Vai al contenuto
Glossario

RAG (Retrieval-Augmented Generation)

RAG (Retrieval-Augmented Generation) è una tecnica AI che combina un LLM con una base di conoscenza esterna: invece di affidarsi solo al training del modello, l'LLM recupera informazioni rilevanti da documenti (PDF, sito, database) e le usa per generare risposte aggiornate e accurate. È la base di chatbot, knowledge assistant e AI search interna.

Cosa significa

Il RAG risolve il problema principale degli LLM: l'hallucination e l'informazione obsoleta. Un LLM da solo può inventare dati, RAG ancora le risposte a documenti reali e citabili. In un eCommerce DTC si usa per: chatbot customer service basato su FAQ e policy reali, ricerca interna su catalogo, assistente per il team commerciale, knowledge base AI di brand.

L'implementazione richiede: vectorizzazione dei documenti (embedding), database vettoriale (Pinecone, Supabase pgvector), retrieval query top-k, prompt che combina retrieval e generation. Tools no-code come Voiceflow, Stack AI, Vertex AI Search permettono di lanciare RAG senza scrivere codice avanzato.

Esempio eCommerce

Un brand DTC implementa chatbot RAG su catalogo + FAQ + politiche reso: gestisce il 67% delle conversazioni customer support senza intervento umano, riducendo costi support del 45% e migliorando tempi di risposta.

Errori comuni

  • Implementare RAG senza curare la qualità della knowledge base sorgente.
  • Non monitorare hallucination residue facendo accuratezza checks periodici.
  • Confondere RAG con fine-tuning, che sono approcci diversi.

Articoli correlati

Vuoi applicare queste strategie al tuo eCommerce?

Guarda la lezione gratuita di Max Schipilliti e scopri come usare AI, creative strategy e metodo per creare campagne eCommerce più efficaci.

Guarda la lezione gratuita