Last chance! 50% off DataCamp Premium
Sale ends in
Qwen3-Coder è un avanzato modello agentico per il codice progettato per dare più potere agli sviluppatori con funzionalità migliorate per generazione e automazione del codice. È disponibile in più dimensioni, con la versione di punta denominata Qwen3-Coder-480B-A35B-Instruct.
Questo modello Mixture-of-Experts da 480 miliardi di parametri presenta 35 miliardi di parametri attivi e stabilisce un nuovo standard per i modelli open-source dedicati al codice. Offre prestazioni all’avanguardia in Agentic Coding, uso agentico del browser e attività di coding di base, con risultati paragonabili a modelli leader come Claude Sonnet.
In questo tutorial impareremo come eseguire Qwen3-Coder in locale, usarlo con le applicazioni di chat Msty, integrarlo con VSCode Copilot, configurare l’estensione Kilo Code per workflow agentici avanzati e, infine, usare il framework Python per integrarlo in un’applicazione locale.
Puoi consultare anche le nostre guide dedicate a Qwen3 e alla Qwen Code CLI per saperne di più.
1. Installare Ollama
Negli ultimi mesi Ollama ha fatto grandi passi avanti, offrendo ora un’app di chat intuitiva, simile a ChatGPT. Con la nuova app puoi scaricare ed eseguire facilmente modelli di AI direttamente dall’interfaccia grafica, rendendo l’AI locale più accessibile che mai.
Fonte: La nuova app di Ollama
Per Windows e macOS: visita la pagina di download e scarica l’installer per il tuo sistema operativo. L’installazione è semplice: segui le istruzioni a schermo per iniziare.
Fonte: Download Ollama
Per Linux: apri il terminale ed esegui il seguente comando. Scaricherà e installerà automaticamente Ollama sul tuo sistema.
curl -fsSL https://ollama.com/install.sh | sh Se vedi un messaggio che indica che la GPU non è stata rilevata, dovrai installare un paio di utility di sistema:
sudo apt update
sudo apt install -y pciutils lshwPer il supporto a GPU NVIDIA, installa il driver e il toolkit CUDA:
sudo apt install -y nvidia-driver-525 nvidia-cuda-toolkitUna volta installato, puoi avviare l’app Ollama e iniziare a scaricare modelli o chattare direttamente dall’interfaccia. Questo rende facile sperimentare con modelli di AI locali, che tu sia su Windows, macOS o Linux.
2. Eseguire Qwen3-Coder
Per iniziare con Qwen3-Coder, vai alla scheda Models sul sito Ollama e cerca “qwen3-coder”.
Fonte: qwen3-coder
Una volta trovato, copia il comando di installazione ed eseguilo nel terminale per scaricare ed eseguire il modello:
ollama run qwen3-coderA seconda della velocità della tua connessione, il download potrebbe richiedere alcuni minuti. Al termine, il modello sarà pronto all’uso direttamente dal terminale.
Puoi iniziare a chattare o chiedergli subito di aiutarti a creare un’app.
Sebbene Ollama includa ora un’app di chat integrata, puoi sbloccarne ancora di più il potenziale integrando Qwen3-Coder con strumenti e applicazioni avanzati.
Per farlo, devi esporre il modello come endpoint API:
ollama serveQuesto comando avvia un server compatibile con OpenAI su http://localhost:11434/, rendendo semplice collegare Qwen3-Coder ai tuoi strumenti e workflow di sviluppo preferiti.
3. Integrare Qwen3-Coder con l’app Msty
Msty è la mia app di riferimento per testare modelli linguistici locali e proprietari. Ha un sacco di funzionalità utili, che la rendono perfetta da integrare con il server Ollama. Visita il sito ufficiale di Msty e installa l’app per la tua piattaforma.
Poi,
- Apri l’app e vai al menu Settings.
- Vai alla scheda Remote Model Providers.
- Aggiungi un nuovo provider, seleziona Ollama Remote come tipo, e inserisci un nome e l’endpoint del servizio (di solito http://localhost:11434/).
- Clicca sul pulsante Fetch Models, seleziona qwen3-coder:latest dall’elenco e premi Add.
- Vai al menu chat, seleziona il modello Qwen3-Coder e chiedigli di costruire qualsiasi cosa.
Questa integrazione è semplice e versatile. Eseguendo Ollama serve puoi collegare i modelli Ollama a più app e strumenti, sbloccando possibilità ancora più creative.
4. Usare Qwen3-Coder in Copilot
Come sai, Qwen3-Coder è progettato specificamente per il coding e i workflow agentici. Se non lo integriamo nel nostro editor di codice, ne sprechiamo il potenziale.
Ora integreremo Qwen3-Coder in GitHub Copilot in VS Code. La nuova installazione di VS Code include già l’estensione Copilot. Ti basta cliccare sul menu di selezione del modello in basso, poi selezionare il link “Manage Models” e scegliere Ollama come provider del modello. Vedrai così i modelli disponibili. Seleziona semplicemente il modello Qwen3-Coder e inizia a usare la chat di GitHub Copilot come fai di solito.
Gli abbiamo chiesto di creare uno script che convertisse HTML in Markdown e ci sono voluti solo 10 secondi per generare la risposta completa.
È veloce, locale e facile da usare.
5. Configurare Qwen3-Coder con Kilo Code
L’estensione VSCode Kilo-Org/kilocode sta guadagnando popolarità come uno dei migliori assistenti di coding AI open source per pianificare, creare e correggere codice.
Per integrare il nostro modello Qwen3-Coder in esecuzione locale, prima installa le estensioni necessarie e poi vai nelle impostazioni. Cambia il provider API in Ollama e il modello verrà rilevato automaticamente dall’URL predefinito.
Dopodiché, torna alla chat e chiedi all’AI di costruire un semplice server AI. Prima esaminerà tutti i file del progetto e poi ti proporrà la soluzione migliore per la tua richiesta.
6. Usare Qwen3-Coder con l’SDK Python di Ollama
Integrare Qwen3-Coder nelle tue applicazioni Python è semplice con il pacchetto Python ollama/ollama-python. Questo ti consente di eseguire potenti modelli di AI in locale e integrarli direttamente nei tuoi workflow
Per iniziare, installa semplicemente il pacchetto Ollama:
pip install ollamaEcco un esempio minimale di come usare Qwen3-Coder nel tuo codice Python, in modo simile a una chiamata all’API di OpenAI:
from ollama import chat
def main():
# Define a system + user prompt
messages = [
{"role": "system", "content": "You are a helpful coding assistant."},
{
"role": "user",
"content": (
"Please write a Python function `quicksort(arr)` "
"that takes a list of integers and returns it sorted."
),
},
]
# Stream the response from Qwen3-Coder
stream = chat(
model="Qwen3-Coder",
messages=messages,
stream=True
)
# Print chunks as they arrive
for chunk in stream:
# chunk is a dict-like with ['message']['content']
print(chunk["message"]["content"], end="", flush=True)
# Finish with a newline
print()
if __name__ == "__main__":
main()La risposta inizia a essere trasmessa quasi all’istante. La soluzione di quicksort qui sotto ha richiesto solo 15 secondi per essere generata:
Here's a Python implementation of the quicksort algorithm:
```python
def quicksort(arr):
"""
Sorts a list of integers using the quicksort algorithm.
Args:
arr: List of integers to be sorted
Returns:
A new list containing the sorted integers
"""
# Base case: arrays with 0 or 1 element are already sorted
if len(arr) <= 1:
return arr
# Choose pivot (using the middle element)
pivot = arr[len(arr) // 2]
# Partition the array into three parts
left = [x for x in arr if x < pivot] # Elements less than pivot
middle = [x for x in arr if x == pivot] # Elements equal to pivot
right = [x for x in arr if x > pivot] # Elements greater than pivot
# Recursively sort left and right parts, then combine
return quicksort(left) + middle + quicksort(right)
# Example usage:
if __name__ == "__main__":
# Test cases
print(quicksort([64, 34, 25, 12, 22, 11, 90])) # [11, 12, 22, 25, 34, 64, 90]
print(quicksort([5, 2, 8, 1, 9])) # [1, 2, 5, 8, 9]
print(quicksort([1])) # [1]
print(quicksort([])) # []
print(quicksort([3, 3, 3, 3])) # [3, 3, 3, 3]
```Considerazioni finali
Questa guida evidenzia quanto l’AI locale sia diventata accessibile. Oggi puoi eseguire modelli open-source su un vecchio laptop e integrarli nei tuoi editor di codice, nelle app di chat o persino creare app di AI locali personalizzate usando l’SDK Python di Ollama.
Ci sono anche altre opzioni, come usare la Qwen Code CLI (trattata nella nostra guida separata: Qwen Code CLI: A Guide With Examples | DataCamp), oppure esporre i modelli su un server locale e accedervi via SSH da più computer. Le possibilità stanno crescendo rapidamente, rendendo l’AI locale più pratica e versatile che mai.
