book

Ricettario RAG con Python (Italian Edition)

Name: Ricettario RAG con Python (Italian Edition)
Author: Dominik Polzer
ISBN: 0642572383572

by Dominik Polzer

May 2026

Intermediate

378 pages

9h 10m

Italian

O'Reilly Media, Inc.

Read now

Unlock full access

Prefazione
A chi è rivolto questo libroCosa imparerai e come è strutturato il libroConvenzioni utilizzate in questo libroUtilizzo degli esempi di codiceO’Reilly Online LearningCome contattarciRingraziamenti
1. Introduzione a RAG
1.1. Identificare casi d'uso RAG di alto valore perla tua organizzazione1.2. Scegliere l'IDE e configurare l'agente di codifica1.3. Introduzione a Jupyter Notebooks in VS Code1.4. Archiviazione di segreti e chiavi API con i file .env1.5. Creazione della tua prima app RAG1.6. Scegliere i framework e le librerie perle tue applicazioni RAG1.7. Esecuzione degli esempi di codice nel repository del libro
2. Modelli di base
2.1. Definizione di un modello di prompt adeguato2.2. Scegliere il modello linguistico giusto per il tuo compito2.3. Generare contenuti con l'API di OpenAI2.4. Generazione di contenuti con i modelli Gemini di Google2.5. Generazione di contenuti con l'API di Anthropic2.6. Eseguire modelli open source in locale con Ollama2.7. Creazione di output strutturati con l' SDK di OpenAI e Pydantic
3. Caricare i dati
3.1. Caricare file Word in Python3.2. Caricare file PDF3.3. Caricare e gestire dati tabulari da file Excel e CSV3.4. Caricare dati strutturati da un database PostgreSQL3.5. Caricare file audio tramite modelli di sintesi vocale3.6. Estrazione di testo da immagini e PDF tramite OCR Tesseract3.7. Estrazione di testo da immagini tramite modelli multimodali3.8. Generazione di descrizioni testuali per immagini tramite modelli multimodali3.9. Generazione di riassunti testuali per tabelle incorporate tramite modelli multimodali3.10. Analisi dei PDF con contenuti multimodali3.11. Caricare video tramite modelli di sintesi vocale e modelli multimodali
4. Preparazione dei dati
4.1. Aggiunta di metadati per consentire il filtraggio dei metadati4.2. Miglioramento della qualità dei dati tramite la sostituzione di abbreviazioni e termini tecnici4.3. Miglioramento della precisione di ricerca tramite la creazione di domande ipotetiche per blocchi di testo4.4. Suddivisione dei documenti tramite la suddivisione dei caratteri4.5. Suddivisione dei documenti con splitter di testo ricorsivi4.6. Suddivisione dei documenti con la suddivisione sensibile al documento4.7. Suddivisione del testo con segmentatori sensibili al significato4.8. Suddivisione del testo con segmentatori agenti
5. Incorporamenti
5.1. Mappatura del significato linguistico dei blocchi di testo in una rappresentazione numerica5.2. Visualizzazione delle relazioni semantiche tra i segmenti di testo tramite tecniche di riduzione della dimensionalità5.3. Calcolo della distanza tra gli embedding5.4. Scegliere il modello di embedding giusto5.5. Generazione di embedding per immagini e testo con CLIP5.6. Classificazione del testo con gli embedding5.7. Migliorare i risultati di ricerca con un approccio di ricerca ibrido
6. Database vettoriali e ricerche di similarità
6.1. Scegliere il database vettoriale giusto6.2. Memorizzazione e ricerca di embedding con FAISS6.3. Memorizzazione e utilizzo degli embedding in un database vettoriale Chroma6.4. Memorizzazione degli embedding in PostgreSQL con l' estensione pgvector6.5. Eseguire ricerche di similarità in PostgreSQL6.6. Accelerare le ricerche vettoriali in PostgreSQL con tecniche di indicizzazione6.7. Combinare la ricerca per parole chiave e quella per somiglianza per migliorare la precisione del recupero con PostgreSQL
7. Recupero
7.1. Ottimizzazione dei risultati delle query tramite il filtraggio dei metadati in PostgreSQL7.2. Migliorare la precisione del recupero con HyDE7.3. Miglioramento dei risultati di ricerca con il recupero multiquery7.4. Gestire richieste complesse progettando un sistema di instradamento delle query7.5. Miglioramento dei documenti recuperati tramite la progettazione di un retriever con fusione automatica7.6. Recupero di blocchi di testo più completi con un retriever a finestre di frasi7.7. Miglioramento della pertinenza del recupero con metodi di riclassificazione7.8. Scomposizione di query complesse in più sottoquery
8. RAG agenziale
8.1. Progettare uno strumento personalizzato in Python8.2. Utilizzo di modelli di flusso di lavoro nei sistemi multiagente8.3. Scegliere un framework agentico8.4. Costruire un sistema agentico tramite chiamate di funzione8.5. Accelerare gli agenti con asyncio8.6. Creazione di un agente di negoziazione commerciale con l'SDK per agenti di OpenAI e Chroma8.7. Arricchire le capacità del tuo agente con gli strumenti MCP8.8. Creazione di un sistema agentico con LangGraph
9. RAG grafico
9.1. Creazione del tuo primo grafico di conoscenza Neo4j e alimentazione con testo proveniente da documenti9.2. Ampliare il grafico di conoscenza con i dati strutturati9.3. Creare la tua prima query Cypher9.4. Abilitare la ricerca semantica su un grafico di conoscenza Neo4j9.5. Ottimizzazione del grafico di conoscenza per i sistemi RAG

10. Valutazione dei sistemi RAG
10.1. Scegliere le metriche di valutazione giuste peri sistemi RAG10.2. Valutazione dei sistemi RAG da parte di esseri umani10.3. Creazione di dati sintetici per i test automatizzati10.4. Valutazione della fase di recupero tramite il calcolodella precisione contestuale@k10.5. Valutazione della fedeltà durante la generazione con LLM-as-a-Judge10.6. Valutare la pertinenza delle risposte del tuo sistema RAG
11. App web RAG
11.1. Creazione della tua prima app Streamlit11.2. Creazione di un'app chatbot con Streamlit11.3. Aggiungere la funzionalità di analisi dei PDF al tuo chatbot11.4. Collegare la tua app RAG a un database SQL11.5. Distribuzione della tua app Streamlit con Docker e AWS
Indice
L'autore

Overview

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: translation-feedback@oreilly.com

Mentre le aziende corrono per sbloccare il pieno potenziale dei modelli linguistici di grandi dimensioni (LLMs), è emersa una sfida cruciale: Come collegare questi strumenti a dati esterni in tempo reale per risolvere i problemi del mondo reale? La risposta è la RAG (Retrieval-augmented generation). Combinando gli LLMs con il recupero delle informazioni, la RAG ti permette di costruire qualsiasi cosa, dai chatbot intelligenti agli agenti autonomi che risolvono i compiti.

Con oltre 70 ricette pratiche, questa guida affronta un'ampia gamma di applicazioni GenAI attraverso un apprendimento pratico e strutturato. L'autore Dominik Polzer fornisce gli strumenti necessari per progettare, implementare e ottimizzare i sistemi RAG per i tuoi casi d'uso specifici. Che tu stia lavorando al semplice recupero di dati o alla progettazione di agenti autonomi all'avanguardia, questo ricettario ti aiuterà a essere sempre all'avanguardia.

Impara i componenti principali di RAG, tra cui le tecniche di incorporazione, recupero e generazione.
Comprendere i flussi di lavoro avanzati come il chunking semantico e il prompt multi-query
Costruire soluzioni personalizzate, come chatbot e agenti autonomi, per sfide specifiche sui dati.
Valutare e ottimizzare continuamente i sistemi per quanto riguarda l'accuratezza, la rilevanza e le prestazioni.

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Publisher Resources

ISBN: 0642572383572

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills