Quale problema risolve la RAG?
La RAG risolve il problema di un modello di IA che non conosce i documenti della tua organizzazione o dispone solo di informazioni non aggiornate sul mondo. Invece di riaddestrare il modello, gli fornisci i passaggi giusti nel momento in cui risponde.
Immagina un operatore turistico fittizio con 50 persone, Tidewater Travel. Il team prenotazioni continua a fare le stesse domande su un manuale di condizioni e procedure di 90 pagine. Un responsabile del team, Leon, ha provato un chatbot generico: 'Un cliente può cambiare il nome del passeggero principale 10 giorni prima della partenza? È previsto un costo?' Il chatbot ha dato una risposta sicura ma generica sulle regole delle compagnie aeree e su un costo che Tidewater non applica. La risposta corretta si trova nella sezione 4.2 del manuale, che il chatbot non ha mai visto.
Come funziona la generazione aumentata dal recupero di informazioni?
La generazione aumentata dal recupero delle informazioni funziona in tre fasi: recupera i passaggi più pertinenti alla domanda, li aggiunge al prompt e lascia che il modello generi una risposta a partire da essi. Il glossario di Anthropic descrive lo stesso concetto: le informazioni pertinenti vengono recuperate da una base di conoscenza al momento della richiesta e trasmesse al modello insieme alla domanda originale.
Il termine deriva da un articolo di ricerca del 2020 di Patrick Lewis e colleghi, che combinava un modello linguistico con un indice di documenti consultabile e rilevava risposte più specifiche e aderenti ai fatti rispetto al solo modello.
1. Prepara i documenti
Il manuale viene suddiviso in blocchi, ciascuno composto per esempio da una sezione o da pochi paragrafi, in modo che una ricerca possa restituire un passaggio mirato anziché l'intero libro.
2. Indicizzali in base al significato
Ogni segmento viene trasformato in un embedding, un elenco di numeri che ne rappresenta il significato, e memorizzato in una banca dati vettoriale. AWS descrive questo passaggio come la conversione dei dati in rappresentazioni numeriche per poterli abbinare alle domande.
3. Recupera
La domanda viene convertita nello stesso modo e confrontata con l'indice per trovare i frammenti più simili. Molti sistemi affiancano a questo metodo anche una normale ricerca per parole chiave.
4. Arricchisci il prompt
I passaggi più pertinenti vengono inseriti nel prompt con un'istruzione come 'rispondi solo sulla base di questi passaggi e cita la sezione'.
5. Genera
Il modello scrive la risposta a partire dal testo fornito, idealmente riportando o citando i passaggi utilizzati.
Come si presenta una risposta con e senza RAG?
Senza RAG: 'La maggior parte delle aziende di viaggi consente di cambiare il nome pagando una commissione di circa 50–100 a persona, in base alle condizioni della compagnia aerea.' Sembra utile, ma non è la politica di Tidewater e nessuno può verificarne la provenienza.
Con RAG: il sistema recupera le sezioni 4.2 e 4.5 del manuale e il modello risponde: 'Sì. La sezione 4.2 consente di cambiare gratuitamente il nome del passeggero principale fino a 7 giorni prima della partenza. La sezione 4.5 precisa che i pacchetti comprensivi di volo possono prevedere una commissione di modifica applicata dalla compagnia aerea, indicata nel sistema di prenotazione. Fonte: sezioni 4.2 e 4.5 del manuale.' Leon può aprire entrambe le sezioni e verificare la risposta in pochi secondi. Se il manuale cambia, la risposta cambia non appena viene indicizzata la nuova versione.
Quando usare la RAG e quando no?
Usa RAG quando le risposte devono provenire da un insieme specifico di documenti in continua evoluzione e le persone devono poter vedere la fonte. È adatto a manuali delle politiche aziendali, documentazione di prodotto, basi di conoscenza per l'assistenza e archivi di contratti. Il glossario di Anthropic osserva che è particolarmente utile per informazioni aggiornate, conoscenze specialistiche e citazioni esplicite delle fonti.
La RAG non è la soluzione quando i documenti sono abbastanza brevi da poter essere incollati direttamente nel prompt, quando l'attività riguarda lo stile o il formato anziché i fatti, o quando i documenti di origine sono essi stessi inaffidabili. Inoltre, non sostituisce le autorizzazioni: se un passaggio viene recuperato, il modello può ripeterlo, quindi i controlli di accesso devono essere applicati prima del recupero.
Quali problemi possono verificarsi nella generazione aumentata dal recupero di informazioni?
Di solito la RAG sbaglia nella fase di recupero, non in quella di generazione: se viene trovato il passaggio sbagliato, il modello lo usa per scrivere una risposta dal tono sicuro. Anthropic osserva che l'efficacia della RAG dipende dalla qualità e dalla pertinenza della base di conoscenza e dei contenuti recuperati.
Frammento errato o parziale
Il passaggio con l'eccezione si trova in un frammento diverso da quello della regola, quindi la risposta non ne tiene conto.
Versioni obsolete o duplicate
Il manuale dell'anno scorso è ancora indicizzato insieme a quello di quest'anno e viene recuperato quello vecchio.
Il modello si discosta dal testo
Il modello mescola il testo recuperato con le proprie conoscenze generali. Le istruzioni di rispondere solo in base alle fonti e le citazioni visibili rendono più facile accorgersene.
Non esiste una risposta valida
Il sistema dovrebbe dichiarare che i documenti non trattano la domanda, anziché tirare a indovinare.
Dove si colloca la RAG nel catalogo di Tosheo.ai?
Generazione aumentata dal recupero di informazioni fa parte della categoria Sviluppo di applicazioni IA, nel corso per creare applicazioni IA. Questa lezione presenta i concetti a chiunque lavori con assistenti IA basati sui documenti aziendali. Il percorso di programmazione, disponibile dopo l'iscrizione, permette di costruire una piccola applicazione RAG attraverso attività pratiche: dalla suddivisione dei documenti e dalla creazione di rappresentazioni vettoriali al recupero delle informazioni e alle risposte con citazioni, con riscontri basati sulla griglia di valutazione a ogni passaggio.
Fonti e ambito
Documentazione di Anthropic Claude, funzionalità delle citazioni (verificata il 19 ottobre 2026) ↗