v=OM6XIICm_qo' 'What is this video about?'  # Ask a question about the video
  qv.sh 'https://www.youtube.com/watch?v=OM6XIICm_qo' 'What is this about?' -t andy  # Use a specific template
  qv.sh 'https://www.youtube.com/watch?v=OM6XIICm_qo' 'What is this video about?' -p language Italian  # Get the answer in Italian
  qv.sh 'https://www.youtube.com/watch?v=OM6XIICm_qo' --text-only  # Output subtitles to stdout
  qv.sh 'https://www.youtube.com/watch?v=OM6XIICm_qo' 'What is this video about?' -sub subtitles.txt  # Save subtitles to a file

Il codice

    # Build system prompt with improved formatting
    if [ "$debug" = true ]; then
      cat <<EOF > "$temp_file"
You are a helpful assistant that can answer questions about YouTube videos.
${language:+Reply to me in $language\n}
Video title: $title
Content:
${content}
EOF
    else
      cat <<EOF > "$temp_file"
You are a helpful assistant that can answer questions about YouTube videos.
${language:+Reply to me in $language\n}
${content}
EOF
    fi

    # Process the question with LLM using stdin
    echo "Processing your question..."

    if [ "$debug" = true ]; then
      echo -e "\nDEBUG: First 3 lines sent to LLM:"
      head -n 3 "$temp_file"
      echo -e "\n"
    fi

    if [ -n "$template" ]; then
      cat "$temp_file" | llm prompt "$question" -t "$template"
    else
      cat "$temp_file" | llm prompt "$question"
    fi

Grazie 😉

andrea.borruso@ondata.it

Tutto è testo

Facciamoci una risata

C’è poco da ridere

Ma ora c’è l’intelligenza artificiale

Quanti token il man di tar

E allora è poca roba

llm (non i large language model)

llm

plugin

I modelli

Testare modelli

Modelli: opzioni

Modelli: opzioni

Torniamo alla shell

Il web è testo

Voglio testo strutturato

Voglio generare testo strutturato

Tutti i consiglieri comunali di Palermo

Riusare uno schema

Usare uno schema su un’immagine

Descriviamo una tabella

Senza frizioni

Senza frizioni e per le persone

Template

Sono file yaml

In action

Applicazioni

Chattare con un video

Il codice

Grazie 😉

Quanti token il `man` di tar

`llm` (non i large language model)

`llm`