La prima generazione di RAG (Retrieval-Augmented Generation) seguiva un principio semplice: suddividere i documenti in chunk, generare embedding, cercare per similarità coseno e inviare i chunk migliori all’LLM. In contesti aziendali con migliaia di PDF complessi, tabelle e termini di dominio, il RAG ingenuo spesso fallisce.
RAG 2.0 trasforma il retrieval in una pipeline ingegneristica a più fasi. Si parte da Hybrid Search, che combina embedding vettoriali densi — capaci di cogliere il significato semantico — con la ricerca sparsa per parole chiave, come BM25 o PostgreSQL pgvector, che trova ID prodotto, nomi e codici esatti.
Aggiungere in una seconda fase un re-ranker, come Cohere Rerank o BGE-Reranker, aumenta sensibilmente la precisione. Il modello valuta il contesto completo della query rispetto ai chunk candidati ed elimina il 90% del rumore irrilevante prima che raggiunga la finestra di contesto dell’LLM.
GraphRAG spinge il retrieval oltre, costruendo grafi di conoscenza — entità e relazioni — a partire da documenti aziendali non strutturati. Per domande generali come «Quali rischi ricorrono in tutti i contratti con i fornitori del 2025?», attraversa i nodi del grafo invece di recuperare frammenti isolati.
Per acquisire documenti complessi, modelli multimodali come Claude 3.5 Sonnet Vision o Unstructured.io trasformano grafici PDF, tabelle finanziarie e diagrammi in tabelle Markdown prima della generazione degli embedding, preservando l’accuratezza matematica delle risposte successive.
Dai al prossimo prodotto qualcuno che resti.
Pronto a iniziare? Scrivimi: posso cominciare subito e restare. Collaborazioni a lungo termine, non passaggi di consegne dopo due settimane. Parliamo del progetto, dei requisiti e del modo migliore per procedere.