Che Cos’è La RAG (Retrieval-Augmented Generation)? Una Guida In Parole Semplici

La generazione aumentata dal recupero, o RAG, permette a un sistema di IA di cercare materiale pertinente prima di generare una risposta. Invece di chiedere a un chatbot di ricordare il manuale del tuo prodotto, gli fornisci passaggi del manuale su cui lavorare. Pensa a un esame a libro aperto, con uno studente il cui lavoro va comunque controllato.

La RAG può rendere le risposte più utili e facili da esaminare. Non le rende automaticamente corrette, aggiornate o riservate. Ecco come si incastrano i pezzi, senza richiedere un dottorato o un armadio pieno di acronimi costosi.

Che cos’è la RAG?

Un sistema RAG combina una fase di recupero delle informazioni con una di generazione. Trova informazioni pertinenti a una domanda, poi le fornisce a un modello linguistico come contesto per la risposta. I documenti restano una fonte esterna; recuperarli non riaddestra di per sé il modello.

Lo studio del 2020 di Patrick Lewis e colleghi ha introdotto un’influente formulazione della RAG che combinava un modello linguistico con una memoria esterna ricercabile. Oggi il termine viene usato anche più ampiamente per applicazioni che recuperano materiale e lo includono nell’input di un modello.

Immagina di chiedere se un ipotetico trasportino per gatti sia adatto ai viaggi in aereo. Una risposta generica sui trasportini non basta. Vuoi le dimensioni pertinenti del prodotto e i requisiti della specifica compagnia aerea, con le relative date. La RAG è un modo per portare quei documenti nella risposta, anziché sperare che il modello ricordi la combinazione giusta.

Perché usarla?

I documenti esterni possono fornire dettagli assenti dall’addestramento di un modello, inclusi materiali appena pubblicati e informazioni specifiche di un’organizzazione. Possono anche lasciare una traccia fino alle fonti. È utile quando vuoi chiedere: «Da dove viene questa risposta?».

Ma recuperare non significa verificare. Un manuale obsoleto può essere recuperato alla perfezione. Una risposta può citare il manuale giusto interpretandone male una tabella. Per il nostro trasportino immaginario, trovare le regole del trasporto merci della compagnia non risponderebbe necessariamente a una domanda sul portarlo in cabina.

L’obiettivo è un sistema il cui ragionamento possa essere confrontato con prove appropriate. Un paragrafo sicuro di sé con una nota decorativa resta soltanto un paragrafo sicuro di sé.

Come funziona

Una configurazione tipica basata su documenti ha due fasi: preparare il materiale per la ricerca e rispondere alle domande. La preparazione va ripetuta quando i documenti cambiano; non è una cerimonia unica seguita da freschezza eterna.

Prima si estrae testo leggibile, si conservano le informazioni sulla fonte e si dividono i documenti lunghi in passaggi utili, spesso chiamati chunk. Un modello di embedding può rappresentare un passaggio come vettore numerico, permettendo a un sistema di ricerca di confrontare significati correlati. Può contribuire anche la ricerca per parole chiave, soprattutto per nomi e identificatori esatti.

Poi si recuperano i candidati per la domanda, si selezionano passaggi utili e li si dà al generatore. Alcuni sistemi aggiungono un reranker per riordinare i candidati prima della generazione. La spiegazione di Anthropic del 2024 sul recupero contestuale descrive la combinazione di ricerca semantica e per parole chiave, e la conservazione del contesto intorno a frammenti altrimenti ambigui.

Nell’esempio del trasportino, conta mantenere l’intestazione di una tabella collegata alle misure. Un numero estratto alla perfezione, senza indicazione che significhi altezza, larghezza o peso, è un modo insolitamente efficiente di creare una risposta sbagliata.

I componenti principali

Preparazione delle fonti: estrarre i contenuti e conservare confini significativi, date e identità dei documenti.
Ricerca: trovare passaggi pertinenti alla domanda con metodi adatti alla raccolta.
Selezione del contesto: eliminare materiale irrilevante o duplicato e conservare prove sufficienti per rispondere.
Generazione e presentazione: produrre la risposta e mostrare le fonti che la sostengono.

Un database vettoriale è un possibile componente del livello di ricerca, non la definizione della RAG. Una piccola raccolta può funzionare con una ricerca più semplice. Viceversa, un grande archivio vettoriale non ripara documenti che erano incompleti prima di arrivarci.

RAG e fine-tuning

Il fine-tuning cambia i parametri del modello attraverso ulteriore addestramento. La RAG fornisce informazioni esterne durante la risposta. Rispondono a esigenze diverse e possono essere combinati. Lo studio del 2024 su RAG, fine-tuning e un caso agricolo esamina questi compromessi, anziché trattare una tecnica come sostituto universale dell’altra.

Per un manuale che cambia spesso, comincia verificando se il recupero fornisca i fatti mancanti. Se il modello gestisce ripetutamente male un compito specialistico anche con buone prove, può valere la pena esplorare prompt migliori, esempi di addestramento o fine-tuning. Misura il problema effettivo prima di scegliere la cura.

Il fine-tuning non garantisce un ricordo fedele e la RAG non è necessariamente più economica. Un sistema interrogato spesso e con contesti lunghi ha costi di inferenza continui. L’addestramento ha i suoi costi di preparazione dei dati, valutazione e calcolo. Confronta un carico di lavoro definito, non due etichette di marketing.

Usi possibili

Fra gli esperimenti utili ci sono un assistente per un centro assistenza, uno strumento di ricerca per un manuale interno o un modo di interrogare i propri appunti. Parti da una domanda specifica a cui la raccolta possa davvero rispondere. «Quali passaggi resettano questo modello?» è più facile da valutare di «Comprendi tutto ciò che sa la nostra azienda».

Per ogni uso, identifica chi mantiene le fonti e chi può leggerle. Una risposta di assistenza non dovrebbe mescolare silenziosamente documentazione pubblica e ticket privati di un altro cliente. Anche un quaderno personale può contenere materiale che non vuoi inviare a un servizio esterno.

Problemi comuni

Confondere accesso e autorizzazione

La RAG non tiene automaticamente i dati sul tuo computer. Servizi di embedding ospitati possono ricevere testo durante l’indicizzazione, e un generatore ospitato riceve il contesto incluso nella richiesta. Archiviazione, conservazione, log ed eventuale uso per addestramento dipendono dai servizi e dalle impostazioni coinvolti.

Le indicazioni di AWS sull’autorizzazione ai dati sottolineano che l’accesso va controllato prima di passare materiale a un modello. Non recuperare un documento confidenziale per poi affidarti a un prompt che chieda al modello di tenerlo segreto. Applica i permessi nell’applicazione e nel sistema di recupero.

Recuperare istruzioni travestite da informazioni

Un documento può contenere testo che tenta di deviare l’assistente. La ricerca del 2023 sulla prompt injection indiretta mostra perché non si possa presumere innocuo un contenuto recuperato solo perché arriva da una ricerca. Tratta il testo delle fonti come dati, limita i permessi degli strumenti e verifica esempi ostili. Dire al modello di ignorare istruzioni malevole non è un confine di sicurezza completo.

Presumere che più contesto sia sempre meglio

Lost in the Middle ha riscontrato che la posizione delle informazioni pertinenti influenzava i risultati nei modelli e nei compiti studiati. È un motivo per valutare la selezione del contesto, non la prova che ogni modello ignori ogni passaggio centrale.

Prova domande che richiedano di combinare due sezioni, notare un’eccezione o dirimere un conflitto fra una versione vecchia e una nuova. Sono più rivelatrici che chiedere ripetutamente la frase che per caso è la prima del documento.

Un primo esperimento pratico

Comincerei con una piccola raccolta di documenti non sensibili e domande di cui puoi controllare manualmente le risposte. Includi domande senza risposta nella raccolta. Altrimenti non verifichi mai se l’assistente sappia quando smettere di improvvisare.

Per ogni risposta, controlla separatamente tre cose: la ricerca ha trovato le prove necessarie, la risposta le ha usate fedelmente e ha affrontato la domanda? Lo studio sulla valutazione Ragas descrive questo tipo di esame multidimensionale. I punteggi automatici possono aiutare a confrontare versioni, ma non dovrebbero sostituire l’analisi diretta degli errori.

Per il trasportino immaginario, prova una dimensione mancante, una scheda prodotto superata e una regola della compagnia che escluda esplicitamente la rotta della domanda. Controlla anche che un documento riservato resti inaccessibile. Mantieni le stesse domande mentre cambi una parte del sistema, così i miglioramenti non saranno solo impressioni. La nostra discussione sui benchmark di programmazione con l’IA (in inglese) considera un altro contesto in cui il test scelto conta per la conclusione.

Registra abbastanza da indagare gli errori senza trasformare i log in una seconda copia incontrollata dei documenti privati. Aggiungi un processo per aggiornamenti e cancellazioni. Il lavoro per la produzione è spesso meno affascinante della demo: qualcuno deve assicurarsi che le regole dell’anno scorso smettano di vincere la ricerca.

Domande frequenti

La RAG richiede la ricerca semantica?

No. Il recupero può usare parole chiave o altri metodi adatti. La ricerca semantica è un’opzione utile; ciò che rende RAG l’intero schema è la generazione basata sul materiale recuperato.

Quanto costerà?

Stima elaborazione dei documenti, indicizzazione, archiviazione, recupero, input e output del modello e manutenzione. Moltiplica i costi misurati per domanda per il volume previsto. Per esempio, una domanda da un centesimo di dollaro ripetuta 10.000 volte al giorno costa circa 3.000 dollari in 30 giorni, prima delle altre spese. È aritmetica, non un prezzo quotato da un fornitore.

Una citazione dimostra la risposta?

No. Apri la fonte e controlla che sostenga l’affermazione specifica. Un collegamento alla homepage di una compagnia aerea non stabilisce la franchigia bagaglio del tuo volo.

Un agente può usare la RAG?

Sì. Un agente può scegliere quando recuperare informazioni come parte di un compito più ampio. Chiamare qualcosa agente non elimina la necessità di verificare le prove e applicare i controlli d’accesso.

Il punto di vista felino: la RAG dà all’assistente una libreria. Deve comunque scegliere il libro giusto, leggere la pagina giusta e resistere alla tentazione di spiegare con sicurezza la scatola in cui è arrivato il libro.

Traduzione italiana dell’articolo originale in inglese del 2026-05-05. Tradotto il 30 ottobre 2026 con assistenza IA; i riferimenti temporali restano quelli dell’originale.