---
title: "RAG in arabo: normalizzazione, chunking ed embedding"
description: "RAG su documenti in arabo: normalizza alef, ya e ta marbuta, dividi in chunk con criterio, scegli embedding multilingue e aggiungi la ricerca per parole chiave."
url: https://broadrouter.com/it/blog/arabic-rag-search/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/arabic-rag-search/) (aggiornato il 2026-11-14).

# RAG in arabo: normalizzazione, chunking e retrieval che funzionano

A cura del team di BroadNet Inference · 6 min di lettura · Pubblicato 2026-11-14

La RAG in arabo funziona se normalizzi il testo prima dell’indicizzazione (unifichi le forme di alef, ya e alef maqsura, ta marbuta, togli diacritici e tatweel), dividi in chunk per paragrafo, combini un modello di embedding multilingue con la ricerca per parole chiave e lasci che un LLM a contesto lungo risponda dai passaggi recuperati, con citazioni. Applica la stessa normalizzazione alle query.

## Punti chiave

-   Normalizza documenti e query allo stesso modo: أ/إ/آ in ا, ى in ي, ة in ه, niente diacritici, niente tatweel.
-   Conserva il testo originale per la visualizzazione; indicizza la copia normalizzata.
-   Combina la ricerca per parole chiave con un analyzer arabo e gli embedding multilingue, poi confronta la ricerca ibrida con ciascuna delle due da sola sulle tue query.
-   Scegli un modello di embedding multilingue che hai testato su query in arabo. BroadNet Inference non offre un endpoint per gli embedding.
-   I modelli a contesto lungo ti permettono di recuperare in abbondanza: DeepSeek V4.1 Flash e GLM 5.3 accettano 1.048.576 token.

**In questa pagina**

1.  Com’è fatta una pipeline RAG per l’arabo?
2.  Come normalizzare il testo arabo per la ricerca?
3.  Come dividere in chunk i documenti in arabo?
4.  Perché combinare ricerca per parole chiave ed embedding?
5.  Come generare risposte con citazioni?
6.  Come valutare una RAG in arabo?

_[image: A man speaking into a microphone beside the Arabic word "حوار" (conversation), with the text "Conversations, ready to search."]_

Per far funzionare la [retrieval-augmented generation](https://broadrouter.com/it/glossary/rag/) (RAG) sull’arabo, normalizza documenti e query con le stesse regole di grafia, dividi in chunk per paragrafo, cerca sia con un analyzer arabo per parole chiave sia con un modello di embedding multilingue, e fai rispondere l’LLM solo a partire dai passaggi recuperati, con citazioni.

Lo schema, dall’[articolo originale sulla RAG](https://arxiv.org/abs/2005.11401), è: prima recupera, poi genera. La maggior parte dei fallimenti della RAG in arabo avviene nella prima metà. Un utente scrive “الفاتوره” e l’indice contiene “الفاتورة”; una policy dice “إلغاء” e l’utente scrive “الغاء”; il modello di embedding è stato addestrato soprattutto sull’inglese. Sistema il retrieval e la parte dell’LLM tende a sistemarsi da sola.

## Com’è fatta una pipeline RAG per l’arabo?

1.  **Estrai** il testo da PDF, pagine web e articoli del centro assistenza. Per i PDF arabi scansionati, vedi [OCR arabo vs LLM con visione](https://broadrouter.com/it/blog/arabic-ocr-vision-llm/).
2.  **Normalizza** una copia del testo per l’indicizzazione.
3.  **Dividi in chunk** seguendo la struttura: titoli e paragrafi.
4.  **Indicizza** due volte: un indice per parole chiave e un indice vettoriale.
5.  **Recupera** da entrambi con la query normalizzata, unisci e riordina.
6.  **Genera** una risposta dai passaggi migliori, citandoli.

## Come normalizzare il testo arabo per la ricerca?

L’arabo ammette più grafie della stessa parola, e gli utenti raramente scrivono diacritici o hamza in modo coerente. Normalizza la copia indicizzata e ogni query con la stessa funzione:

| Regola | Caratteri | Perché |
| --- | --- | --- |
| Unificare l’alef | أ إ آ ٱ → ا | Scrivendo, la hamza viene spesso omessa |
| Alef maqsura | ى → ي | Comune nella scrittura egiziana e nella grafia approssimativa |
| Ta marbuta | ة → ه | Gli utenti scrivono ه a fine parola |
| Togliere i diacritici | da U+064B a U+0652, U+0670 | La maggior parte di testi e query non è vocalizzata |
| Eliminare il tatweel | ـ (U+0640) | Allungamento decorativo |
| Cifre | ٠–٩ → 0–9 | Far corrispondere i numeri in entrambe le forme |

Prova ogni opzione sul tuo testo con il [normalizzatore di testo arabo](https://broadrouter.com/tools/arabic-text-normalizer/), che scrive anche una funzione Python corrispondente.

```python
import re

_DIAC = re.compile(r"[ً-ْٰ]")

def normalise(text: str) -> str:
    text = _DIAC.sub("", text).replace("ـ", "")
    text = re.sub("[أإآٱ]", "ا", text)
    text = text.replace("ى", "ي").replace("ة", "ه")
    return text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789"))
```

I code point sono nella [tabella Unicode dell’arabo](https://www.unicode.org/charts/PDF/U0600.pdf). Due avvertenze:

-   **Non mostrare mai il testo normalizzato.** Conserva l’originale accanto e usa l’originale per visualizzare, citare e inviare all’LLM. L’arabo normalizzato sembra scritto male a chi legge.
-   **Alcune unificazioni perdono significato.** ة → ه unisce alcune coppie di parole, e ى → ي unisce “على” (su) con “علي” (Ali). Per la recall della ricerca di solito ne vale la pena; testalo sulle tue query.

Le stesse regole sono centrali per [misurare l’accuratezza del riconoscimento vocale in arabo](https://broadrouter.com/it/blog/arabic-asr-wer-explained/), quindi puoi riusare un’unica funzione in tutto lo stack.

## Come dividere in chunk i documenti in arabo?

-   **Dividi seguendo la struttura.** Titoli, articoli numerati nei contratti (المادة ١، المادة ٢) e cambi di paragrafo sono confini naturali.
-   **Qualche centinaio di parole per chunk,** con una o due frasi di sovrapposizione. Le parole arabe contengono più morfemi di quelle inglesi, quindi un chunk copre più significato per parola di quanto suggerisca la sua lunghezza.
-   **Confini di frase:** dividi su . ؟ ! e sulla virgola araba ، solo come ultima risorsa. Molti testi arabi usano frasi lunghe unite da و, quindi dividere a livello di paragrafo è più sicuro.
-   **Porta con te il contesto.** Fai precedere ogni chunk dal titolo del documento e dal titolo della sezione, in arabo, così un chunk che dice “تُطبَّق هذه الرسوم” (si applicano queste commissioni) dice ancora quali commissioni.

Il [calcolatore di chunking per RAG](https://broadrouter.com/tools/rag-chunking-calculator/) trasforma dimensione dei chunk, sovrapposizione e top-k in numero di chunk, token per query e costo mensile.

## Perché combinare ricerca per parole chiave ed embedding?

### Ricerca per parole chiave

La morfologia araba manda in crisi il matching ingenuo per parole chiave: كتاب, الكتاب, بالكتاب, وكتابه e كتب sono tutte legate a “libro”. Usa un analyzer che gestisca l’arabo. Elasticsearch include un [language analyzer per l’arabo](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html) che concatena stop word arabe, normalizzazione delle cifre, normalizzazione araba e uno stemmer arabo, così forme con prefisso come الكتاب e وكتاب corrispondono più spesso. Verifica cosa unisce sul tuo vocabolario prima di farci affidamento.

### Embedding

I [modelli di embedding](https://broadrouter.com/it/glossary/embeddings/) trasformano il testo in vettori in modo che passaggi con significato simile stiano vicini, anche quando non condividono parole. Per l’arabo, scegli un modello multilingue e testalo:

-   **Preferisci modelli addestrati su molte lingue,** come [BGE M3](https://arxiv.org/abs/2402.03216), che i suoi autori descrivono come capace di supportare più di 100 lingue di lavoro. I modelli solo inglesi producono vettori arabi scadenti.
-   **Testa il retrieval tra lingue diverse** se gli utenti fanno domande in inglese su documenti in arabo, o viceversa.
-   **Fai l’embedding del testo originale o di quello normalizzato, ma sii coerente** tra documenti e query. Testali entrambi; i risultati variano da modello a modello.

BroadNet Inference non offre un endpoint per gli embedding: i suoi endpoint documentati sono chat completions e trascrizioni audio. Usa un fornitore di embedding di cui ti fidi, oppure ospita un modello di embedding multilingue aperto con un [database vettoriale](https://broadrouter.com/it/glossary/vector-database/), e usa BroadNet per la generazione. Il [calcolatore dei costi di embedding](https://broadrouter.com/tools/embedding-cost-calculator/) stima il prezzo di indicizzazione e query tra i vari fornitori.

### Unire e riordinare

Esegui entrambe le ricerche, unisci i risultati con la reciprocal rank fusion (assegna a ogni documento la somma di 1 / (k + posizione) tra le liste) e tieni i primi 10–30 passaggi. Un reranker o un rapido controllo di pertinenza con un LLM può sfoltire ancora, ma con i modelli a contesto lungo spesso puoi farne a meno.

## Come generare risposte con citazioni?

Dai al modello i passaggi con un id e chiedigli di rispondere solo a partire da quelli:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def answer(question: str, passages: list[dict]) -> str:
    context = "\n\n".join(f"[{p['id']}] {p['title']}\n{p['text']}" for p in passages)
    system = ("أجب عن سؤال المستخدم بالعربية الفصحى المبسطة، اعتماداً فقط على المقاطع المرفقة. "
              "اذكر رقم المقطع بين قوسين مربعين بعد كل معلومة. "
              "إذا لم تجد الإجابة في المقاطع فقل ذلك بوضوح.")
    r = client.chat.completions.create(
        model="broadnet/deepseek-v4.1-flash",
        max_tokens=4000,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": f"المقاطع:\n{context}\n\nالسؤال: {question}"}],
    )
    return r.choices[0].message.content
```

Il system prompt in arabo dice: “Rispondi alla domanda dell’utente in arabo standard moderno semplice, basandoti solo sui passaggi allegati. Cita il numero del passaggio tra parentesi quadre dopo ogni informazione. Se non trovi la risposta nei passaggi, dillo chiaramente.” Anche le istruzioni in inglese funzionano: ciò che conta è la regola di rispondere solo dai passaggi e di citare.

Metti i passaggi prima della domanda. Se gli stessi documenti compaiono in molte richieste, tienili nello stesso ordine all’inizio del prompt così si applica la tariffa dell’input in cache; vedi [token di input in cache](https://broadrouter.com/it/blog/cached-input-tokens-explained/).

### Quale modello?

| Modello | Contesto | Perché |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/) | 1.048.576 | La tariffa più bassa per l’input in cache tra questi tre su BroadNet ($0.0055 per 1M di token), spazio per molti passaggi, piani flat disponibili |
| [GLM 5.3](https://broadrouter.com/it/models/glm-5.3/) | 1.048.576 | Tool e output strutturato per il retrieval agentico |
| [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/) | 262.144 | BroadNet l’ha testato in arabo: scrittura fluente, dialetti del Golfo ed egiziano compresi |

Con un contesto da un milione di token puoi recuperare in abbondanza, diciamo 50 passaggi invece di 5, e lasciare che sia il modello a scegliere. Questo limita i danni quando il retrieval mette il passaggio giusto al dodicesimo posto. Per piccoli insiemi di documenti potresti non aver bisogno del retrieval; vedi [contesto lungo vs RAG](https://broadrouter.com/it/blog/long-context-vs-rag/) e verifica se il tuo corpus ci sta con il [calcolatore della finestra di contesto](https://broadrouter.com/tools/context-window-calculator/). I prezzi di tutti i modelli sono nella [pagina dei prezzi](https://broadrouter.com/it/pricing/).

## Come valutare una RAG in arabo?

1.  Scrivi da 50 a 100 domande reali, nel mix di MSA, dialetto e inglese che i tuoi utenti scrivono davvero.
2.  Segna il passaggio che risponde a ciascuna.
3.  Misura prima il retrieval: il passaggio giusto è tra i primi 10? Confronta solo parole chiave, solo embedding e ricerca ibrida, con e senza normalizzazione.
4.  Poi misura le risposte: corrette, citate e “non trovato” quando la risposta manca.
5.  Includi apposta query con errori di battitura e in dialetto. Gli utenti scrivono “وين الفاتوره” (Golfo/Levante: dov’è la fattura), non “أين الفاتورة”.

Sistema il retrieval prima di cambiare il modello di generazione: se il passaggio giusto non arriva mai nel prompt, nessun modello può citarlo.

Strumenti gratuiti sul tema (in inglese)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

[Embedding (embeddings)](https://broadrouter.com/it/glossary/embeddings/)

Gli embedding sono liste di numeri in virgola mobile (vettori) che un modello produce per rappresentare un testo, un’immagine o un altro input. Input con significato simile ottengono vettori vicini tra loro, quindi la distanza tra vettori serve a ordinare i risultati di ricerca, raggruppare documenti o trovare elementi correlati.

[Token](https://broadrouter.com/it/glossary/token/)

Un token è l’unità di testo che un modello linguistico legge e scrive: una parola, una parte di parola, un segno di punteggiatura o una sequenza di byte prodotta dal tokenizer del modello. Le API LLM contano, limitano e di solito fatturano l’uso in token.

[Hamza (lettera araba)](https://broadrouter.com/it/glossary/hamza/)

La hamza (ء) è la lettera araba che indica il colpo di glottide. Si scrive da sola o su un supporto: alef (أ إ), waw (ؤ) o yeh (ئ), e آ unisce alef e madda. Dato che il testo digitato la usa in modo incoerente, motori di ricerca e valutazione del parlato spesso riducono le forme con alef a ا.

[Tool calling (chiamata di strumenti)](https://broadrouter.com/it/glossary/tool-calling/)

Il tool calling, detto anche function calling, è una funzionalità delle API LLM in cui il modello restituisce una richiesta strutturata di eseguire una funzione definita dallo sviluppatore, con argomenti JSON. L’applicazione esegue la funzione e rimanda il risultato; il modello non esegue mai codice da solo.

[Token di input in cache (cached input)](https://broadrouter.com/it/glossary/cached-input-tokens/)

I token di input in cache sono token del prompt che un provider LLM ha elaborato da poco e può riusare da una cache invece di ricalcolarli, di solito un prefisso ripetuto come un system prompt o un documento. I provider li fatturano a una tariffa più bassa dei token di input nuovi.

[Arabo standard moderno (MSA)](https://broadrouter.com/it/glossary/msa/)

L’arabo standard moderno (MSA) è la forma standardizzata dell’arabo usata nella scrittura, nei notiziari, nell’istruzione e nei discorsi formali in tutto il mondo arabo. Non è la lingua madre quotidiana di nessuno: le persone parlano dialetti regionali, come l’egiziano o l’arabo del Golfo, e passano all’MSA nei contesti formali.

[Database vettoriale (vector database)](https://broadrouter.com/it/glossary/vector-database/)

Un database vettoriale è un archivio dati che conserva vettori di embedding, spesso con il testo di origine e i metadati, e risponde a query di nearest neighbour: dato un vettore di query, restituisce i vettori memorizzati più simili, di solito per distanza coseno, distanza euclidea o prodotto scalare.

[RAG (retrieval-augmented generation)](https://broadrouter.com/it/glossary/rag/)

La RAG (retrieval-augmented generation, generazione aumentata dal recupero) è uno schema in cui un’applicazione prima recupera da un archivio esterno, come un indice di ricerca o vettoriale, i passaggi pertinenti a una domanda, poi li aggiunge al prompt, così un modello linguistico può rispondere a partire da quel testo e non solo dalla memoria.

## Domande frequenti

### BroadNet Inference fornisce gli embedding?

No. Gli endpoint documentati sono chat completions e trascrizioni audio. Usa un modello di embedding di un altro fornitore o esegui tu stesso un modello di embedding multilingue aperto, e usa BroadNet per la fase di generazione.

### Conviene normalizzare la ta marbuta in ha?

Per la ricerca di solito sì, perché gli utenti scrivono in entrambi i modi. Unisce alcune parole distinte, ma nella maggior parte dei corpus il guadagno di recall vale di più. Conserva il testo originale per la visualizzazione e le citazioni.

### Quanto devono essere grandi i chunk in arabo?

Parti da uno a tre paragrafi, qualche centinaio di parole, con una piccola sovrapposizione. Dividi su titoli e cambi di paragrafo, non a metà frase, e tieni il titolo del documento in ogni chunk.

### Quale modello di embedding funziona per l’arabo?

Usa un modello multilingue e testalo sulle tue query in arabo. BGE M3, per esempio, è descritto dai suoi autori come capace di retrieval in più di 100 lingue di lavoro. I modelli di embedding solo inglesi producono vettori arabi scadenti.

### Gli utenti possono cercare in inglese e trovare documenti in arabo?

Sì, con un modello di embedding multilingue che mappa entrambe le lingue nello stesso spazio, oppure traducendo la query con un LLM prima della ricerca per parole chiave. Testa esplicitamente le query tra lingue diverse.

## Continua a leggere

-   [Contesto lungo o RAG: quando 1M di token sostituisce un DB vettoriale](https://broadrouter.com/it/blog/long-context-vs-rag/)
-   [Word error rate (WER) nell’ASR in arabo: guida pratica](https://broadrouter.com/it/blog/arabic-asr-wer-explained/)
-   [Prompt engineering in arabo: registro, RTL, cifre e testo misto](https://broadrouter.com/it/blog/arabic-prompt-engineering/)
-   [Scegliere un’API LLM per l’arabo: cosa testare](https://broadrouter.com/it/blog/choosing-an-llm-for-arabic/)
-   [Aggiungere i diacritici all’arabo con un LLM: prompt, controlli, DER](https://broadrouter.com/it/blog/arabic-diacritization-llm/)
-   [Correzione grammaticale e ortografica dell’arabo con un LLM: guida](https://broadrouter.com/it/blog/arabic-grammar-spelling-correction-llm/)
-   [Guida: Usare LangChain con BroadNet Inference](https://broadrouter.com/it/guides/langchain-openai-base-url/)
-   [Guida: Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-arabic-rag-search&utm_content=page-cta) ·

**Fonti**

-   [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv 2005.11401; consultato il 2026-11-14)](https://arxiv.org/abs/2005.11401)
-   [Chen et al., M3-Embedding: più di 100 lingue di lavoro (arXiv 2402.03216; consultato il 2026-11-14)](https://arxiv.org/abs/2402.03216)
-   [Language analyzer di Elasticsearch, filtri dell’analyzer arabic (consultato il 2026-11-14)](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html)
-   [Tabella Unicode dell’arabo, da U+0600 a U+06FF (consultato il 2026-11-14)](https://www.unicode.org/charts/PDF/U0600.pdf)
-   [Riferimento API di BroadNet Inference, endpoint disponibili (consultato il 2026-11-14) (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-arabic-rag-search&utm_content=sources)
