Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Citazioni con fonti: oggetto di riferimento e RAG

Lezione 8 di 16 Aggiornata il 3 novembre 2026 Avanzato
In questa pagina
  1. Perché le citazioni sono essenziali in produzione
  2. Il formato di riferimento
  3. Architettura della pipeline RAG con citazioni
  4. Migliori pratiche per gli snippet
  5. Punti chiave

Aggiornato il 3 novembre 2026 sulla base della guida Citations & References di Mistral: le fonti vengono passate come risultato di uno strumento in un oggetto dove le chiavi sono numeri ("0", "1"…) e i valori contengono url, title, snippets (lista di liste), description, date e source. L‘“oggetto di riferimento” con i campi type, reference_id e source_id della versione precedente non appare nella documentazione, così come non esistono soglie specifiche per il numero di fonti. Fonte: Citations & References.

Perché le citazioni sono essenziali in produzione

Quando distribuisci un sistema di Generazione Aumentata dal Recupero (RAG) in produzione, i tuoi utenti devono poter verificare le risposte del modello. Una risposta senza fonte è un’affermazione inverificabile. Le citazioni trasformano una risposta dell’IA in un documento tracciabile e affidabile.

Mistral AI integra nativamente un meccanismo di citazione che permette al modello di basare le sue risposte su documenti sorgente e fornire riferimenti precisi. Il modello è stato addestrato in profondità per ancorarsi ai documenti ed estrarre passaggi rilevanti.

Il formato di riferimento

In Mistral, le fonti non passano attraverso un parametro dedicato: arrivano al modello come risultato di una chiamata a uno strumento. Il tuo strumento restituisce un oggetto JSON dove ogni chiave è un numero di fonte ("0", "1", "2"…) e ogni valore descrive la fonte:

references = {
    "0": {
        "url": "https://docs.example.com/guide",
        "title": "Deployment Guide v3.2",
        "snippets": [
            [
                "Production deployment requires verification...",
                "Load tests must validate at least 1000 req/s..."
            ]
        ],
        "description": None,
        "date": "2026-03-15",
        "source": "docs-deployment"
    }
}

Campi di riferimento

  • La chiave ("0", "1"…) — l’identificatore della fonte, che il modello riutilizza nelle sue citazioni
  • url — l’indirizzo della fonte originale
  • title — il titolo della fonte, per la visualizzazione
  • snippets — gli estratti rilevanti, come lista di liste di frasi: questo è il contenuto che il modello usa per ancorare la sua risposta
  • description — una breve descrizione, oppure None
  • date — la data di pubblicazione o aggiornamento
  • source — l’origine della fonte (un database di documenti, un sito web)

Architettura della pipeline RAG con citazioni

Il flusso di lavoro completo si articola in quattro passaggi.

1. Ricerca dei documenti

Il tuo sistema di recupero (Elasticsearch, Pinecone, pgvector, ecc.) restituisce i documenti rilevanti per la query dell’utente.

2. Costruzione dei riferimenti

Strutturi i documenti recuperati in questo formato:

def build_references(search_results):
    """Converte i risultati della ricerca nel formato di riferimento di Mistral."""
    return {
        str(i): {
            "url": result.get("url", ""),
            "title": result["title"],
            "snippets": [result["relevant_passages"]],
            "description": None,
            "date": result.get("date"),
            "source": result.get("collection", "default"),
        }
        for i, result in enumerate(search_results)
    }

3. Chiamata al modello con uno strumento

Dichiari uno strumento che il modello chiama per ottenere le fonti. Quando viene chiamato, il tuo codice restituisce json.dumps(references) in un ToolMessage, poi riprendi la conversazione (prossima lezione).

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

get_information_tool = {
    "type": "function",
    "function": {
        "name": "get_information",
        "description": "Retrieves relevant document sources",
        "parameters": {
            "type": "object",
            "properties": {"query": {"type": "string"}},
            "required": ["query"]
        }
    }
}

4. Il modello cita le sue fonti

La risposta finale non è una semplice stringa: il suo contenuto alterna oggetti TextChunk e ReferenceChunk, dove il campo reference_ids contiene i numeri delle fonti citate — 0 per la chiave "0". Li cerchi nella tua tabella di riferimento per visualizzare titoli e link.

Migliori pratiche per gli snippet

La qualità delle citazioni dipende direttamente dalla qualità degli snippet e la prima impostazione da monitorare è la loro lunghezza. Uno snippet di due-cinque frasi offre al modello un passaggio denso e utilizzabile; un estratto che copre un’intera pagina diluisce le informazioni rilevanti al punto che il modello cita la fonte senza davvero ancorarvisi. Fai attenzione però a non tagliare troppo corto: uno snippet strappato dal suo contesto può essere frainteso — “la tariffa sale al 20%” non significa nulla se la frase precedente, che specificava quale tariffa, è stata tagliata.

Il numero di fonti gioca lo stesso ruolo della lunghezza, a livello di query: ogni fonte aggiunta costa token di contesto, citata o meno. Inizia con una manciata di fonti e controlla, nei reference_ids, quali il modello usa effettivamente prima di aggiungerne altre. Infine, quando il tempo conta (documentazione versionata, prezzi, regolamenti), popola il campo date per ogni fonte: è un’informazione che il modello può usare e che tu puoi mostrare.

Punti chiave

  • Le fonti passano attraverso il risultato di uno strumento, indicizzate per numero ("0", "1"…), con URL, titolo, snippet e metadati
  • Il modello Mistral è addestrato nativamente per ancorare le sue risposte alle fonti fornite
  • Gli snippet devono essere concisi e contestualizzati per citazioni di alta qualità
  • Limitati a 3–7 riferimenti per query per un uso ottimale
  • Le citazioni trasformano le risposte dell’IA in informazioni verificabili e tracciabili