Refactor model handling and agent construction; remove deprecated example script

Dockerfile

@@ -1,8 +1,5 @@
 # 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 ghcr.io/astral-sh/uv:python3.12-alpine
 
 # Dopo aver definito la workdir mi trovo già in essa
@@ -22,4 +19,4 @@ COPY LICENSE .
 COPY src ./src
 
 # Comando di default all'avvio dell'applicazione
-CMD ["python", "src/example.py"]
+CMD ["python", "src/app.py"]

README.md

@@ -12,7 +12,7 @@ Per l'installazione si può utilizzare un approccio tramite **uv** (manuale) opp
 
 Prima di avviare l'applicazione è però necessario configurare correttamente le API keys e installare Ollama per l'utilizzo dei modelli locali, altrimenti il progetto, anche se installato correttamente, non riuscirà a partire.
 
-## API Keys
+### API Keys
 Le API Keys puoi ottenerle tramite i seguenti servizi:
 - **Google AI**: [Google AI Studio](https://makersuite.google.com/app/apikey) (gratuito con limiti)
 - **Anthropic**: [Anthropic Console](https://console.anthropic.com/)
@@ -21,14 +21,11 @@ Le API Keys puoi ottenerle tramite i seguenti servizi:
 
 Nota che alcune API sono gratuite con limiti di utilizzo, altre sono a pagamento. Google offre attualmente l'accesso gratuito con limiti ragionevoli.
 
-## Ollama (Modelli Locali)
+### Ollama (Modelli Locali)
 Per utilizzare modelli AI localmente, è necessario installare Ollama:
 
 **1. Installazione Ollama**:
-- **Linux**: 
-  ```sh
-  curl -fsSL https://ollama.com/install.sh | sh
-  ```
+- **Linux**: `curl -fsSL https://ollama.com/install.sh | sh`
 - **macOS/Windows**: Scarica l'installer da [https://ollama.com/download/windows](https://ollama.com/download/windows)
 
 **2. GPU Support (Raccomandato)**:
@@ -37,10 +34,7 @@ Per utilizzare la GPU con Ollama, assicurati di avere NVIDIA CUDA Toolkit instal
 - **Documentazione WSL**: [CUDA WSL User Guide](https://docs.nvidia.com/cuda/wsl-user-guide/index.html)
 
 **3. Installazione Modelli**:
-Esempio per installare un modello locale:
-```sh
-ollama pull gemma3:4b
-```
+Esempio per installare un modello locale: `ollama pull gpt-oss`
 
 ### Variabili d'Ambiente
 

pyproject.toml

@@ -19,15 +19,11 @@ dependencies = [
     # ✅ per fare una UI web semplice con input e output
     "gradio",
 
-    # ❌ per l'elaborazione del linguaggio naturale in locale (https://huggingface.co/learn/llm-course/chapter1/3?fw=pt)
-    #"transformers",
-    # ❌ 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
     # oltre a questa è necessario installare anche le librerie specifiche per i modelli che si vogliono usare
     "agno",
+    # ✅ Modelli supportati e installati (aggiungere qui sotto quelli che si vogliono usare)
     "google-genai",
-    # ☑️ per usare modelli in locale
     "ollama",
 ]

src/app.py

@@ -1,8 +1,63 @@
-import agno
-import gradio
-import dotenv
-import requests
+from dotenv import load_dotenv
+from enum import Enum
+
+from agno.agent import Agent
+from agno.models.base import BaseModel
+from agno.models.google import Gemini
+from agno.models.ollama import Ollama
+from agno.tools.reasoning import ReasoningTools
+
+class Model(Enum):
+    """
+    Enum per i modelli supportati.
+    Aggiungere nuovi modelli qui se necessario.
+    Per quanto riguarda Ollama, i modelli dovrano essere scaricati e installati
+    localmente seguendo le istruzioni di https://ollama.com/docs/guide/install-models
+    """
+    GEMINI = "gemini-2.0-flash" # API online
+    OLLAMA = "llama3.1" # little and fast (7b) but not so good
+    OLLAMA_GPT = "gpt-oss" # a bit big (13b) but very good (almost like gemini API)
+    OLLAMA_GEMMA = "gemma3:4b" # no tool support
+    OLLAMA_DEEP = "deepseek-r1:8b" # no tool support
+    OLLAMA_QWEN = "qwen3:8b" # good
+
+def get_model(model: Model, instructions:str = None) -> BaseModel:
+    """
+    Restituisce un'istanza del modello specificato.
+    """
+    name = model.value
+
+    if model in {Model.GEMINI}:
+        return Gemini(name, instructions=instructions)
+    elif model in {Model.OLLAMA, Model.OLLAMA_GPT, Model.OLLAMA_GEMMA, Model.OLLAMA_DEEP, Model.OLLAMA_QWEN}:
+        return Ollama(name, instructions=instructions)
+
+    raise ValueError(f"Modello non supportato: {model}")
+
+def build_agent(model:Model, instructions: str) -> Agent:
+    """
+    Costruisce un agente con il modello e le istruzioni specificate.
+    """
+    return Agent(
+        model=get_model(model, instructions=instructions),
+        tools=[ReasoningTools()],
+        instructions=instructions,
+        markdown=True,
+    )
+
+
 
 if __name__ == "__main__":
-    print("Hello World!")
+    # da fare assolutamente prima di usare tutto perchè carica le variabili d'ambiente
+    # come le API key nel nostro caso
+    load_dotenv() 
+
+    prompt = "Scrivi una poesia su un gatto."
+    instructions = "Rispondi in italiano e molto brevemente. Usa tabelle per visualizzare i dati."
+
+    gemini = build_agent(Model.GEMINI, instructions=instructions).run(prompt)
+    print(f"Risposta Gemini:\n{gemini.content}\n==============================")
+
+    ollama = build_agent(Model.OLLAMA_GPT, instructions=instructions).run(prompt)
+    print(f"\nRisposta Ollama GPT:\n{ollama.content}\n==============================")
 

src/example.py

@@ -1,28 +0,0 @@
-from agno.agent import Agent
-from agno.models.google import Gemini
-from agno.tools.reasoning import ReasoningTools
-from dotenv import load_dotenv
-import ollama
-from ollama_demo import generate_text
-
-def run_gemini_poem():
-    load_dotenv()
-    reasoning_agent = Agent(
-        model=Gemini(),
-        tools=[ReasoningTools()],
-        instructions="Use tables to display data.",
-        markdown=True,
-    )
-    result = reasoning_agent.run("Scrivi una poesia su un gatto. Sii breve.")
-    print(result.content)
-
-def run_ollama_codegemma_poem():
-    prompt = "Scrivi una poesia su un gatto. Sii breve."
-    response = generate_text(model="gpt-oss:latest", prompt=prompt)
-    print(response)
-
-if __name__ == "__main__":
-    print("Risposta Gemini:")
-    run_gemini_poem()
-    print("\nRisposta Ollama GPT-OSS:")
-    run_ollama_codegemma_poem()