AiL.il tuo passo, nell'AI
MODULO 3 · ARCHITETTURE

RAG · Retrieval Augmented Generation

Quando l'LLM non sa, lo deve cercare. Embedding, vector DB, hybrid retrieval, re-ranking, eval. Stato dell'arte 2026.

Modulo in scrittura. Questo è uno stub: lo scheletro c'è ma le lezioni vere arrivano nei prossimi sprint. Lo scheletro qui sotto ti dà già l'idea della struttura.

RAG è il pattern più importante del 2024-26 per AI in produzione. L'LLM non conosce i tuoi dati interni: glieli fornisci a runtime cercandoli con embedding e contestualizzando il prompt. Il 70% degli usi enterprise di AI è RAG sotto qualche forma.

Costruiamo da zero: chunking, embedding model, vector DB, retrieval (dense + sparse + hybrid), re-ranking, prompt template, eval. Codice production-ready su Claude / Anthropic SDK.

Lezioni del modulo
1

Quando RAG, quando fine-tune, quando solo prompt

Il decision tree.

2

Chunking: il problema più sottovalutato

Token-aware vs semantic. Esempi su doc 50 pagine.

3

Embedding models 2026

OpenAI text-embedding-3-large, Cohere embed-v4, Voyage. Trade-off.

4

Vector DB: scelta

pgvector vs Qdrant vs Pinecone vs Weaviate. Quando self-host vs cloud.

5

Hybrid retrieval

Dense (semantica) + sparse (BM25) + filtri metadata. Boost del 30% su accuracy.

6

Re-ranking

Cross-encoder dopo retrieval. Cohere Rerank, Jina, ColBERT.

7

Eval RAG

Faithfulness, answer relevance, context precision. Framework Ragas.

← Torna alla home Modulo 0 · Profilazione AI