Un RAG locale che
funziona davvero bene

Qual è la differenza rispetto al kit IA Locale, che ha già un capitolo RAG?

Il kit IA Locale (Cap.8) ti installa un RAG utilizzabile con pochi clic in AnythingLLM o Open WebUI — trascini un PDF, fai una domanda e funziona per un uso occasionale. Questo kit inizia dove quel capitolo si ferma: chunking misurato, embedding per il francese messi a confronto, indice vettoriale scalabile, ricerca ibrida, reranking e soprattutto un metodo per verificare che il tuo RAG risponda correttamente — non solo che risponda. Nessun contenuto del Cap.8 viene spiegato di nuovo qui: vengono trattate solo le impostazioni avanzate e i componenti assenti nelle soluzioni utilizzabili con pochi clic.

Qual è la differenza rispetto alle 7 guide RAG gratuite del sito?

Le guide gratuite di QuelLLM.fr coprono ogni componente separatamente (solo ChromaDB, solo chunking, solo ricerca ibrida BM25, solo Zotero…). Il kit assembla l'intera pipeline nell'ordine (ingestione → chunking → embedding → indice → ricerca ibrida → reranking → generazione → citazione → misurazione), collega ciò che ogni singola guida non collega e fornisce i 20 file testati (script, modelli, confronti) che nessuna singola guida offre — ciò che si paga sono l'assemblaggio e gli script, non le informazioni di base.

È necessario sapere programmare in Python per seguire questo kit?

Python 3.10+ è utile e ti serve per la maggior parte dei capitoli (dal Cap. 4 al Cap. 12): gli script sono forniti, da adattare, non da scrivere da zero. Il Capitolo 13 (Open WebUI Knowledge, AnythingLLM con impostazioni avanzate) rimane accessibile senza scrivere una riga di codice. Questo kit presuppone familiarità con la riga di comando; se parti da zero con l'IA locale, comincia dal kit IA Locale.

Quanto tempo per un primo risultato concreto?

Il capitolo 1 propone 3 interventi rapidi da meno di 30 minuti ciascuno, applicabili a un RAG già in funzione (audit rapido, cambio di embedder con un solo comando, richiesta obbligatoria di una citazione verificabile) — ottieni un miglioramento misurabile prima ancora di affrontare la pipeline completa. Costruire una pipeline completa sul tuo corpus (Parti da 2 a 4) richiede diverse sessioni, non un'ora.

Su quale macchina funziona?

Due configurazioni di riferimento, indicate in ogni esempio: un PC con da 8 a 16 GB di VRAM (il modello di generazione consigliato cambia a seconda dell'estremo dell'intervallo considerato) oppure un Mac Apple Silicon con 24 GB di memoria unificata. In un RAG, il collo di bottiglia non è quasi mai la generazione, ma l'ingestione (OCR, embedding) e la dimensione dell'indice: le due configurazioni coprono la maggior parte delle configurazioni reali per uso professionale e sviluppo.

I miei documenti restano riservati?

È proprio questo il principio: la pipeline (ingestione, embedding, indice, generazione) gira interamente sulla tua macchina e nulla viene inviato a terzi. Il Capitolo 15 affronta nello specifico cosa cambia per un corpus di email o documenti sensibili. Per un deployment multiutente in azienda (GDPR, AI Act, architettura server), il kit da usare è IA Locale per Azienda (quelllm.fr/kit-ia-entreprise), non questo.

Il kit include gli agenti o l'automazione?

Il Capitolo 12 mostra l'uso del RAG come strumento da parte di un agente minimale (un agente, due strumenti) — quanto basta per capire il principio, con un rinvio esplicito al kit Agenti Locali (quelllm.fr/kit-agents-locaux) per l'orchestrazione in più passaggi, MCP o n8n. Non è questo l'argomento di questo kit.

E se non mi soddisfa dopo l'acquisto?

Soddisfatti o rimborsati entro 30 giorni, basta un'email, senza giustificazioni — come per tutti i kit QuelLLM.

In che forma viene fornito e per quanto tempo?

Accesso immediato dopo il pagamento: il tuo spazio online a vita (sempre con l’ultima edizione) + il PDF e lo ZIP dei 20 file da scaricare, tuoi per sempre. Gli aggiornamenti futuri (nuovi embedder, nuove basi di dati vettoriali, framework che evolvono) compaiono nel tuo spazio senza dover pagare di nuovo.

Posso avere una fattura?

Sì, automaticamente. Appena effettuato il pagamento (Stripe), ricevi via email la tua ricevuta Stripe e la tua fattura PDF emessa da Falcon Consulting (editore di QuelLLM), con i tuoi dati — indica la tua azienda o il tuo SIREN nel campo previsto al momento del pagamento. IVA non applicabile, art. 293 B del CGI.

Il kit rimane aggiornato? I database vettoriali e i framework RAG evolvono rapidamente.

È il principio degli aggiornamenti a vita: quando un embedder cambia stato, un database vettoriale matura o un framework interrompe una compatibilità, l'edizione viene aggiornata di conseguenza — come per gli altri kit QuelLLM. Il Capitolo 16 spiega anche come verificare tu stesso se un fatto citato è ancora attuale tra un'edizione e l'altra.

E se voglio più kit QuelLLM?

Il bundle « tutti i kit, a vita » include tutti i kit attuali e futuri per 49 €. Se hai già acquistato un kit a 24 €, l'upgrade al bundle ti costa 25 €, non 49 € — il coupon viene applicato automaticamente.

Che cos'è esattamente il RAG?

RAG (retrieval-augmented generation, cioè generazione aumentata tramite recupero delle informazioni) significa che un LLM cerca le informazioni nei tuoi documenti prima di rispondere, invece di rispondere soltanto con ciò che ha imparato durante l'addestramento — fornendo, in linea di principio, una citazione verificabile della fonte. Il kit RAG Local costruisce questa pipeline completa, con prestazioni misurate, sui tuoi PDF, sulla tua bibliografia o sulle tue email.

Come collegare Ollama a un RAG?

Ollama funge da motore di generazione (e spesso di embedding) in una pipeline RAG: uno strumento utilizzabile con pochi clic come AnythingLLM o Open WebUI Knowledge vi si collega direttamente per un uso occasionale. Per una pipeline che regga centinaia di documenti, il kit RAG Local mostra come collegare Ollama a ChromaDB o Qdrant, con uno script testato anziché con la sola interfaccia.

Quale LLM scegliere per un RAG locale?

La scelta conta meno della pipeline che lo circonda: un modello generalista che la tua macchina può eseguire è sufficiente per la generazione, a condizione che il retrieval a monte (chunking, embedding, ricerca ibrida, reranking) gli fornisca i passaggi giusti da leggere. Il kit RAG Local descrive in dettaglio questa catena completa, non solo la scelta del modello finale.