---
title: "Cos’è la RAG? La retrieval-augmented generation spiegata"
description: "La RAG recupera passaggi rilevanti dai tuoi documenti e li aggiunge al prompt, così un LLM risponde in base a quelli. Come funziona e quando vince il contesto lungo."
url: https://broadrouter.com/it/glossary/rag/
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/glossary/rag/) (aggiornato il 2026-11-14).

# RAG (retrieval-augmented generation)

Aggiornato 2026-11-14

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.

Detto anche: generazione aumentata dal recupero, generazione aumentata da recupero, pipeline RAG, RAG LLM, retrieval-augmented generation, retrieval augmented generation, RAG pipeline, retrieval-augmented LLM

La RAG dà al modello un libro aperto: prima che risponda, il tuo codice cerca le pagine pertinenti e le mette nel prompt.

## Come funziona

Il termine viene da Lewis et al. (2020). Gli autori hanno abbinato un modello generatore (“parametric memory”, memoria parametrica) a “a dense vector index of Wikipedia” (traduzione: un indice vettoriale denso di Wikipedia), cioè la “non-parametric memory” (memoria non parametrica), raggiunto tramite un retriever neurale, e hanno riportato risultati migliori nel question answering a dominio aperto rispetto ai modelli che si affidavano solo ai propri pesi.

Una pipeline RAG moderna con un’API LLM di solito è fatta così:

1.  **Indicizzazione.** Dividi i documenti in chunk, trasforma ciascuno in [embedding](https://broadrouter.com/it/glossary/embeddings/) e salvali in un [database vettoriale](https://broadrouter.com/it/glossary/vector-database/), spesso accanto a un indice per parole chiave.
2.  **Recupero.** Calcola l’embedding della domanda dell’utente e recupera i chunk più simili, per esempio da 5 a 20.
3.  **Generazione.** Metti quei chunk nel prompt con l’istruzione di rispondere solo in base a essi e di citarli. Invia tutto al modello di chat.

Il modello non cerca mai da solo. La qualità del retrieval fissa il tetto: se il passaggio giusto non viene recuperato, il modello non può usarlo.

## Perché è importante

-   **Aggiornamento.** I pesi del modello si fermano alla data di cutoff dell’addestramento. La RAG gli permette di rispondere in base al listino o alla policy di oggi.
-   **Costo.** Inviare 10 chunk costa molti meno token di input che inviare l’intero corpus a ogni domanda.
-   **Tracciabilità.** Le risposte possono citare i passaggi da cui provengono, il che aiuta il [grounding](https://broadrouter.com/it/glossary/grounding/) e rende più facili da individuare le [allucinazioni](https://broadrouter.com/it/glossary/hallucination/).
-   **L’ordine conta.** I modelli sfruttano meglio l’inizio e la fine di un prompt lungo rispetto alla parte centrale. Metti per primi i passaggi migliori. Vedi [lost in the middle](https://broadrouter.com/it/glossary/lost-in-the-middle/).

## Su BroadNet Inference

BroadNet copre la fase di generazione. La sua documentazione non elenca un endpoint per gli embedding, quindi il retriever ha bisogno di un modello di embedding separato o di una ricerca per parole chiave. DeepSeek V4.1 Flash e GLM 5.3 accettano fino a 1.048.576 token di contesto, il che rende praticabile un retrieval generoso (o nessun retrieval, per corpus piccoli). L’articolo [contesto lungo o RAG](https://broadrouter.com/it/blog/long-context-vs-rag/) confronta i due approcci su costo e recall, e [la ricerca RAG in arabo](https://broadrouter.com/it/blog/arabic-rag-search/) tratta normalizzazione e retrieval ibrido per l’arabo.

## Errori comuni

-   Dare la colpa al modello quando il problema è il retriever. Registra nei log quali chunk sono stati recuperati per ogni risposta.
-   Chunk che tagliano a metà tabelle o frasi.
-   Nessuna istruzione per rispondere “non trovato”. Senza, il modello riempie i vuoti con la memoria.

## Domande frequenti

### La RAG è la stessa cosa del fine-tuning?

No. La RAG aggiunge documenti al prompt al momento della richiesta e non cambia nulla nel modello. Il fine-tuning cambia i pesi del modello. La RAG è più facile da aggiornare; reindicizzi un documento invece di riaddestrare.

### Serve un database vettoriale per fare RAG?

Non sempre. Una ricerca per parole chiave, una query SQL o un piccolo indice in memoria possono tutti fare da retriever. Un database vettoriale aiuta quando hai molti documenti e ti servono corrispondenze semantiche.

### Una finestra di contesto da 1M di token sostituisce la RAG?

A volte. Se l’intero corpus ci sta ed è interrogato spesso con il caching, puoi inviarlo tutto. Per corpus grandi o che cambiano in fretta, il retrieval resta più economico e più veloce per ogni domanda.

## Vedi anche

-   [Embedding (embeddings)](https://broadrouter.com/it/glossary/embeddings/) (termine)
-   [Database vettoriale (vector database)](https://broadrouter.com/it/glossary/vector-database/) (termine)
-   [Finestra di contesto (context window)](https://broadrouter.com/it/glossary/context-window/) (termine)
-   [Grounding (ancoraggio alle fonti)](https://broadrouter.com/it/glossary/grounding/) (termine)
-   [Allucinazione (hallucination)](https://broadrouter.com/it/glossary/hallucination/) (termine)
-   [Lost in the middle (perso nel mezzo)](https://broadrouter.com/it/glossary/lost-in-the-middle/) (termine)
-   [Chunking (RAG)](https://broadrouter.com/it/glossary/chunking/) (termine)
-   [Reranking (riordinamento dei risultati)](https://broadrouter.com/it/glossary/reranking/) (termine)
-   [Ricerca ibrida (hybrid search)](https://broadrouter.com/it/glossary/hybrid-search/) (termine)
-   [BM25](https://broadrouter.com/it/glossary/bm25/) (termine)
-   [Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/) (guida)
-   [Contesto lungo o RAG: quando 1M di token sostituisce un DB vettoriale](https://broadrouter.com/it/blog/long-context-vs-rag/) (articolo)
-   [RAG in arabo: normalizzazione, chunking e retrieval che funzionano](https://broadrouter.com/it/blog/arabic-rag-search/) (articolo)
-   [Quando conviene una finestra di contesto da 1M di token (e quando no)](https://broadrouter.com/it/blog/million-token-context-window-guide/) (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-rag&utm_content=page-cta) ·

**Fonti**

-   [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, NeurIPS 2020)](https://arxiv.org/abs/2005.11401)
-   [OpenAI, guida ai vector embeddings (caso d’uso della ricerca)](https://developers.openai.com/api/docs/guides/embeddings)
-   [Riferimento API di BroadNet Inference, ID dei modelli e contesto (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-rag&utm_content=sources#models)
