I 5 migliori strumenti e framework RAG

Le aziende desiderano spesso combinare l'intelligenza artificiale generativa con i propri dati per riassumere contenuti, sintetizzare informazioni o rispondere a domande specifiche. Tuttavia, i chatbot di intelligenza artificiale non hanno accesso automatico ai dati aziendali. Per questo motivo, le imprese che intendono lavorare con i loro dati non strutturati nell'ambito dell'AI generativa ricorrono spesso alla Retrieval-Augmented Generation (RAG). RAG è un framework di intelligenza artificiale che permette ai modelli linguistici di grandi dimensioni (LLM) di accedere a basi di conoscenza esterne, diventando così un componente fondamentale nella creazione di servizi di intelligenza artificiale generativa che attingono ai contenuti aziendali.

Sebbene molte aziende vogliano implementare RAG per migliorare i loro servizi di intelligenza artificiale generativa, può essere difficile trovare il miglior strumento o framework RAG per lo sviluppo e la gestione. Comprendere i cinque principali candidati – PostgreSQL con pgvector, Azure AI Search, GraphRAG, LightRAG e txtAI – può aiutare le aziende a selezionare i componenti giusti per supportare i workflow RAG in ambienti di produzione.

L'articolo è stato redatto da Marius Sandbu di Sopra Steria e aggiornato l'ultima volta il 13 novembre 2025.

Quali sono i componenti principali di RAG?

RAG rende i dati non strutturati ricercabili utilizzando un motore di ricerca che recupera i contenuti proprietari più rilevanti e inoltra queste informazioni a un LLM, che poi genera l'output.

L'architettura RAG può variare a seconda del framework o dei componenti utilizzati da un'azienda. Tuttavia, gli elementi costitutivi principali includono solitamente l'embedding e la vettorizzazione, il "data chunking" (suddivisione dei dati in blocchi), la ricerca e la corrispondenza di similarità, e la generazione di risposte.

Figura 1: L'architettura RAG comprende diversi passaggi e componenti per recuperare i contenuti corretti e rispondere con successo alle richieste degli utenti finali.

• 1. Embedding e vettorizzazione

  Il sistema RAG elabora tutti i dati non strutturati – come file Word, tabelle Excel e documenti di testo – tramite un modello di embedding che trasforma i dati in embedding vettoriali. Molti framework RAG e database vettoriali dispongono di funzioni integrate per questa vettorizzazione. Questi vettori vengono quindi memorizzati in un archivio vettoriale come Azure AI Search o PostgreSQL con pgvector.

• 2. Suddivisione dei dati (data chunking)

  Il sistema RAG di solito suddivide i dati in segmenti più piccoli. Ad esempio, una pagina Wiki può essere divisa in sottotemi, ciascuno rappresentato come un proprio set di vettori. Questo porta a risultati di ricerca più precisi rispetto all'embedding dell'intero documento come un singolo vettore.

• 3. Ricerca e corrispondenza di similarità

  Il prompt viene convertito in un vettore quando un utente invia una query. Successivamente, viene eseguita una ricerca di similarità nell'archivio vettoriale per trovare il contenuto più rilevante correlato al prompt.

• 4. Generazione di una risposta

  I blocchi di dati più rilevanti e l'input originale vengono inoltrati all'LLM per generare una risposta per l'utente.

I 5 strumenti e framework RAG da considerare

Dagli archivi vettoriali ai grafi di conoscenza, gli strumenti RAG possono aiutare le aziende ad accedere ai framework e ai processi necessari per costruire sistemi RAG di successo. Queste cinque opzioni offrono una selezione che i team dovrebbero considerare.

Gli strumenti non sono elencati in un ordine specifico.

• 1. PostgreSQL con pgvector

  pgvector è un'estensione open source per PostgreSQL che consente agli utenti di archiviare e interrogare gli embedding vettoriali direttamente in una colonna del database. Ciò è particolarmente utile quando il contenuto desiderato è già presente in PostgreSQL, permettendo agli utenti di aggiungere una ricerca semantica senza dover introdurre un database vettoriale separato.

  La forza di pgvector risiede nella sua semplicità e accessibilità. È gratuito e open source, e se un utente ha già familiarità con PostgreSQL, non deve imparare nuovi strumenti. Inoltre, è supportato da molti framework di intelligenza artificiale generativa come LlamaIndex, Semantic Kernel e LangChain, il che può facilitare l'integrazione.

• 2. Azure AI Search

  Azure AI Search è un'offerta PaaS (Platform as a Service) di Microsoft Azure che fornisce funzionalità di ricerca basate su indici di ricerca, e non su tabelle relazionali come nel caso di PostgreSQL con pgvector. È progettato per la ricerca full-text e semantica.

  Il servizio è profondamente integrato nell'ecosistema Azure e offre supporto nativo per l'embedding di modelli da Azure OpenAI. Può vettorizzare automaticamente i contenuti, semplificando così la costruzione di sistemi RAG. Per i team che già lavorano con Azure, AI Search offre uno strumento scalabile e gestito per aggiungere la ricerca vettoriale senza dover gestire l'infrastruttura o componenti separati.

• 3. GraphRAG

  GraphRAG è un framework RAG di Microsoft che include i grafi di conoscenza nel processo di recupero. I sistemi RAG tradizionali recuperano blocchi di informazioni semanticamente simili, ma possono trascurare informazioni correlate che non sono incluse in quei blocchi.

  I grafi di conoscenza estendono il contesto di ricerca utilizzando nodi e relazioni adiacenti, il che può migliorare la rilevanza senza sovraccaricare il modello con un contesto troppo lungo. Per illustrare la differenza tra RAG tradizionale e grafi di conoscenza, prendiamo una domanda come "Quali aziende hanno acquisito aziende attive nel campo dell'IA negli ultimi due anni?" – "quali" è una query composita difficile da rispondere per un sistema RAG tradizionale, poiché il contenuto può essere suddiviso in diversi blocchi di dati.

  Con un grafo di conoscenza, è molto più semplice comprendere le relazioni tra diverse entità e rispondere a queste query compositive. GraphRAG combina la velocità dei RAG tradizionali con la precisione dei grafi di conoscenza, rendendolo un framework utile per lo sviluppo di sistemi RAG complessi.

• 4. LightRAG

  LightRAG, come GraphRAG, è un framework che combina grafi di conoscenza e funzionalità di ricerca ibrida, il che lo rende eccellente per comprendere le relazioni tra diverse entità e rispondere a domande compositive.

  LightRAG è open source e supporta l'elaborazione di dati multimodali attraverso l'integrazione di MinerU, uno strumento open source per l'analisi dei documenti. Ciò consente funzionalità RAG e analisi dei documenti su diversi formati come immagini, documenti Office, PDF e tabelle. Dispone anche di un componente separato chiamato VideoRAG per l'elaborazione di contenuti video.

  Un altro vantaggio dell'utilizzo di LightRAG è che supporta un aggiornamento più semplice dei contenuti rispetto a GraphRAG, dove gli utenti devono ricreare l'intero grafo, il che richiede molto tempo, soprattutto se ci sono molti contenuti.

• 5. TxtAI

  TxtAI si differenzia leggermente dagli altri strumenti e framework RAG elencati in precedenza. Ad esempio, mentre PostgreSQL con pgvector e Azure AI Search sono puri archivi vettoriali, TxtAI è più un framework completo che mira a fornire sia un database vettoriale che un framework per la ricerca semantica. Lo strumento open source offre anche supporto per grafi di conoscenza, pipeline e la possibilità di creare agenti AI personalizzati.

  Sebbene possa essere considerato più un'alternativa a LangChain, a differenza di LangChain, TxtAI offre anche un database vettoriale nativo.

Come scegliere lo strumento RAG giusto

Nella costruzione di un servizio di intelligenza artificiale generativa personalizzato che possa accedere e utilizzare i dati aziendali, le imprese devono innanzitutto identificare i propri requisiti specifici. La scelta dello strumento RAG più adatto dipenderà da fattori come l'infrastruttura IT esistente (ad esempio, se si è già in Azure o si usa PostgreSQL), la complessità delle query che il sistema dovrà gestire, la necessità di elaborazione multimodale e la preferenza per soluzioni open source o gestite. Valutare attentamente questi aspetti permetterà ai team di selezionare la soluzione RAG che meglio si integra con i loro flussi di lavoro e che supporta al meglio i loro obiettivi di intelligenza artificiale generativa.