Tech Radar: una pipeline GenAI che lavora per me due volte a settimana

La pagina /radar di questo sito pubblica card brevi su novità cloud, AWS e AI. Le card non le scrivo da zero: le propone una pipeline che gira da sola due volte a settimana. Io le approvo, le scarto o ci aggiungo una nota personale. È il primo dei due progetti GenAI di questo sito (l’altro è il chatbot RAG), e in questo post spiego come è fatto.

L’idea: umano nel loop, sempre

Il requisito non negoziabile era che niente si pubblicasse da solo. Un LLM che scrive direttamente sul mio sito è un rischio reputazionale; un LLM che apre una Pull Request è un collaboratore che prepara bozze. La differenza è tutta lì: il merge — cioè la pubblicazione — è sempre una decisione mia.

Come funziona

1. Cron su GitHub Actions — lunedì e giovedì alle 6:00 UTC parte un workflow che esegue un singolo script Node.
2. Fonti gratuite — lo script pesca i candidati da AWS What’s New (RSS), Hacker News (API Algolia), GitHub Search (repository nuovi in forte crescita), più TechCrunch e The Verge per le notizie di tendenza leggibili da tutti. Nessuna API key necessaria per le fonti.
3. Dedup — i candidati già pubblicati vengono scartati confrontando gli URL normalizzati con le card esistenti nel repository.
4. Selezione e sintesi con Gemini — il modello riceve la lista numerata dei candidati e sceglie le 2-3 novità più interessanti per un pubblico di sviluppatori cloud/AI, scrivendo titolo, sintesi e tag in italiano. L’output è JSON con schema vincolato.
5. Pull Request — lo script scrive i file Markdown delle card e il workflow apre una PR. In review posso modificare la sintesi, aggiungere la mia nota (il corpo del file) o eliminare la card.
6. Merge = deploy — al merge, Vercel pubblica automaticamente.

Le scelte anti-allucinazione

La parte più delicata di qualsiasi pipeline con un LLM è impedirgli di inventare. Qui le regole sono strutturali, non affidate alla buona volontà del modello:

• il modello sceglie da una lista numerata: non può proporre una notizia che non esiste;
• URL e fonte non passano mai dal modello: restano quelli originali del feed;
• la sintesi deve basarsi solo su titolo e contesto forniti, e il formato è forzato da un responseSchema JSON;
• e comunque, alla fine, c’è la review umana della PR.

Zero dipendenze, zero costi

Lo script usa solo la fetch nativa di Node — niente npm install nel workflow, niente supply chain da mantenere per un cron. GitHub Actions è gratuito sui repository pubblici e Gemini lavora nel free tier (pochi item a settimana). Costo totale: zero.

Cosa mi ha insegnato

Che il pattern «LLM + struttura rigida + umano nel loop» è quello giusto per automatizzare la cura dei contenuti: il modello fa il lavoro noioso (leggere decine di feed, sintetizzare), la struttura gli impedisce di sbagliare in modo pericoloso, e la decisione finale resta a chi ci mette la faccia. Il codice è pubblico su GitHub, pipeline compresa.