Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Ottimizza la pertinenza delle tue ricerche

Lezione 12 di 16 Aggiornata il 29 luglio 2026 Sviluppatore
In questa pagina
  1. La qualità dei risultati dipende da te
  2. Prepara i documenti per il frazionamento (chunking)
  3. Scrivi query migliori
  4. Sfrutta i metadati e l’organizzazione
  5. Misura prima di distribuire
  6. Punti chiave

La qualità dei risultati dipende da te

Il motore di ricerca di xAI è potente, ma funziona solo con il materiale che gli fornisci. Una raccolta preparata male produce risultati mediocri anche con il modello migliore, portando i team a concludere erroneamente che “il RAG non funziona”. Tu controlli tre leve: la struttura dei documenti, la formulazione delle query e l’organizzazione della raccolta. Questa lezione le esamina in quest’ordine, per poi offrirti un metodo per misurare i tuoi progressi.

Prepara i documenti per il frazionamento (chunking)

Il motore si basa sulla struttura del documento per dividere il contenuto in blocchi: titoli, sottotitoli e paragrafi fungono da marcatori. Un’intestazione come “Politica di rimborso per gli acquisti online” conferisce al blocco un’identità chiara e lo rende reperibile; “Sezione 3.2.1” non fornisce alcun segnale utilizzabile per il frazionamento o la corrispondenza semantica. Rinominare le intestazioni in un manuale interno prima dell’indicizzazione è spesso l’ottimizzazione con il miglior ritorno sull’investimento dell’intero progetto.

Le dimensioni del documento contano altrettanto. Un PDF di 500 pagine genera centinaia di blocchi che competono tra loro: più un documento è vasto e variegato nel suo corpus interno, maggiore è il rischio che un estratto irrilevante ottenga un punteggio elevato. Suddividi questi monoliti in sezioni tematiche, puntando a documenti di venti-cinquanta pagine dedicati a un singolo argomento, piuttosto che a un documento onnicomprensivo che tratta tutto.

C’è poi la questione del contesto. Ogni blocco viene letto in isolamento, strappato da ciò che lo precede, il che condanna i riferimenti anaforici. Una frase come “come menzionato sopra, questa scadenza si applica anche agli ordini all’ingrosso” diventa inutilizzabile una volta frazionata: né la scadenza né il suo soggetto appaiono nel frammento. Scrivi “il periodo di recesso di quattordici giorni si applica anche agli ordini all’ingrosso” e il blocco reggerà da solo.

Scrivi query migliori

La precisione della query pesa tanto quanto la qualità del corpus. Una ricerca per “sicurezza” restituisce dozzine di estratti disparati, dalle password al controllo degli accessi fisici; “configurazione del firewall per le connessioni in ingresso sulla porta 443” individua immediatamente i due o tre passaggi utili. Quando i tuoi documenti utilizzano un vocabolario tecnico consolidato, riutilizzalo: anche in modalità ibrida, che mescola corrispondenza esatta e comprensione semantica, il termine letterale rimane un segnale forte.

Preferisci domande complete a pacchetti di parole chiave. “Timeout di connessione API” lascia il motore nell’incertezza riguardo alla tua intenzione, mentre “Come configuro il timeout di connessione API?” fornisce una struttura grammaticale da confrontare con le frasi indicizzate. Il guadagno è particolarmente evidente in modalità semantica, progettata proprio per il linguaggio naturale.

Sfrutta i metadati e l’organizzazione

Se hai dichiarato metadati con inject_into_chunk, questi vengono incorporati nel testo indicizzato e diventano punti di ancoraggio. Un campo department iniettato in ogni blocco fa sì che la query “procedura di validazione nel team marketing” faccia emergere spontaneamente i documenti del dipartimento marketing, senza bisogno di impostare filtri espliciti.

L’organizzazione tematica della raccolta produce lo stesso effetto su scala più ampia. Invece di un’unica raccolta contenente tutto, separa col_docs_techniques per la documentazione tecnica, col_procedures_internes per i processi e col_support_client per le FAQ e le guide utente. Un assistente rivolto al cliente interrogherà quindi solo la terza: meno documenti da cercare significa risultati più precisi e un costo inferiore, poiché nessuna chiamata viene effettuata verso raccolte inutili. La modalità di ricerca completa questa impostazione: keyword per codice o riferimenti esatti, semantic per una domanda concettuale, hybrid in caso di dubbio e come predefinita.

Misura prima di distribuire

Nulla di tutto questo ha senso senza valutazione. Prima della produzione, costruisci un set di test: formula da dieci a venti domande che rappresentino casi reali, quelle che i tuoi utenti pongono effettivamente, non quelle che immagini. Eseguile, giudica la pertinenza dei risultati restituiti e annota le query che restituiscono estratti inadeguati. Questi ti indicano cosa correggere: migliora la struttura del documento pertinente, aggiungi metadati o riformula la query stessa.

I punteggi fungono da termometro durante questo ciclo. Ogni risultato ha un valore tra 0 e 1; se le tue query tipiche si attestano costantemente sotto 0,5, non cercare il problema dal lato del modello. O i tuoi documenti sono mal strutturati, le tue domande rimangono troppo vaghe o, più frequentemente e con diagnosi errate, il tuo corpus semplicemente non contiene nulla sull’argomento richiesto. Rieseguire questo stesso set di domande dopo ogni modifica ti dice, cifre alla mano, se stai progredendo.

Punti chiave

  • La qualità dei risultati dipende dalla struttura dei documenti, dalla precisione delle query e dall’organizzazione della raccolta
  • Titoli espliciti e dimensioni ragionevoli dei documenti migliorano il frazionamento
  • Domande complete in linguaggio naturale producono risultati migliori rispetto a parole chiave isolate
  • I metadati inject_into_chunk arricchiscono i blocchi e migliorano la pertinenza
  • Testa le tue raccolte con query tipiche prima della distribuzione in produzione