Vai al contenuto

Aperto a ruoli full-time

Full stack developer e AI engineer. Costruisco il prodotto intero, non una sua fetta.

Otto anni di software mandato in produzione dal 2018, cinque dei quali a gestire prodotti miei. Vue e Nuxt davanti, Node e serverless dietro, workflow LLM dove se lo meritano — più il modello dati, il deploy, la SEO e il conto dell'AI.

Iniziamo a parlarne Guarda come costruisco
300K+
ordini processati su una piattaforma che ho costruito e gestito
10,000
utenti registrati su un prodotto AI serverless
90%
delle operazioni quotidiane automatizzate
Ogni livello, un solo sviluppatore
Interfaccia
Vue.jsNuxtTypeScriptAngularTailwind
API e servizi
Node.jsExpressREST APIsServerless
Livello AI
LLM APIsAgentsRAGMCPEvals
Dati
PostgreSQLMySQLMongoDBFirebase
Infrastruttura
VercelDockerCI/CDCapacitor
Prodotto e crescita
SEOAnalyticsGoogle AdsCRO

Nella maggior parte dei progetti ho tenuto insieme più di uno di questi livelli — dal modello dati al deploy all'account pubblicitario. Il design dell'interfaccia è l'unico livello che lascio a un designer.

Stack

Quello che uso davvero.

Vue.js Nuxt TypeScript Angular Tailwind CSS CapacitorJS Node.js Express PHP WordPress Java REST APIs Stripe LLM APIs RAG Reranking LangChain MCP Prompt caching Context compression Evals PostgreSQL MySQL MongoDB Firebase Vercel Serverless Docker Git SEO
Lavoriamo insieme

Competenze

Gli strumenti, per categoria.

Otto anni di lavoro, ridotti alle cose che uso davvero — raggruppate per dominio e valutate da uno a cinque. I pallini sono la mia autovalutazione onesta, non una certificazione.

Frontend

10
  • Vue.js
  • JavaScript
  • HTML
  • Nuxt
  • CSS
  • TypeScript
  • Tailwind CSS
  • SCSS / Sass
  • Angular
  • CapacitorJS

Backend

09
  • Node.js
  • REST APIs
  • Express
  • Serverless
  • Stripe
  • Payment gateways
  • WordPress
  • PHP
  • Java

AI & LLM

09
  • LLM APIs
  • RAG
  • Context compression
  • Prompt caching
  • MCP
  • AI agents
  • Model routing
  • Evals
  • LangChain

Databases

04
  • MySQL
  • Firebase
  • MongoDB
  • PostgreSQL

DevOps & Infra

04
  • Git
  • Vercel
  • Docker
  • CI/CD

Growth & Business

07
  • SEO
  • Client management
  • Customer support
  • Analytics
  • Google Ads
  • TikTok Ads
  • CRO

Cosa faccio

Tre cose, fatte per bene.

Quasi tutte le collaborazioni partono da una di queste e finiscono per toccarle tutte e tre — di solito è proprio quello il punto.

Da un repository vuoto a una cosa che gira in produzione

Sviluppo Full Stack

Ho portato prodotti da un repository vuoto a centinaia di migliaia di transazioni reali — frontend, API, database, infrastruttura, deploy e l'incidente alle tre di notte. Vue e Node sono casa; ho consegnato anche Angular, PHP e mobile.

Come lo affronto
  • Frontend Vue.js / Nuxt — accessibili, veloci e tipizzati da un capo all'altro
  • API Node.js / Express e funzioni serverless su Firebase e Vercel
  • WordPress e PHP quando è il business a chiederlo, integrati con JS moderno
  • Mobile multipiattaforma dalla stessa base di codice del web, pubblicato su entrambi gli store
  • Modellazione dati SQL e NoSQL, integrazioni di pagamento e la SEO che rende il prodotto trovabile

  1. Parto dalla transazione

    Individuo l'unico flusso che porta soldi all'azienda e costruisco verso l'esterno partendo da lì. Tutto il resto è impalcatura intorno a quel flusso.

  2. Architettura noiosa, di proposito

    Servizi gestiti, poche parti in movimento, un solo target di deploy. La complessità è un costo che paghi ogni settimana, non una volta sola.

  3. Rilascio a fette verticali sottili

    Ogni fetta attraversa UI, API e database fino alla produzione. I problemi di integrazione escono nella prima settimana, non al terzo mese.

  4. Automatizzo le operazioni

    Se una persona lo fa due volte al giorno, diventa uno script. È l'abitudine che ha reso una piattaforma in crescita gestibile da due persone.

Lavori collegati

CosmicUp.me → SeekUp.ai →

Agenti e pipeline che reggono la produzione

Sviluppo di Workflow AI

Una demo che funziona una volta non è un workflow. Costruisco sistemi LLM comprese le parti noiose: retrieval che restituisce il pezzo giusto, tool con vera gestione degli errori, pipeline in cui la chiamata costosa arriva per ultima e un piano B per ogni passo che può fallire.

Come lo affronto
  • Progettazione di agenti e pipeline — pianificazione, uso dei tool, stadi e sapere quando fermarsi
  • Architetture RAG con reranking, strategia di chunking e compressione del contesto
  • Server MCP: tool tipizzati, schemi stabili, contabilizzazione al confine del sistema
  • Integrazione diretta con le API dei provider, senza nascondersi dietro un framework
  • Checkpoint con l'umano nel ciclo ovunque ci siano di mezzo soldi o clienti

  1. Mappo la decisione, non il prompt

    Prima di chiamare qualunque modello scrivo cosa decide il sistema, cosa gli è permesso fare e cosa succede quando sbaglia. Quasi tutti i progetti AI falliti hanno saltato questo passaggio.

  2. Costruisco la versione onesta più piccola

    Un percorso solo, dati veri, nessun framework di orchestrazione. Fa emergere subito i problemi di retrieval e di qualità dei dati, che è dove sta il lavoro vero.

  3. Ordino la pipeline per costo

    Prima i segnali economici e deterministici; la chiamata multimodale costosa solo su ciò che sopravvive. È l'ordine a fare la differenza fra un prodotto e una demo che non ti puoi permettere di far girare.

  4. Irrobustisco i bordi

    Timeout, retry con backoff, validazione dello schema su ogni output del modello e un fallback deterministico. Il modello è un componente, non il sistema.

Lavori collegati

CosmicUp.me → SeekUp.ai →

Lo stesso risultato, con una frazione del lavoro e del conto

Automazione e ingegneria dei costi

Due versioni della stessa abitudine: trovare il lavoro che si ripete e smettere di pagarlo. Su una piattaforma di commercio ha voluto dire automatizzare circa il 90% delle operazioni quotidiane. Su un prodotto AI, tagliare dell'80% la spesa di inferenza senza toccare i modelli offerti.

Come lo affronto
  • Ingegneria del contesto — retrieval, reranking e compressione perché il modello legga ciò che conta e nient'altro
  • Caching dei prompt e scelta del modello giusto per il compito, misurata contro una baseline di qualità
  • Automazione delle operazioni: presa in carico, validazione, invio e riconciliazione senza intervento umano
  • Alert sulle eccezioni invece di persone che sorvegliano il percorso felice
  • Un punto di decisione umano lasciato esattamente dove serve davvero giudizio

  1. Prima conto, poi tocco

    Quali processi si ripetono, quante ore mangiano, dove finiscono davvero i token. Il conto e il carico di lavoro non si distribuiscono quasi mai come il team crede.

  2. Sistemo prima il contesto

    L'ottimizzazione più economica è non mandare i token di cui non avevi bisogno. Prompt sovradimensionati e retrieval non filtrato sono i soliti colpevoli — è da lì che è arrivata la maggior parte di quell'80%.

  3. Automatizzo in ordine di ore risparmiate

    Ordino le operazioni manuali per tempo che costano, poi scendo lungo la lista. Le prime tre di solito ripagano l'intero progetto.

  4. Faccio salire solo le eccezioni

    L'automazione prende il volume, le persone prendono il giudizio. Rimborsi, contestazioni e tutto ciò che è ambiguo arrivano ancora a un umano — il resto gira da solo.

Lavori collegati

CosmicUp.me → CompraSocial.me →

Lavori selezionati

Cosa ho costruito, e come.

Ogni case study contiene l'architettura che ho davvero messo in produzione — non una sua versione ripulita.

Tutti i case study

Cerchi qualcuno che sappia prendersi tutto il pezzo?

Ruolo full-time, progetto a contratto o un'architettura che ha bisogno di un secondo parere — raccontami che forma ha. Se non sono la persona giusta te lo dico subito.

Scrivimi