La RAG, Retrieval-Augmented Generation, è un’architettura in cui un modello generativo riceve informazioni recuperate da fonti esterne prima di produrre la risposta.
Come funziona
Il flusso tipico comprende indicizzazione di documenti, ricerca dei contenuti pertinenti e inserimento del contesto recuperato nel prompt del modello. L’obiettivo è usare conoscenza aggiornata o proprietaria senza affidarsi solo ai parametri del modello.
Esempio pratico
Un assistente interno può cercare procedure aziendali, policy e manuali e generare una risposta basata sui passaggi recuperati, citando le fonti pertinenti.
Perché è importante
È utile per knowledge management, customer care e supporto decisionale quando le informazioni cambiano o non devono essere incorporate nel training del modello.
Attenzione
RAG non garantisce correttezza: se il retrieval recupera documenti sbagliati o incompleti, la risposta può comunque essere errata. Valutare la qualità del recupero è essenziale.