#retrieval
risultati
-
AI Search high QPS di default anche sui workspace con compliance security profile
Databricks estende high QPS per AI Search ai workspace con compliance security profile a fine agosto 2026. Abilitato…
-
Da Apache Solr a OpenSearch Serverless: cosa offre davvero il Migration Assistant
Migration Assistant for Amazon OpenSearch Service supporta ora sorgenti Apache Solr dalle versioni 6.x alle 9.x, con workflow…
-
Adaptive parsing per RAG: partire economici, pagare il parser pesante solo quando serve
Un parser cheap come PyMuPDF gestisce la maggior parte delle pagine; si escala a un parser strutturato o…
-
Agentic retrieval su Amazon Bedrock: quando il single-shot non basta
La nuova API AgenticRetrieveStream delle Bedrock Managed Knowledge Bases decompone le domande multi-parte, itera e valuta la sufficienza.…
-
RAG: quando conviene passare i candidati al modello uno alla volta
Passare i candidati al modello uno alla volta, con un segnale di sufficienza a due booleani, taglia i…
-
Il prompt non basta: i quattro “bricks” del context engineering contro le allucinazioni RAG
La maggior parte delle “allucinazioni” RAG non nasce dal modello, ma da un brick a monte che gli…
-
Costruire un’architettura RAG: perché conviene un repository intermedio
Come combinare i dati aziendali con un foundation model tramite RAG, e perché far atterrare i dati in…
-
Una sola pipeline RAG, quattro PDF diversissimi: gli stessi quattro bricks, ogni risposta tipizzata e citata
Una singola funzione pdf_qa collega i quattro bricks di una pipeline RAG e gira senza modifiche su un…
-
Context engineering per il RAG: dalla domanda grezza a campi tipizzati che guidano retrieval e generation
Anche la domanda dell’utente è context da progettare: separandola in campi tipizzati, il question parsing di una pipeline…
-
Le allucinazioni del RAG sono spesso fallimenti del retrieval
Quando un sistema RAG risponde con sicurezza ma in modo sbagliato, la causa è quasi sempre a monte:…