migrate from pip to uv for dependency management

- Add pyproject.toml and uv.lock for modern Python packaging
- Update README and Dockerfile to use uv instead of pip

Dockerfile

@@ -1,14 +1,25 @@
-# Per ora abbiamo bisogno solo di python, se nel futuro avremo bisogno di pytorch/cuda possiamo sempre tornare indietro
-#FROM pytorch/pytorch:2.6.0-cuda12.6-cudnn9-devel
-FROM python:3.11-slim
+# Vogliamo usare una versione di linux leggera con già uv installato
+# Infatti scegliamo l'immagine ufficiale di uv che ha già tutto configurato
+# Nel caso in cui si volesse usare un'altra immagine di base che ha magari CUDA
+# bisognerebbe installare uv manualmente come descritto nel README
+#FROM pytorch/pytorch:2.6.0-cuda12.6-cudnn9-devel   # Lo lascio qui nel caso
+FROM ghcr.io/astral-sh/uv:python3.12-alpine
 
-# Copio tutti i dati del progetto nella workdir
-# (dopo aver definito la workdir mi trovo già in essa)
+# Dopo aver definito la workdir mi trovo già in essa
 WORKDIR /app
-COPY src .
-COPY requirements.txt .
-COPY LICENSE .
 
-# Installo le dipendenze
-RUN pip install --no-cache-dir -r requirements.txt
+# Settiamo variabili d'ambiente per usare python del sistema invece che venv
+ENV UV_PROJECT_ENVIRONMENT=/usr/local
+ENV UV_LINK_MODE=copy
+
+# Copiamo prima i file di configurazione delle dipendenze e installiamo le dipendenze
+COPY pyproject.toml ./
+COPY uv.lock ./
+RUN uv sync --frozen --no-cache
+
+# Copiamo i file sorgente dopo aver installato le dipendenze per sfruttare la cache di Docker
+COPY LICENSE .
+COPY src ./src
+
+# Comando di default all'avvio dell'applicazione
 CMD ["python", "src/app.py"]

README.md

@@ -8,38 +8,26 @@ Questa è la repository per l'esame di Applicazioni Intelligenti che consiste in
 L'obiettivo di questo progetto è creare un sistema basato su **LLM Agents** e deve dimostrare la capacità di ragionare, adattarsi a eventi esterni e comunicare in modo intelligente.
 
 # Installazione
-Per l'installazione si può utilizzare un approccio tramite **pip** (manuale) oppure utilizzare un ambiente **Docker** già pronto (automatico)
+Per l'installazione si può utilizzare un approccio tramite **uv** (manuale) oppure utilizzare un ambiente **Docker** già pronto (automatico)
 
-### PIP
-**1. Ambiente**: Per prima cosa si deve creare un nuovo environment Python:
+### UV
+**1. Installazione uv**: Per prima cosa installa uv se non è già presente sul sistema:
 ```sh
-python -m venv .venv
+# Windows (PowerShell)
+powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
+
+# macOS/Linux
+curl -LsSf https://astral.sh/uv/install.sh | sh
 ```
 
-**2. Attivare l'ambiente**: dobbiamo usare uno dei seguenti comandi, in base al fatto che siamo su Windows o Unix.
-
-*Nota*: nel caso Windows non faccia partire lo script per policy interne di sicurezza, bisogna far eseguire questo comando prima di attivare l'ambiente virtuale creato:\
-``` Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser ```
-
+**2. Ambiente e dipendenze**: uv installerà python e creerà automaticamente l'ambiente virtuale con le dipendenze corrette:
 ```sh
-# Unix
-source .venv/bin/activate
-
-# Windows
-.venv/Scripts/activate
-
-# Windows (PS)
-.venv/Scripts/Activate.ps1
+uv sync --frozen --no-cache
 ```
 
-**3. Dipendenze**: Infine installiamo le dipendenze nell'ambiente appena creato:
+**3. Run**: Successivamente si può far partire il progetto tramite il comando:
 ```sh
-python -m pip install -r requirements.txt
-```
-
-**4. Run**: Successivamente si può far partire il progetto tramite il comando:
-```sh
-python src/app.py
+uv run python src/app.py
 ```
 
 ### Docker

pyproject.toml

@@ -0,0 +1,36 @@
+[project]
+name = "upo-app-ai"
+version = "0.1.0"
+description = "Agente di Pianificazione Viaggi Intelligente"
+requires-python = "==3.12.*"
+
+# Qui ho messo alcune librerie utili utilizzate durante il corso.
+# Se si nota che alcune non sono necessarie, si potrebbero rimuovere
+# in modo da evitare conflitti o problemi futuri.
+# Per ogni roba ho fatto un commento per evitare di dimenticarmi cosa fa chi.
+# Inoltre ho messo una emoji per indicare se è raccomandato o meno.
+dependencies = [
+    # ✅ per gestire variabili d'ambiente (generalmente API keys o opzioni)
+    "dotenv",
+
+    # 🟡 per fare richieste HTTP
+    "requests",
+    # 🟡 per fare scraping di pagine web
+    "bs4",
+
+    # ✅ per fare una UI web semplice con input e output
+    "gradio",
+
+    # 🟡 per fare in modo di ottenere dati validati e strutturati
+    "pydantic",
+
+    # ❌ per l'elaborazione del linguaggio naturale in locale (https://huggingface.co/learn/llm-course/chapter1/3?fw=pt)
+    "transformers",
+    # ❌ per interagire con l'API di OpenAI e di altri (basta cambiare il baseurl)
+    "openai",
+    # ❌ per fare chiamate a modelli indipendentemente dal modello specifico (astrae meglio rispetto a openai)
+    "langchain",
+    # ✅ per costruire agenti (ovvero modelli che possono fare più cose tramite tool) https://github.com/agno-agi/agno
+    # altamente consigliata dato che ha anche tools integrati per fare scraping, calcoli e molto altro
+    "agno",
+]

requirements.txt

@@ -1,29 +0,0 @@
-# Qui ho messo alcune librerie utili utilizzate durante il corso.
-# Se si nota che alcune non sono necessarie, si potrebbero rimuovere
-# in modo da evitare conflitti o problemi futuri.
-# Per ogni roba ho fatto un commento per evitare di dimenticarmi cosa fa chi.
-# Inoltre ho messo una emoji per indicare se è raccomandato o meno.
-
-# ✅ per gestire variabili d'ambiente (generalmente API keys o opzioni)
-dotenv
-
-# 🟡 per fare richieste HTTP
-requests
-# 🟡 per fare scraping di pagine web
-bs4
-
-# ✅ per fare una UI web semplice con input e output
-gradio
-
-# 🟡 per fare in modo di ottenere dati validati e strutturati
-pydantic
-
-# ❌ per l'elaborazione del linguaggio naturale in locale (https://huggingface.co/learn/llm-course/chapter1/3?fw=pt)
-transformers
-# ❌ per interagire con l'API di OpenAI e di altri (basta cambiare il baseurl)
-openai
-# ❌ per fare chiamate a modelli indipendentemente dal modello specifico (astrae meglio rispetto a openai)
-langchain
-# ✅ per costruire agenti (ovvero modelli che possono fare più cose tramite tool) https://github.com/agno-agi/agno
-# altamente consigliata dato che ha anche tools integrati per fare scraping, calcoli e molto altro
-agno