Retrieval-Augmented Generation (RAG): definizione, casi d’uso ed esempi pratici
La retrieval-augmented generation (RAG) consente agli strumenti di IA di attingere a informazioni esterne per fondare le proprie risposte su fonti concrete: questa guida spiega come funziona, i suoi principali tipi e i casi d’uso reali, dalla ricerca web alle knowledge base aziendali.

La RAG, o retrieval-augmented generation (generazione aumentata dal recupero), è il processo con cui gli strumenti basati su LLM accedono a informazioni esterne. Queste informazioni, che non sono contenute nei parametri di addestramento dell’LLM, vengono aggiunte al contesto di input pertinente e utilizzate nella generazione della risposta.
La RAG è uno dei componenti più importanti dei moderni sistemi di IA. È utilizzata da tutti i principali strumenti agentici (ChatGPT, Claude, Perplexity, ecc.) e ha un’ampia gamma di casi d’uso, sia consumer sia aziendali. Da quando si è diffusa per la prima volta, la RAG ha conosciuto diverse innovazioni e continua a evolversi in modi interessanti.
Che cos’è la retrieval-augmented generation (RAG)?
La retrieval-augmented generation (RAG) è un metodo per migliorare gli output dei modelli linguistici di grandi dimensioni (LLM) fornendo loro informazioni esterne pertinenti.
Una tipica “pipeline” RAG, termine usato per indicare l’architettura RAG sottostante nel suo complesso, ha due percorsi: un percorso di ingestione e un percorso di recupero. Il percorso di ingestione prende i dati e li converte in un formato ricercabile. Il percorso di recupero costruisce una richiesta basata sul prompt dell’utente e interroga la fonte di informazioni.
Spesso i sistemi RAG sono costruiti attorno a database vettoriali. In questo scenario, il componente orchestratore di uno strumento LLM, che gestisce i prompt degli utenti, invia le query e recupera i risultati dall’indice ricercabile, genera un embedding vettoriale. Lo utilizza per interrogare un database di vettori che rappresentano i dati acquisiti. Aggiunge quindi le informazioni recuperate al contesto di input esistente per l’LLM, insieme alle istruzioni su come usarle per generare un output.
La RAG non si riferisce esclusivamente al tipo di ricerca vettoriale densa descritto sopra. Anche l’attraversamento di knowledge graph, la ricerca semantica, le ricerche tradizionali nei database o qualsiasi combinazione di questi metodi rientrano nella definizione.
Vantaggi della RAG
Uno dei motivi per cui la RAG è diventata così popolare è che risolve due problemi fondamentali legati alla generazione di risposte basata solo sugli LLM: le allucinazioni e la mancanza di accesso a informazioni non contenute nei materiali di addestramento.
Verifica dei fatti e ancoraggio alle fonti
Gli LLM sono noti per avere difficoltà con l’accuratezza fattuale. Spesso, se non riescono a rispondere a una domanda in modo affidabile, producono allucinazioni con sicurezza. Questo può accadere perché le informazioni non erano contenute nei materiali di addestramento oppure perché i materiali stessi contengono imprecisioni. Il processo di verifica dei fatti abilitato dalla RAG consiste nell’ancorare una risposta a informazioni provenienti da una fonte terza affidabile.
Informazioni aggiornate
Gli LLM possono rispondere solo a domande su argomenti che rientrano nel limite temporale dei loro dati di addestramento, chiamato knowledge cut-off. I sistemi RAG possono collegarsi a fonti di informazioni molto aggiornate, come notizie tramite un’API di ricerca web o database interni con informazioni sui prodotti aggiornate. Ciò rende possibile generare risposte su argomenti non coperti dai dati di addestramento.
Accesso a dati esterni privati
I sistemi RAG consentono alle aziende di collegare l’infrastruttura di IA a fonti di informazioni sensibili, proprietarie e specifiche di settore che non possono condividere pubblicamente. Molti strumenti popolari, come Perplexity, ora includono la possibilità di caricare dati riservati e creare knowledge base private: si tratta di un caso d’uso aziendale comune.
Panoramica ed evoluzione della RAG: i principali tipi di architettura
Sebbene il termine specifico retrieval-augmented generation sia apparso per la prima volta in un importante articolo del 2020 intitolato Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, i sistemi di recupero delle informazioni erano in uso già da molti decenni. I primi motori di ricerca ne sono un buon esempio. La vera innovazione dell’IA, però, è stata combinare la conoscenza parametrica del modello con un indice vettoriale denso (l’articolo ha usato Wikipedia per costruirlo).
Ecco una panoramica dei principali tipi di RAG:
- RAG di base: chiamata anche naive RAG, la RAG di base è l’iterazione più semplice di una pipeline RAG. Segue un flusso di recupero e generazione, con la ricerca in database vettoriali come caso d’uso principale. È ancora adatta per realizzare un’implementazione RAG semplice, soprattutto per un uso interno limitato.
- RAG ibrida: consiste nel combinare più di un tipo di RAG. Di solito si riferisce a una combinazione di semplici ricerche per parole chiave e recupero vettoriale denso.
- RAG correttiva: una forma di RAG in cui le informazioni recuperate vengono valutate da un modello sottoposto a fine-tuning per determinarne la pertinenza rispetto al prompt dell’utente.
- Self-RAG: pur essendo simile alla RAG correttiva, nella self-RAG è l’LLM a valutare i propri output e ad avviare il recupero se necessario. Per farlo utilizza speciali token di riflessione.
- RAG agentica: la RAG agentica si riferisce al modo in cui le piattaforme di IA agentica possono ricorrere a diversi metodi di recupero. L’LLM può ragionare e scegliere tra varie opzioni RAG tramite l’orchestratore.
- RAG multimodale: questo tipo di RAG integra altre forme di contenuti multimediali, come immagini e audio, nelle sue pipeline di ingestione e recupero.
- GraphRAG: GraphRAG integra l’attraversamento di knowledge graph (ricerca di entità) per recuperare le informazioni. Ciò può avvenire insieme al recupero vettoriale denso, ma non è obbligatorio.
- RAG ramificata: questa architettura RAG prevede l’esecuzione simultanea di più query di recupero, spesso con pattern architetturali diversi. La RAG ramificata è una funzionalità comune negli strumenti di IA che eseguono flussi di lavoro complessi.
- HyDE (Hypothetical Document Embeddings): gli embedding di documenti ipotetici sono risposte generate dall’IA che simulano quella che potrebbe essere la risposta ideale a un prompt dell’utente. Vengono utilizzati per perfezionare la query RAG, migliorando così l’accuratezza delle informazioni recuperate.
Principali casi d’uso della RAG con esempi
Che aspetto ha la RAG nel mondo reale? Se hai fatto a un chatbot di IA una domanda su un argomento di attualità, hai interrogato un bot di assistenza clienti o hai usato un assistente personale per attività amministrative, hai utilizzato la RAG.
I principali esempi di RAG in ambito consumer e aziendale sono la ricerca web, gli assistenti personali (anche nella programmazione), gli assistenti di programmazione, l’assistenza clienti e la gestione della conoscenza aziendale.
Ricerca web
La ricerca web è una forma di RAG molto diffusa e probabilmente l’applicazione rivolta ai consumatori più pervasiva. Tutti i principali chatbot offrono funzionalità di ricerca web, in cui l’LLM utilizza fonti aggiornate per integrare le informazioni contenute nei suoi materiali di addestramento.
L’orchestratore dello strumento di IA si collega a un motore di ricerca di terze parti tramite una chiamata API e i risultati, sotto forma di snippet, vengono aggiunti alla finestra di contesto dell’LLM. Questo consente agli utenti di accedere a notizie di attualità, ricerche recenti, informazioni sui prodotti e altri argomenti in cui le informazioni cambiano di frequente.
In pratica, la richiesta API potrebbe avere il seguente aspetto:
{
"query": "latest US inflation news",
"max_results": 1,
"language": "en",
"country": "US"
}Le informazioni restituite includerebbero la fonte e lo snippet:
{
"query": "latest US inflation news",
"results": [
{
"title": "US inflation rises slightly in latest report",
"url": "https://example.com/us-inflation-report",
"snippet": "Consumer prices increased in the latest monthly data, with
housing and energy contributing to the rise.",
"published_date": "2026-11-05"
}
]
}Assistenti personali basati sull’IA
Gli assistenti personali usano la RAG per collegarsi a fonti di informazioni all’interno di un ambiente personale o aziendale condiviso. Tra gli esempi di fonti di informazioni ci sono le email, i file, il calendario e i database di un utente.
Poiché le informazioni possono essere archiviate in vari modi, gli assistenti personali vanno considerati sistemi RAG pienamente agentici. A seconda del prompt, possono utilizzare chiamate API, ricerca per parole chiave, recupero vettoriale denso o attraversamento di knowledge graph.
Sempre più spesso, i sistemi RAG aziendali codificheranno la conoscenza in database vettoriali in modo che possa essere recuperata facilmente dagli assistenti personali usati in tutta l’azienda, e molti prodotti di IA aziendali sono progettati proprio con questo obiettivo.
Anche gli assistenti di programmazione meritano attenzione, perché rappresentano un altro importante caso d’uso. Un assistente di programmazione, come GitHub Copilot, può collegarsi a un repository e alla documentazione specifica del progetto per recuperare file, funzioni, simboli, linee guida, API e cronologia dei commit pertinenti.
Assistenza clienti
L’assistenza clienti è un altro importante caso d’uso della RAG e l’adozione dei chatbot di IA è cresciuta rapidamente negli ultimi anni. Nel suo report State of AI Customer Support, Crisp ha rilevato che il 40% delle conversazioni viene risolto senza bisogno di un intervento umano, a dimostrazione di un elevato livello di efficacia.
Quando un utente pone una domanda a un bot di assistenza clienti, l’orchestratore di solito effettua una ricerca nella knowledge base interna dell’azienda. Per garantire l’accuratezza, spesso si ricorre anche alla RAG correttiva e alla self-RAG, con il passaggio a un operatore umano quando opportuno.
Knowledge base aziendali
L’introduzione di flussi di lavoro di IA e strumenti di IA generativa nelle medie e grandi imprese è avvenuta parallelamente alla creazione di knowledge base interne. Questo consente agli assistenti usati in tutta l’azienda di accedere ai dati interni nel rispetto della privacy, che si tratti di informazioni sensibili sui clienti, dati aziendali riservati o conoscenze specialistiche di settore.
Questi sistemi sono solitamente costruiti attorno a database vettoriali, ma vengono utilizzati anche altri metodi RAG. Microsoft 365 Copilot, ad esempio, dispone di un livello API che espone varie fonti di informazioni, tra cui database vettoriali, knowledge graph e indici semantici, per offrire un ampio accesso ai dati di un’azienda.
Questi sistemi RAG sono inoltre tipicamente integrati nei pacchetti enterprise degli strumenti agentici per uso generale. Perplexity Enterprise, ad esempio, consente agli utenti di caricare grandi quantità di documentazione per un uso interno sicuro.
Gli utenti possono anche caricare i propri file all’interno di progetti autonomi, creando di fatto dei mini sistemi RAG. Le ricerche possono essere abbinate ad altre forme di RAG, come le ricerche web, per un arricchimento ibrido.
Qual è la differenza tra RAG e LLM?
Un modello linguistico di grandi dimensioni (LLM) può generare output solo utilizzando le informazioni rappresentate nei suoi parametri. Assegna probabilità a un vocabolario interno per prevedere la parola successiva (o token) in una sequenza. Per questo motivo, non può fornire risposte accurate se i suoi parametri non sono stati addestrati su informazioni pertinenti.
In una piattaforma di IA generica o specializzata, le pipeline RAG operano insieme a un LLM o a un gruppo di LLM. Si collegano a fonti di informazioni esterne per integrare il contesto di input fornito al modello linguistico, e in questo consiste la principale differenza tra RAG e LLM.
La decisione se recuperare informazioni aggiuntive o affidarsi esclusivamente alla conoscenza parametrica può essere presa a livello dell’orchestratore, in genere tramite una logica basata su regole, oppure anche dallo stesso LLM.
Qual è la differenza tra RAG e MCP?
La RAG e il model context protocol (MCP) vanno considerati tecnologie complementari. MCP è uno standard aperto per creare un’architettura che consente agli strumenti di IA di accedere a funzionalità, risorse e prompt esterni tramite un unico endpoint.
Quando uno strumento di IA si collega a un server MCP, il server espone tutte le primitive (strumenti MCP, risorse e prompt) a cui il client ha l’autorizzazione di accedere. Il client è il componente che stabilisce la connessione tra l’orchestratore lato client e il server. A volte ciò può comportare l’esposizione di database e fonti di informazioni: in tal caso, MCP funge da intermediario nel livello di recupero di una pipeline RAG.
Qual è la differenza tra RAG e API?
Un’API è un’interfaccia definita che due applicazioni possono utilizzare per inviarsi richieste a vicenda. La RAG è il processo con cui gli LLM possono accedere a informazioni esterne per migliorare e ampliare i propri output.
La RAG utilizza spesso chiamate API per recuperare le informazioni. Nel recupero di informazioni tramite ricerca web, ad esempio, l’orchestratore formula una richiesta API al motore di ricerca pertinente in base al prompt dell’utente.
Perché la RAG è importante e come continuerà a evolversi
La RAG è importante perché gli LLM sono intrinsecamente limitati dai loro dati di addestramento. Esistono intere aree di informazioni, dall’attualità alle conoscenze aziendali riservate, a cui non hanno accesso. La RAG risolve questo problema senza richiedere una quantità proibitiva di risorse.
Tuttavia, il recupero delle informazioni da solo non basta, ed è per questo che la RAG continuerà a evolversi. La RAG costituisce una parte importante della ricerca attuale sull’IA e si concentra sul miglioramento dei sistemi affinché restituiscano le informazioni giuste in un’ampia varietà di formati e sappiano valutarle e assegnare loro le giuste priorità in modo efficace.
Man mano che la RAG diventa più potente, cresce anche l’utilità dei sistemi di IA in importanti applicazioni consumer e aziendali. Tra queste rientrano l’assistenza clienti, la ricerca web, la programmazione, gli assistenti personali, la ricerca specialistica e altro ancora.