Issue
Come usare gli agenti AI gratuiti di GitHub anche senza saper programmare
Iscriviti per non perderne una

Come usare gli agenti AI gratuiti di GitHub anche senza saper programmare
Oltre cento agenti AI gratuiti, raccolti da un manager di Google. Come leggerli, quali provare e cosa insegna il loro team di agenti legali.
Iscrivetevi su thesundayprompt.com per ricevere i numeri; per post e news quotidiane seguite The Sunday Prompt anche su LinkedIn e su Instagram.
Il 29 aprile 2024 Shubham Saboo ha aperto su GitHub una raccolta di applicazioni di intelligenza artificiale che oggi, 25 ottobre, ha 142.991 stelle (i segnalibri che gli sviluppatori mettono ai progetti da seguire, come vi ho raccontato nel numero 87). Le copie create da altri utenti per lavorarci sopra sono più di 21.000. Si chiama awesome-llm-apps, contiene più di cento progetti divisi in sedici sezioni e l’ultimo aggiornamento è del 22 ottobre.
Saboo è Senior AI Product Manager in Google Cloud, dove segue gli strumenti con cui gli sviluppatori costruiscono e governano gli agenti, ed è coautore di due libri, uno su GPT-3 e uno sulla ricerca semantica (Neural Search). Con Gargi Gupta scrive Unwind AI, una newsletter in inglese dove si trovano anche i tutorial passo per passo di molti progetti della raccolta. Il suo metodo lo racconta così: «I run into an interesting problem, build the smallest useful version, test it end to end, and add it to Awesome LLM Apps». Quando incontra un problema interessante, quindi, ne costruisce la versione utile più piccola, la prova dall’inizio alla fine e la aggiunge alla raccolta.
La mia tesi è che a chi non programma questa raccolta serve prima di tutto per capire com’è fatto un agente e per scegliere cosa provare. La parte che decide la qualità del lavoro di un agente è scritta in linguaggio naturale, ed è proprio quella che un professionista sa scrivere meglio di uno sviluppatore. I progetti pronti, però, vanno provati su materiale pubblico, perché in alcuni di essi i documenti caricati passano per più fornitori esterni. Oggi vediamo com’è fatto un agente, come usare la raccolta senza scrivere codice, dodici progetti utili a uno studio e, come caso della settimana, il team di agenti legali.
Cos’è un agente ve l’ho raccontato nel numero 80: un assistente che, oltre a rispondere, usa degli strumenti (la ricerca web, i file, la posta) e porta avanti un lavoro in più passaggi. GitHub è il sito su cui gli sviluppatori pubblicano il codice, e un repository è la cartella di un progetto con tutti i suoi file e la loro storia; la pagina di presentazione che si legge entrando si chiama README. La raccolta è distribuita con licenza Apache-2.0, che il README riassume in «Fork it, ship it, sell it»: si può copiare, modificare e anche rivendere, conservando la licenza e gli avvisi dell’autore. Il README promette progetti «hand-built, tested end-to-end», costruiti a mano e provati dall’inizio alla fine.
Com’è fatto un agente
Quasi ogni agente della raccolta, anche il più complesso, è fatto di quattro parti: il modello, le istruzioni, gli strumenti e i documenti su cui lavora. Il codice collega queste parti e mostra il risultato in una pagina web, ma il comportamento dell’agente dipende in gran parte dalle istruzioni.
Per vederlo basta aprire il file del team di agenti legali, legal_agent_team.py. Sono 393 righe di Python; i quattro agenti «specialisti» stanno in una sessantina. Il «Legal Researcher» ha un modello (GPT-5), uno strumento (la ricerca su DuckDuckGo) e il PDF caricato dall’utente. Le sue istruzioni sono quattro: «Find and cite relevant legal cases and precedents», «Provide detailed research summaries with sources», «Reference specific sections from the uploaded document», «Always search the knowledge base for relevant information». Tradotte: trova e cita i precedenti pertinenti, fai sintesi dettagliate con le fonti, richiama le sezioni del documento, cerca sempre nei documenti caricati.
Il «Contract Analyst» ne ha tre: rivedi il contratto con attenzione, individua i termini chiave e i possibili problemi, richiama le clausole. Il «Legal Strategist» altre tre: sviluppa strategie complete, dai raccomandazioni operative, considera rischi e opportunità. Il coordinatore, «Legal Team Lead», ne ha cinque, fra cui assicurarsi che ogni raccomandazione abbia la sua fonte.
Insomma, l’intero team legale è descritto da quindici istruzioni di una riga ciascuna, in inglese e molto generiche. Un avvocato le scriverebbe in modo diverso: quali fonti sono ammesse, cosa fare quando un precedente non si trova, come separare il testo del contratto dalla propria valutazione, da quale parte si sta. Lo si può fare anche senza toccare una riga di codice.
📌 Le quattro parti di un agente. Il modello (GPT, Claude, Gemini o un modello che gira sul vostro computer). Le istruzioni, cioè il ruolo e il modo di lavorare, scritte in linguaggio naturale. Gli strumenti: ricerca web, posta, calendario, file. I documenti su cui l’agente lavora e dove vengono memorizzati.
Tre modi di usarla senza programmare
1) Copiare lo schema in un prompt. Il modo più semplice è leggere il README di un progetto, capire come sono divisi i ruoli e chiedere a Claude di lavorare allo stesso modo, in una conversazione o in un progetto. Qui sotto trovate il team legale riscritto come un solo prompt, con istruzioni da avvocato al posto di quelle generiche. Funziona su un contratto incollato o allegato; usatelo su un testo pubblico o reso anonimo.
Lavora come un piccolo team legale di quattro ruoli, che intervengono in quest'ordine sul contratto che ti allego.
1. Analista dei contratti: individua le parti, l'oggetto, gli obblighi principali di ciascuna parte, i termini, le penali e le clausole su recesso, limitazione di responsabilità, riservatezza e foro. Per ogni punto indica il numero della clausola.
2. Ricercatore: per ogni punto rilevato indica le norme di diritto italiano o europeo pertinenti, solo se sei in grado di indicarne gli estremi esatti. Non citare sentenze: se un punto richiede una ricerca giurisprudenziale, scrivi "DA VERIFICARE IN BANCA DATI" e indica il tema da cercare.
3. Stratega: assisto [indicare la parte]. Per ogni criticità indica il rischio per questa parte, la modifica da proporre e il testo alternativo della clausola.
4. Coordinatore: riunisci il lavoro in una tabella con le colonne Clausola | Criticità | Norma | Proposta | Da verificare, e in fondo elenca ogni affermazione che non hai potuto ricondurre al testo del contratto o a una norma.
Regole per tutti i ruoli:
- Distingui sempre ciò che è scritto nel contratto da ciò che è una tua valutazione.
- Se un'informazione manca, scrivi che manca e non completarla per deduzione.
- Rispondi in italiano.
2) Installare una skill. La raccolta contiene otto skill, le cartelle di istruzioni (e a volte di script) di cui vi ho parlato nel numero 84, che funzionano con Claude Code, con Codex e con altri agenti. Il README indica un solo comando da scrivere nel Terminale, npx skills add seguito dall’indirizzo della skill (serve Node.js installato), oppure si può copiare la cartella della skill in ~/.claude/skills/. Attenzione perché è lo stesso autore a scrivere che le skill «run with your agent’s permissions: your shell, your files, your credentials», cioè agiscono con i permessi del vostro agente, sui vostri file e con le vostre credenziali. Per questo raccomanda di leggere il file SKILL.md e ogni script prima di installarle, anche le sue.
3) Far avviare un progetto a Claude Code. Per i progetti che sono vere applicazioni, chi non programma può aprire Claude Code (come nel numero 80), dargli l’indirizzo della cartella su GitHub e chiedergli di scaricare, installare e avviare il progetto. La grande maggioranza dei progetti chiede una o più chiavi API dei fornitori dei modelli (OpenAI, Anthropic, Google) e spesso di servizi accessori, come la ricerca web o l’archivio dei documenti; i costi sono a carico di chi usa la chiave.
⚠️ Prima di provare un progetto. Usate un computer personale e materiale pubblico, mai fascicoli dello studio. Leggete nel README quali servizi esterni usa: ognuno è un posto dove possono finire i vostri testi. Con la chiave API fissate un limite di spesa nella console del fornitore, come vi ho spiegato nel numero 87.
Una selezione per lo studio
Dei più di cento progetti ne ho scelti dodici, con quattro criteri: devono essere utili a un professionista, mostrare uno schema riutilizzabile anche senza installare nulla, avere un README che dichiara i limiti del progetto e, dove possibile, poter girare sul vostro computer. Ho lasciato fuori i progetti per sviluppatori software, quelli di intrattenimento (tarocchi, meme, scacchi) e quelli che danno consigli personali su salute e finanze.
Scrivere e rivedere. First Reader è una skill che simula due lettori della vostra bozza, che la leggono un passo alla volta senza poter andare più in fretta di una persona, più un terzo che la scorre soltanto. Alla fine riferisce dove si sono interessati, dove hanno smesso e cosa ricordano, e non riscrive una parola. Gli script girano sul vostro computer, mentre la lettura la fa il modello del vostro agente. Thinking Out Loud serve quando dettate a voce un ragionamento disordinato: prima di agire, l’agente vi restituisce cosa ha capito, con le decisioni, i ripensamenti e, separate, le ipotesi che ha aggiunto lui. Ripple è un’estensione di Chrome per i documenti Google: cambiate una data o una condizione e segnala le altre frasi che non tornano più, con la correzione proposta. Usa Jev, il modello di TypeSafe di cui vi ho parlato nel numero 83, e il README avverte che il testo viene inviato a TypeSafe e a Google. LLM Panel, infine, fa esaminare lo stesso testo a tre modelli di fornitori diversi. Se lo chiedete, mostra poi a ciascuno le risposte anonime degli altri perché le confermi o le respinga, e i punti su cui non si mettono d’accordo sono quelli da controllare per primi.
Rispondere dai propri documenti. Molti progetti della raccolta usano il RAG (Retrieval Augmented Generation), cioè una tecnica che prima cerca nei vostri documenti i passaggi pertinenti alla domanda e poi li passa al modello perché risponda a partire da quelli. Chat with PDF è il caso minimo, «in just 30 lines of Python Code», e serve a capire il meccanismo. Typed Agentic RAG è il più interessante per chi deve poter controllare. Ogni risposta porta la citazione testuale del passaggio da cui è tratta e, se la ricerca non trova un passaggio abbastanza pertinente, l’applicazione si rifiuta di rispondere prima ancora di interrogare il modello. Knowledge Graph RAG trasforma i documenti in un grafo di persone, enti e concetti collegati fra loro e risponde seguendo i collegamenti, indicando la fonte di ogni affermazione; gira tutto in locale. Io personalmente uso un grafo Neo4j, lo stesso database di questo progetto, per interrogare i miei materiali di lavoro (i numeri di questa newsletter e gli altri miei documenti). Local RAG Agent, infine, tiene modello e archivio sul vostro computer, senza servizi esterni.
Tenersi aggiornati. Nella sezione degli agenti sempre accesi (always-on) c’è un agente che legge Hacker News, il sito di notizie degli sviluppatori, sceglie le storie sugli agenti e manda un riepilogo per email o, tramite un collegamento (webhook), su Slack. La cadenza va programmata (il README suggerisce ogni giorno feriale alle 9) e di default lavora in prova: usa dati di esempio e non spedisce nulla finché non lo si abilita. Lo schema (una fonte, un filtro, un riepilogo a orario fisso) potrebbe essere applicato anche a fonti come la Gazzetta Ufficiale o i provvedimenti di un’autorità: è un’ipotesi mia, il progetto non lo prevede.
Controllare gli agenti. Due progetti, uno dei quali (AI Agent Governance) non compare nemmeno nell’indice principale, riguardano un tema che a noi avvocati interessa da vicino. AI Agent Governance mette fra l’agente e i suoi strumenti delle regole scritte in un file: ogni azione viene intercettata prima di essere eseguita e consentita, bloccata o mandata all’approvazione di una persona, e ogni decisione finisce in un registro. Il README dice che le regole fisse sono più affidabili delle istruzioni nel prompt, e la ragione è che il modello può non seguire un’istruzione, mentre la regola viene applicata dal codice. Trust-Gated Team registra ogni azione degli agenti in un registro in cui ciascuna voce è legata alla precedente, sicché la modifica di una voce invalida tutte quelle successive e la manomissione diventa riconoscibile.
| Progetto | A cosa serve | Cosa serve per provarlo | Dove vanno i dati |
|---|---|---|---|
| First Reader | Simula lettori della vostra bozza | Claude Code o altro agente | Il modello che usate; gli script restano sul computer |
| Thinking Out Loud | Riepiloga un dettato prima di agire | Claude Code o altro agente | Solo il modello che usate |
| Ripple | Coerenza di un documento Google dopo una modifica | Node.js, chiavi TypeSafe e Gemini | TypeSafe e Google |
| LLM Panel | Tre modelli esaminano e si contestano | Python, chiave OpenRouter | OpenRouter e i tre fornitori |
| Chat with PDF | Domande su un PDF | Python, chiave OpenAI (o Ollama in locale) | OpenAI, oppure restano sul computer |
| Typed Agentic RAG | Risposte con citazione o rifiuto | Python, chiave OpenAI o Anthropic | Il fornitore scelto |
| Knowledge Graph RAG | Risposte che seguono i collegamenti | Ollama e Neo4j locali | Restano sul computer |
| Local RAG Agent | Domande sui documenti, in locale | Ollama e Qdrant locali | Restano sul computer |
| Always-on Briefing | Riepilogo quotidiano di una fonte | Python, chiave Gemini | Google, più Gmail se attivato |
| AI Agent Governance | Regole che bloccano le azioni | Python, chiave OpenAI | OpenAI |
| Trust-Gated Team | Registro delle azioni non modificabile | Python, chiave OpenAI | OpenAI |
Il dodicesimo progetto è il team di agenti legali, che merita una sezione a parte. Per chi vuole imparare a costruirli, la raccolta ha anche due corsi completi sugli strumenti di Google e di OpenAI per creare agenti.
Il caso della settimana: il team di agenti legali
Il progetto AI Legal Agent Team è una pagina web che si avvia sul proprio computer. Si carica un PDF e si sceglie fra cinque tipi di analisi (revisione del contratto, ricerca, valutazione dei rischi, verifica di conformità, domanda libera), che il coordinatore distribuisce fra i tre specialisti. Leggendo il codice emergono tre aspetti che un avvocato deve conoscere prima di provarlo.
Il primo riguarda i precedenti. Il ricercatore ha l’istruzione di trovare e citare casi e precedenti, ma il suo unico strumento è DuckDuckGo, un motore di ricerca generalista, e non una banca dati di giurisprudenza. Su un tema di diritto italiano difficilmente può trovare la sentenza giusta, mentre l’istruzione lo spinge a citarne comunque una. Su questo punto è già intervenuto il Tribunale di Firenze, che ha condannato una parte per lite temeraria anche perché aveva citato passaggi inesistenti di due sentenze della Cassazione, osservando che l’uso di questi strumenti «senza adeguata verifica sulle fonti primarie integra, quantomeno, una condotta gravemente negligente».
Il secondo riguarda i documenti. Il PDF caricato viene trasformato in vettori (la rappresentazione numerica che serve alla ricerca per significato) da un modello di OpenAI e memorizzato in un archivio Qdrant, che il README indica in Qdrant Cloud, un servizio online; per analizzarlo, poi, i quattro agenti usano GPT-5. Il contratto, quindi, passa per almeno due fornitori esterni (e le ricerche del ricercatore arrivano anche a DuckDuckGo), e per un documento di un cliente questo richiede le stesse valutazioni che fareste per qualsiasi servizio cloud.
Il terzo è un dettaglio, ma dice molto. Il README indica «Uses GPT-4o for analysis», mentre il codice dal novembre 2025 usa GPT-5: la documentazione non è stata aggiornata insieme al codice, e quindi quello che il README dichiara conviene controllarlo sul codice o chiederlo a Claude Code.
La raccolta contiene anche una versione locale dello stesso team, con il modello Llama 3.1 da 8 miliardi di parametri e l’archivio dei documenti sul vostro computer (il suo README è vuoto, ma il codice lo dice chiaramente). Risolve il problema dei documenti, ma un modello di queste dimensioni difficilmente può reggere un’analisi contrattuale complessa. Il ricercatore, poi, qui non ha nemmeno un motore di ricerca, mentre l’istruzione di citare i precedenti è rimasta: gli eventuali precedenti verrebbero solo dalla memoria del modello.
Un’ultima nota. Nella stessa sezione c’è un team di agenti per la selezione del personale, che analizza i curricula e, fra le sue funzioni, ha la «Selection decision making», cioè la decisione su chi selezionare, con email ai candidati e colloqui fissati in automatico. I sistemi destinati a «analizzare o filtrare le candidature e valutare i candidati» sono ad alto rischio per l’Allegato III, punto 4, lettera a), dell’AI Act, e i relativi obblighi si applicheranno dal 2 dicembre 2027, dopo il rinvio deciso con il regolamento (UE) 2026/1744. Il README stesso avverte che lo strumento non deve sostituire del tutto il giudizio umano e che ogni decisione automatica va rivista da un selezionatore.
Da portare a casa
- Un agente è un modello, delle istruzioni, degli strumenti e dei documenti. Le istruzioni sono scritte in linguaggio naturale, e sono la parte su cui un professionista può migliorare di più quello che trova pronto.
- Prima di provare un progetto, leggete nel README quali servizi esterni usa e dove finiscono i documenti; per i dati dei clienti scegliete le versioni locali o non usate il progetto.
- Se un agente cita sentenze, verificatele una per una in una banca dati di giurisprudenza prima di usarle.
Se volete fare una prova senza installare nulla, il punto di partenza è il prompt di questo numero, su un contratto pubblico. Per chi vuole andare oltre, la raccolta è su GitHub e i tutorial sono su Unwind AI, entrambi in inglese.
Le fonti di questo numero sono il README della raccolta, il profilo GitHub di Shubham Saboo, il codice e il README del team legale, le pagine dei singoli progetti citati, la sezione delle skill, il testo dell’AI Act su EUR-Lex e la sentenza del Tribunale di Firenze.
Happy prompting 🖖
Tag
Ti è piaciuta questa issue?
Iscriviti e ricevi la prossima domenica mattina, direttamente nella tua inbox.
