---
title: "Cos’è il chunking nella RAG? Chunk size e overlap spiegati"
description: "Il chunking divide i documenti in pezzi che un sistema RAG può trasformare in embedding, indicizzare e recuperare. Chunk size, overlap, impostazioni comuni e costi."
url: https://broadrouter.com/it/glossary/chunking/
lang: it
updated: 2026-11-15
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/glossary/chunking/) (aggiornato il 2026-11-15).

# Chunking (RAG)

Aggiornato 2026-11-15

Il chunking è il passaggio di una pipeline di retrieval che divide i documenti in pezzi più piccoli, detti chunk, prima di trasformarli in embedding e indicizzarli. La chunk size fissa quanto testo contiene ogni pezzo, e il chunk overlap ripete parte del testo tra chunk vicini, così le idee tagliate su un confine non si perdono.

Detto anche: suddivisione in chunk, suddivisione dei documenti, dimensione dei chunk, sovrapposizione dei chunk, chunk size, chunk overlap, text chunking, document chunking, chunking strategy

Un retriever non può restituire mezzo documento. Il chunking decide quali sono i pezzi.

## Come funziona

La documentazione di LangChain ne riassume lo scopo in modo semplice: i text splitter “break large docs into smaller chunks that will be retrievable individually and fit within model context window limit.” (traduzione: spezzano documenti grandi in chunk più piccoli, recuperabili singolarmente e che stanno nel limite della finestra di contesto del modello.) Ogni chunk viene poi trasformato in [embedding](https://broadrouter.com/it/glossary/embeddings/) e salvato in un [database vettoriale](https://broadrouter.com/it/glossary/vector-database/), oppure indicizzato per la ricerca per parole chiave.

Due numeri controllano la maggior parte dei chunker:

-   **Chunk size**: la lunghezza massima di un chunk, in caratteri o in token.
-   **Chunk overlap**: quanto testo della fine di un chunk viene ripetuto all’inizio del successivo.

Gli splitter si distinguono anche per dove tagliano. LangChain consiglia di partire dal suo splitter ricorsivo nella maggior parte dei casi. Cerca di tenere interi i blocchi più grandi, come i paragrafi, e ripiega su frasi e poi parole quando un blocco è troppo grande. Il `SentenceSplitter` di LlamaIndex lavora sui confini di frase; la sua documentazione lo mostra con impostazioni esplicite:

```python
from llama_index.core.node_parser import SentenceSplitter

splitter = SentenceSplitter(chunk_size=1024, chunk_overlap=20)
nodes = splitter.get_nodes_from_documents(documents)
```

Un calcolo di esempio: un corpus di 100.000 token diviso in chunk da 500 token con 50 token di overlap dà circa 222 chunk (ogni nuovo chunk aggiunge 450 token nuovi) e circa 111.000 token da trasformare in embedding, l’11% in più rispetto a nessun overlap.

## Perché è importante

-   **Recall.** Chunk troppo piccoli perdono contesto; chunk troppo grandi diluiscono la corrispondenza con testo non pertinente.
-   **Costo dell’LLM.** I chunk recuperati vengono inviati come token di input. Cinque chunk da 1.000 token aggiungono 5.000 token di input a ogni domanda.
-   **Costo dell’indice.** Sia l’overlap sia i chunk piccoli aumentano il numero di vettori da calcolare e salvare.
-   **Lingua.** Le parole arabe possono portare clitici e diacritici che cambiano il numero di token e le corrispondenze. [Ricerca RAG in arabo](https://broadrouter.com/it/blog/arabic-rag-search/) tratta chunking e normalizzazione per l’arabo.

Il chunking è una delle leve. Aggiungere la [ricerca ibrida](https://broadrouter.com/it/glossary/hybrid-search/) o un [reranker](https://broadrouter.com/it/glossary/reranking/) spesso aiuta più che regolare solo la dimensione.

## Su BroadNet Inference

BroadNet non offre un endpoint per gli embedding, quindi chunking ed embedding li fai con i tuoi strumenti o con un altro provider, e invii i chunk recuperati a un modello di chat di BroadNet. I modelli a contesto lungo cambiano il compromesso: [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/) e [GLM 5.3](https://broadrouter.com/it/models/glm-5.3/) accettano 1.048.576 token, quindi un corpus piccolo può starci senza alcun retrieval. [Contesto lungo o RAG](https://broadrouter.com/it/blog/long-context-vs-rag/) confronta le due strade.

Il [calcolatore di chunking per la RAG](https://broadrouter.com/tools/rag-chunking-calculator/) stima numero di chunk, dimensione dell’indice e token per query con le tue impostazioni, e [chunk size e overlap nella RAG](https://broadrouter.com/it/blog/rag-chunk-size-overlap/) passa in rassegna i test pubblicati.

## Domande frequenti

### Con quale chunk size conviene partire?

Non esiste un unico valore giusto. Scegli una dimensione di partenza, prepara un piccolo set di test con domande reali di cui conosci la risposta e confronta il tasso di recupero con due o tre dimensioni. Il post sulla chunk size nella RAG raccoglie i risultati pubblicati.

### L’overlap fa crescere l’indice?

Sì. Il testo sovrapposto viene salvato e trasformato in embedding più di una volta, quindi dimensione dell’indice e costo degli embedding crescono con la quota di sovrapposizione.

### Conviene dividere per caratteri o per token?

Le dimensioni in token corrispondono a ciò che contano davvero il modello di embedding e l’LLM. Quelle in caratteri sono più semplici, ma lo stesso numero di caratteri può valere un numero di token molto diverso a seconda della lingua, arabo compreso.

## Vedi anche

-   [RAG (retrieval-augmented generation)](https://broadrouter.com/it/glossary/rag/) (termine)
-   [Embedding (embeddings)](https://broadrouter.com/it/glossary/embeddings/) (termine)
-   [Database vettoriale (vector database)](https://broadrouter.com/it/glossary/vector-database/) (termine)
-   [Ricerca ibrida (hybrid search)](https://broadrouter.com/it/glossary/hybrid-search/) (termine)
-   [Reranking (riordinamento dei risultati)](https://broadrouter.com/it/glossary/reranking/) (termine)
-   [Finestra di contesto (context window)](https://broadrouter.com/it/glossary/context-window/) (termine)
-   [Usare LlamaIndex con BroadNet Inference tramite OpenAILike](https://broadrouter.com/it/guides/llamaindex-openailike/) (guida)
-   [Usare LangChain con BroadNet Inference](https://broadrouter.com/it/guides/langchain-openai-base-url/) (guida)
-   [Chunk size e overlap nella RAG: effetti su retrieval e costi](https://broadrouter.com/it/blog/rag-chunk-size-overlap/) (articolo)
-   [RAG in arabo: normalizzazione, chunking e retrieval che funzionano](https://broadrouter.com/it/blog/arabic-rag-search/) (articolo)
-   [Contesto lungo o RAG: quando 1M di token sostituisce un DB vettoriale](https://broadrouter.com/it/blog/long-context-vs-rag/) (articolo)

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-glossary-chunking&utm_content=page-cta) ·

**Fonti**

-   [Documentazione di LangChain, text splitter (verificato il 2026-11-15)](https://docs.langchain.com/oss/python/integrations/splitters)
-   [Documentazione di LlamaIndex, schema d’uso dei node parser (SentenceSplitter) (verificato il 2026-11-15)](https://developers.llamaindex.ai/python/framework/module_guides/loading/node_parsers/)
