Vai al contenuto

Aperto a ruoli full-time

Full stack developer e AI engineer. Costruisco il prodotto intero, non un pezzo soltanto.

Otto anni di prodotti mandati in produzione dal 2018, cinque dei quali passati a portare avanti i miei. Vue e Nuxt davanti, Node e serverless dietro, workflow LLM dove servono davvero — più il modello dati, il deploy, la SEO e i costi dell'AI.

Parliamone Guarda come lavoro
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 mi sono occupato di più livelli insieme — dal modello dati al deploy.

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, condensati in ciò che uso davvero — raggruppate per dominio e valutate da uno a cinque. I pallini sono la mia autovalutazione onesta, non una certificazione.

Frontend

09
  • Vue.js
  • JavaScript
  • HTML
  • Nuxt
  • CSS
  • TypeScript
  • 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

03
  • MySQL
  • Firebase
  • NoSQL

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 il mio terreno; ho portato in produzione 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 ci costruisco intorno tutto il resto. Il resto è solo impalcatura.

  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 con dentro anche 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, metering al confine del sistema
  • Integrazione diretta con le API dei provider, senza nascondersi dietro un framework
  • Checkpoint con revisione umana 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 minima ma onesta

    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. Blindo 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 della spesa

Automazione e ingegneria dei costi

Due versioni della stessa abitudine: trovare il lavoro che si ripete e smettere di pagarlo. Su una piattaforma e-commerce 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 rispetto a 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 l'happy path
  • Un punto di decisione umano lasciato esattamente dove serve davvero giudizio

  1. Prima conto, poi metto mano

    Quali processi si ripetono, quante ore si 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 in base al 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 si prende il volume, le persone 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
Schermata della homepage di CosmicUp.me
012024 — 2026

CosmicUp.me

LumaUp sp. z o.o.

Co-fondatore · Prodotto e ingegneria

Sette abbonamenti AI sostituiti da uno — 30+ modelli, 10.000 utenti, 80% in meno sul conto dell'inferenza.

CosmicUp mette oltre 30 modelli di chat, immagini e audio dietro un unico abbonamento da 16,99 €/mese, su web, iOS e Android. La parte difficile non è mai stata l'interfaccia: è servire traffico di inferenza irregolare a prezzo fisso, dove ogni decisione architetturale è anche una decisione di margine. Ogni provider è integrato sulla propria API invece di essere appiattito in un gateway comune, così l'ampiezza del catalogo resta intatta. La leva sta prima della chiamata al modello: retrieval, reranking, compressione del contesto e prompt caching hanno tagliato la spesa di inferenza di circa l'80%. Il fair use non blocca nessuno: oltre la soglia la richiesta finisce in una coda più lenta.

10,000
utenti registrati
30+
modelli disponibili
−80%
costo di inferenza, dopo il lavoro sul contesto
Vue.jsNode.jsFirebaseServerlessLLM APIsRAG
Leggi il case study
Schermata della homepage di SeekUp.ai
022025 — 2026

SeekUp.ai

LumaUp sp. z o.o.

Prodotto e ingegneria

Indicagli un creator TikTok che funziona, ti restituisce dieci che funzionano come lui.

SeekUp trasforma la ricerca di influencer in una query. Gli indichi un creator TikTok che già funziona per il tuo brand; una pipeline di agenti in quattro fasi analizza quel riferimento — contenuti, stile, thread di commenti — poi filtra fino a mille candidati e restituisce una decina di match con punteggio in circa cinque minuti. Le fasi sono ordinate per costo: filtri statistici e regole deterministiche girano su tutti, l'analisi multimodale costosa solo su chi sopravvive, così una singola ricerca vale centesimi e non euro. Ogni candidato porta quattro sotto-punteggi e una motivazione scritta, perché la spesa va giustificata a qualcuno.

~5 min
per una shortlist di ~10 creator
up to 1,000
profili passati al setaccio per ricerca
4
stadi della pipeline, ordinati per costo
Vue.jsNode.jsAI agentsLLM APIsEmbeddingsThird-party data APIs
Leggi il case study
Schermata della homepage di SociallyMCP.com
032026

SociallyMCP.com

Ditta individuale

Fondatore · Prodotto e ingegneria

Dati social per la tua AI: basta una chiave API — niente login, niente stack di scraping.

SociallyMCP è un server Model Context Protocol gestito che dà a Claude, ChatGPT, Gemini, Cursor e a qualsiasi client MCP accesso a dati TikTok reali — senza login social, senza cookie di sessione, senza uno stack di scraping da mantenere. La superficie è fatta di oltre 90 tool tipizzati e a scopo ristretto invece di un endpoint tuttofare, perché a un agente riesce molto meglio scegliere il tool giusto da una firma chiara che costruire la query giusta su un'API generica. La sorgente a monte resta dietro un solo adapter, con risposte JSON normalizzate, così i cambiamenti della piattaforma non arrivano mai all'agente del cliente. Il metering sta sullo stesso collo di bottiglia: una chiamata, un credito, con tetti di spesa che bloccano davvero.

90+
tool MCP tipizzati
$0 → $500
piani self-service
0 logins
login social necessari
MCPTypeScriptNode.jsStreamable HTTPBearer authMetering
Leggi il case study
Schermata della homepage di CompraSocial.me
042021 — 2026

CompraSocial.me

LumaUp sp. z o.o.

Fondatore · Sviluppatore · Operatore

300.000 ordini, gestiti da due persone e da parecchia automazione.

CompraSocial è una piattaforma di social media marketing che ha processato oltre 300.000 ordini su undici piattaforme e in quattro lingue, gestita da due persone. WordPress regge contenuti e SEO; le superfici interattive — checkout, dashboard, flussi d'ordine — sono componenti Vue.js custom su una API dedicata. La parte interessante sta sotto: ho ordinato ogni operazione manuale ricorrente in base alle ore che costava ogni settimana e le ho automatizzate in quell'ordine, dai controlli sui profili alla validazione degli ordini, fino a invio, tracciamento della consegna e aggiornamenti di stato. Oggi circa il 90% delle operazioni quotidiane gira senza supervisione, con alert solo sulle eccezioni. Rimborsi e dispute restano in mano a una persona.

300,000+
ordini processati
90%
operazioni automatizzate
11
piattaforme social
WordPressPHPVue.jsMySQLMongoDBCustom theme
Leggi il case study

Cerchi qualcuno che sappia prendersi in carico tutto?

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