Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Ricerca File vs RAG Personalizzato: Quando Usare Ciascuno

Lezione 16 di 22 Aggiornata il 29 luglio 2026 Sviluppatore
In questa pagina
  1. Obiettivi
  2. File Search: Il RAG Gestito da OpenAI
  3. Cosa ti offre File Search e cosa ti toglie
  4. Matrice Decisionale
  5. Architettura Ibrida: Il Meglio di Entrambi i Mondi
  6. Punti chiave

Obiettivi

  • Comprendere il RAG gestito da OpenAI (File Search)
  • Confrontare File Search con una pipeline RAG personalizzata
  • Scegliere l’approccio giusto per il tuo caso d’uso

File Search: Il RAG Gestito da OpenAI

Hai appena costruito ogni strato di una pipeline RAG, lezione dopo lezione. File Search fa tutto questo per te. È uno strumento integrato nelle API Responses di OpenAI che gestisce automaticamente il chunking, gli embedding, l’archiviazione vettoriale e la ricerca: carichi i tuoi file ed esegui le query. Questa lezione non è un rifiuto di quanto visto prima, ma una domanda onesta che devi porti prima di scrivere qualsiasi codice: qual è il giusto livello di astrazione per il tuo progetto?

Tutto inizia con un vector store, il contenitore che ospita i tuoi documenti indicizzati. Lo crei, carichi i file uno per uno e attendi il completamento dell’indicizzazione prima di eseguire query. Questa attesa non è cosmetica: l’indicizzazione è asincrona e una query lanciata troppo presto vedrà solo una parte del corpus.

from openai import OpenAI

client = OpenAI()

# 1. Create a vector store
vector_store = client.vector_stores.create(
    name="product-documentation"
)
print(f"Vector store created: {vector_store.id}")

# 2. Upload files
files = ["user_guide.pdf", "faq.md", "changelog.txt"]

for file in files:
    with open(file, "rb") as f:
        file_obj = client.files.create(file=f, purpose="assistants")
        client.vector_stores.files.create(
            vector_store_id=vector_store.id,
            file_id=file_obj.id
        )
        print(f"  Uploaded: {file}")

# Wait for indexing to complete
import time
while True:
    vs = client.vector_stores.retrieve(vector_store.id)
    if vs.file_counts.completed == vs.file_counts.total:
        break
    time.sleep(2)
print("Indexing complete")

L’esecuzione di una query richiede quindi una singola chiamata: dichiari lo strumento file_search con l’ID dello store e il modello decide quando recuperare le informazioni. La parte interessante è leggere le annotazioni, che contengono le citazioni dei file. Questo ti permette di mostrare le fonti all’utente, un comportamento che dovevi implementare manualmente nella pipeline personalizzata.

# Query with File Search
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What are the new features in v3.2?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id]
    }]
)

print(response.output_text)

# Access cited sources
for annotation in response.output:
    if hasattr(annotation, "annotations"):
        for ann in annotation.annotations:
            if ann.type == "file_citation":
                print(f"  Source: file {ann.file_citation.file_id}")

Due impostazioni ti permettono di affinare il comportamento senza uscire dallo strumento gestito. max_num_results imposta il numero di chunk recuperati e score_threshold filtra i risultati con punteggio basso, esattamente come la soglia di rilevanza che applicavi dopo il reranking.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="How do I configure SSO?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [vector_store.id],
        "max_num_results": 10,         # Number of chunks to retrieve
        "ranking_options": {
            "ranker": "auto",           # Automatic ranker
            "score_threshold": 0.3      # Relevance threshold
        }
    }]
)

Cosa ti offre File Search e cosa ti toglie

L’argomento decisivo a favore di File Search è la totale assenza di infrastruttura: nessun database vettoriale da provisioningare, backuppare o monitorare. Il chunking viene eseguito per te e ottimizzato da OpenAI; aggiornare il corpus è semplice come aggiungere o rimuovere un file; le citazioni sono generate automaticamente e i formati comuni sono supportati nativamente: PDF, DOCX, MD, TXT, HTML, JSON, tra gli altri. Un team senza competenze infrastrutturali può mettere online una base di conoscenza in un pomeriggio.

Il rovescio della medaglia di questa comodità è la perdita di controllo su ogni anello della catena. Non scegli la dimensione dei chunk, quindi il compromesso precisione/contesto della Lezione 12 ti sfugge di mano. La ricerca è puramente semantica: niente ricerca ibrida, quindi i riferimenti ai prodotti e i codici di errore esatti rimangono fragili. Inoltre, non puoi integrare Cohere o un cross-encoder fatto in casa per il reranking. Aggiungi a questo altre tre considerazioni strategiche: l’archiviazione vettoriale viene fatturata oltre alle chiamate API, i tuoi dati risiedono sui server di OpenAI e l’indicizzazione copre solo il testo.

Una pipeline personalizzata inverte questo elenco termine per termine. Padroneggi chunking, embedding, ricerca, reranking e prompting; combini ricerca semantica e lessicale; mescoli provider di modelli o mantieni tutto on-premise se i tuoi dati lo richiedono; e soprattutto, ottimizzi ogni componente indipendentemente misurandone l’effetto. Questo controllo ha un costo: codice da scrivere e mantenere, un database vettoriale da amministrare e competenze specifiche. Chunking, valutazione e reranking non si improvvisano, ed è esattamente ciò che questo corso tratta.

Matrice Decisionale

CriterioFile SearchRAG Personalizzato
Prototipazione rapida✅ Ideale⚠️ Più lenta
Controllo del chunking❌✅
Ricerca ibrida❌✅
Dati sensibili⚠️ Su OpenAI✅ On-premise
Costo su larga scala⚠️ Può essere elevato✅ Prevedibile
Manutenzione✅ Zero⚠️ Da gestire
Prestazioni massime⚠️ Buone✅ Ottimizzabili

Architettura Ibrida: Il Meglio di Entrambi i Mondi

La scelta non deve essere definitiva e non dovrebbe esserlo. L’approccio più conveniente dal punto di vista dei costi è iniziare con File Search per validare che il tuo caso d’uso regga, per poi passare a una pipeline personalizzata il giorno in cui incontri un limite identificato. Incapsulare entrambi dietro un unico metodo respond rende questo passaggio indolore per il resto della tua applicazione.

class HybridRAG:
    """Start with File Search, switch to custom if needed."""

    def __init__(self, mode: str = "file_search"):
        self.client = OpenAI()
        self.mode = mode

    def respond_file_search(self, question: str, vs_id: str) -> str:
        response = self.client.responses.create(
            model="gpt-5.6-terra",
            input=question,
            tools=[{
                "type": "file_search",
                "vector_store_ids": [vs_id]
            }]
        )
        return response.output_text

    def respond_custom(self, question: str, pipeline) -> str:
        result = pipeline.respond(question)
        return result["response"]

    def respond(self, question: str, **kwargs) -> str:
        if self.mode == "file_search":
            return self.respond_file_search(
                question, kwargs["vs_id"]
            )
        else:
            return self.respond_custom(
                question, kwargs["pipeline"]
            )

Quando la migrazione diventa necessaria, segue un ordine preciso:

  1. Esporta i tuoi file dal vector store
  2. Implementa il chunking adattato al tuo contenuto
  3. Genera gli embedding con text-embedding-3-large
  4. Indicizza in un database vettoriale (Qdrant, Pinecone, ecc.)
  5. Aggiungi il reranking e la ricerca ibrida
  6. Valuta con il tuo dataset di test
  7. Confronta le metriche con File Search prima di effettuare il switch

L’ultimo passo è quello più spesso saltato, ed è l’unico che giustifica tutto il resto: senza un confronto quantitativo, potresti aver sostituito un sistema gestito decente con uno fatto in casa inferiore, plus l’onere della manutenzione.

Punti chiave

  • File Search è ideale per prototipare rapidamente un sistema RAG senza infrastruttura
  • Una pipeline RAG personalizzata offre controllo totale e prestazioni ottimizzabili
  • Inizia con File Search, migra verso una soluzione personalizzata quando incontri dei limiti
  • Criteri decisionali: controllo, dati sensibili, costo, prestazioni