Cos'è la Retrieval-Augmented Generation (RAG)?

La Retrieval-Augmented Generation, abbreviata RAG, è un'architettura in cui un modello linguistico recupera documenti rilevanti da una fonte di conoscenza al momento della query e li utilizza come contesto per la propria risposta. Invece di basarsi solo su ciò che il modello ha apprenduto durante l'addestramento, il sistema fonda le proprie risposte su dati aggiornati e verificabili.

Definizione

Una pipeline RAG ha tre fasi. Prima, la query viene convertita in un embedding e confrontata con un vector store di documenti indicizzati. Poi, i risultati con la corrispondenza più alta vengono passati al modello linguistico insieme alla query originale. Infine, il modello genera una risposta che cita o riformula il contenuto recuperato. La fase di recupero garantisce che le risposte riflettano dati aggiornati e informazioni specifiche del brand.

Perché è importante

La RAG affronta due limiti dell'uso semplice degli LLM: dati di addestramento obsoleti e allucinazioni. Fondando le risposte su fonti autorevoli come il catalogo prodotti, la knowledge base o i documenti di policy, produce risposte verificabili e più facili da mantenere accurate. È il pattern dominante per la ricerca potenziata dall'AI, gli assistenti di supporto e i consulenti d'acquisto nel commerce.

Note di implementazione

Un sistema RAG funzionante richiede documenti sorgente ben segmentati, una strategia di embedding adatta al dominio e un vector store dimensionato per il catalogo. La qualità dipende dall'accuratezza del recupero tanto quanto dal modello linguistico stesso. Gli storefront composable spesso espongono dati su prodotti, contenuti e policy tramite API che alimentano sia il sito rivolto agli utenti sia l'indice RAG, in modo che entrambi restino sincronizzati.

Correlati

Scopri Agentic Frontend Management Platform · Composable Digital Experience Platform.