Succede spesso che tu apra un chatbot e gli faccia una domanda precisa sui tuoi documenti, sulle policy interne o sulla documentazione tecnica. E lui ti risponda con qualcosa di vago, generico o, peggio, inventato.

Sullo schermo vedi una risposta che sembra convincente, ma non si appoggia davvero ai tuoi dati. E lì il problema è chiaro: il chatbot parla, sì, ma non “sa” davvero dove andare a prendere le informazioni giuste.

È proprio qui che entra in gioco un chatbot RAG con n8n. In pratica, è un modo per costruire un assistente che prima cerca nei tuoi contenuti e poi risponde, invece di affidarsi solo a ciò che il modello ha imparato durante l’addestramento.

Quindi niente magie astratte: è uno strumento utile per uscire da un problema molto concreto.

In questo articolo vedremo come il RAG, cioè la generazione aumentata dal recupero (in inglese Retrieval Augmented Generation), permette di creare chatbot specializzati che superano i limiti delle interazioni più comuni.

Invece di produrre risposte generiche, i chatbot RAG vanno a pescare in fonti di conoscenza esterne per restituire risposte più precise e dettagliate, anche quando le domande diventano un po’ più toste.

Analizzeremo i concetti fondamentali del RAG e alcuni esempi pratici di automazione. Quindi non resteremo sulla teoria: vedremo anche come implementare il tutto con n8n, uno strumento che permette di automatizzare processi e collegare servizi diversi tra loro.

Alla fine dell’articolo avrai una visione chiara di come funziona il RAG (Retrieval Augmented Generation, cioè la generazione aumentata dal recupero di informazioni). E saprai come costruire il tuo assistente conversazionale personalizzato con n8n, partendo dai dati o dalla documentazione che vuoi interrogare.

Cos'è il RAG nel chatbot?

La generazione aumentata dal recupero, cioè il RAG, è una tecnica che consente ai chatbot basati su intelligenza artificiale di cercare informazioni in fonti esterne prima di rispondere, invece di affidarsi solo a ciò che hanno imparato durante l’addestramento.

In pratica, un chatbot RAG funziona un po’ come uno studente che, prima di rispondere a una domanda difficile, apre gli appunti e controlla. Non si inventa la risposta: la va a cercare.

Questo approccio è molto utile quando il chatbot deve rispondere su temi specifici, consultare documenti aziendali interni oppure gestire informazioni che cambiano spesso.

I modelli linguistici di grandi dimensioni, cioè gli LLM, sono potenti ma non possono sapere tutto. E soprattutto non restano aggiornati da soli sui tuoi contenuti.

Il RAG serve proprio a colmare questo limite, collegandoli a basi di conoscenza aggiornate.

I chatbot che usano il RAG possono recuperare sia contenuti non strutturati — come documenti di testo, pagine web o post sui social — sia dati organizzati in tabelle o archivi strutturati. Questo permette di:

• fornire risposte più complete e informative;
• personalizzare l'esperienza utente;
• restare aggiornati con le informazioni più recenti;
• fornire risposte basate su documenti interni.

Esempi di chatbot RAG

Vediamo ora alcuni esempi concreti di chatbot basati su RAG, cioè sistemi che uniscono ricerca di informazioni e generazione di testo, costruiti con n8n. L’obiettivo è capire quali approcci funzionano meglio a seconda del contesto.

Ogni scenario mostra un caso d’uso diverso. Le logiche con cui il sistema recupera le informazioni cambiano in base alla fonte dei dati, al tipo di domanda e al contesto in cui il chatbot viene usato.

Capire queste differenze all’inizio aiuta parecchio, perché evita di montare una struttura e poi doverla rifare da capo più avanti.

I casi che seguono coprono situazioni tipiche in cui unire ricerca e generazione testuale porta un vantaggio reale: basi di conoscenza interne, documentazione tecnica, dati strutturati e contenuti in più lingue.

Chatbot con base di conoscenza interna

Qui il flusso di lavoro si collega alle risorse interne dell’azienda, con un focus sui documenti archiviati in Google Drive. Usa un meccanismo che aggiorna automaticamente un database vettoriale Pinecone ogni volta che vengono aggiunti nuovi documenti o modificati quelli già presenti nelle cartelle Google Drive scelte.

Quando un utente fa una domanda, il flusso usa una combinazione di nodi — tra cui la ricerca semantica con Pinecone e un LLM — per recuperare le informazioni rilevanti dai documenti indicizzati e generare una risposta.

Per esempio: un dipendente chiede al chatbot "Qual è la policy aziendale sul lavoro da remoto?". Il chatbot accede all’archivio vettoriale, recupera i documenti pertinenti e genera un riepilogo della policy.

Chatbot per la documentazione API

Questo flusso di lavoro si collega alla documentazione di un’API, cioè all’insieme di istruzioni che permette a due software di comunicare tra loro, insieme a esempi di codice e guide tecniche per sviluppatori.

Un nodo dedicato analizza la struttura della documentazione ed estrae le informazioni utili. Quando uno sviluppatore fa una domanda, il sistema recupera la documentazione rilevante e gli esempi di codice collegati.

Poi il modello linguistico, cioè il componente che genera la risposta, produce spiegazioni sintetiche, esempi adattati al linguaggio richiesto e piccoli blocchi di codice pronti all’uso.

Ad esempio: uno sviluppatore chiede al chatbot come autenticare un utente tramite OAuth 2.0, cioè un protocollo standard per la gestione sicura degli accessi, in un’applicazione Node.js, cioè un ambiente per eseguire JavaScript lato server.

Il chatbot recupera la documentazione pertinente e genera un blocco di codice che mostra il flusso di autenticazione, con le relative note di sicurezza.

Più avanti in questo articolo vedremo nel dettaglio come costruire questo flusso di lavoro: come collegarsi a un'API reale specifica, integrare un database vettoriale e configurare un’interfaccia di chat con n8n.

Chatbot di analisi finanziaria

In questo caso il flusso di lavoro si integra con fornitori di dati finanziari, per esempio Bloomberg o Refinitiv. Usa nodi HTTP Request per recuperare dati di mercato in tempo reale, prezzi storici delle azioni e report finanziari aziendali.

Quando l’utente pone una domanda di tipo finanziario, il flusso recupera i dati pertinenti e usa un LLM per generare analisi, valutazioni del rischio o raccomandazioni di investimento.

Tipo: un analista chiede al chatbot: "Qual è il sentiment attuale del mercato verso le aziende di energia rinnovabile e come si confronta con il trimestre precedente?"

Il chatbot analizza articoli di notizie, sentiment dai social media e dati di mercato per fornire una risposta completa, includendo eventualmente grafici generati con altri nodi di n8n.

Come costruire un chatbot RAG con n8n?

Passiamo ora dalla teoria alla pratica e costruiamo un chatbot RAG con n8n.

Il RAG, cioè Retrieval-Augmented Generation, è una tecnica che permette a un’intelligenza artificiale di rispondere alle domande andando a recuperare informazioni da documenti reali, invece di basarsi solo su ciò che ha imparato in addestramento.

n8n, invece, è uno strumento visuale per creare flussi di lavoro automatizzati collegando servizi diversi, senza dover scrivere codice complesso.

In questa guida costruiremo un chatbot capace di rispondere a domande sulla documentazione API di GitHub, cioè le istruzioni tecniche per usare i servizi di GitHub, collegando le fonti dei dati, un database vettoriale, cioè un archivio ottimizzato per la ricerca semantica, e un modello linguistico, cioè l’IA che genera le risposte.

Seguiremos ogni fase: dall’estrazione e organizzazione dei dati fino alla creazione di una chat funzionante.

Prerequisiti

Prima di iniziare a costruire il flusso di lavoro, assicurati di avere già configurato queste cose:

1. Account n8n: Ti serve un account n8n per creare ed eseguire i flussi di lavoro. Se non ne hai ancora uno, puoi registrarti a n8n cloud oppure installare n8n direttamente sul tuo server, in self-hosting, cioè gestendolo in autonomia senza passare da un servizio esterno.
2. Account OpenAI e chiave API: Useremo i modelli di OpenAI per generare gli embedding, cioè rappresentazioni numeriche del testo usate per confrontarne il significato, e per generare le risposte del chatbot. Quindi servono un account OpenAI e una chiave API, cioè il codice che autorizza la tua applicazione a comunicare con il servizio. Puoi fare riferimento alla documentazione ufficiale per configurare le credenziali OpenAI in n8n.
3. Account Pinecone e chiave API: Useremo Pinecone come database vettoriale, cioè un archivio ottimizzato per salvare e cercare embedding, per archiviare e recuperare i contenuti della documentazione API. Puoi creare un account gratuito sul sito di Pinecone e consultare la documentazione su come configurare le credenziali Pinecone in n8n.

Conoscenza di base dei database vettoriali: Non è obbligatoria, ma sapere almeno in linea generale come funzionano i database vettoriali, cioè strumenti che archiviano e confrontano dati sotto forma di numeri, può aiutarti a orientarti meglio.

Se vuoi, puoi usare come riferimento la documentazione ufficiale di n8n sull’uso di questi database.

Una volta sistemati questi requisiti, puoi iniziare a costruire il chatbot. Segui la guida importando il flusso di lavoro:

Passaggio 1: Configura la fonte dei dati e l'estrazione del contenuto

Questo flusso di lavoro è composto da due parti. La prima gestisce il recupero dei dati e la loro indicizzazione in Pinecone, cioè in un database vettoriale pensato per archiviare contenuti in un formato adatto alla ricerca semantica.

La seconda, invece, si occupa del chatbot vero e proprio, cioè dell’assistente conversazionale basato su intelligenza artificiale.

Con il nodo Richiesta HTTP recuperiamo la specifica OpenAPI 3.0 da GitHub. In pratica, devi indicare l’indirizzo diretto, cioè il raw URL del file presente nel repository, ovvero nella cartella online del progetto, così da scaricarne il contenuto in formato JSON.

Tutte le altre opzioni possono restare ai valori predefiniti.

Questo nodo invia una richiesta GET, cioè una richiesta per ottenere dati, all’indirizzo specificato, che punta al file testuale della specifica API di GitHub.

La risposta contiene l’intero documento che descrive il funzionamento dell’API di GitHub e verrà usata nel passaggio successivo.

Passaggio 2: Genera gli embedding

In questo passaggio trasformiamo ogni pezzo di testo estratto dalla documentazione API in una serie di numeri che il computer può confrontare. Pensa al testo come a un contenuto che il sistema deve “capire” per significato, non solo per parole identiche.

Questi numeri, chiamati embedding, cioè rappresentazioni numeriche del significato, permettono al chatbot di trovare le informazioni più pertinenti a una domanda anche quando l’utente non usa le stesse parole esatte presenti nei documenti.

Per generarli si usa il nodo Pinecone Vector Store.

A questo punto collega il nodo Embeddings OpenAI al nodo Pinecone Vector Store. Il nodo Embeddings OpenAI trasforma i frammenti di testo in vettori numerici, cioè rappresentazioni matematiche del significato delle parole, che poi vengono salvati nel Pinecone Vector Store per poter essere cercati in modo efficiente più avanti.

Questo nodo prende i frammenti di testo, chiamati chunk, e li trasforma in embedding vettoriali, cioè rappresentazioni numeriche del contenuto che consentono al sistema di confrontare e cercare informazioni in modo più intelligente.

La trasformazione viene eseguita da un modello di OpenAI: inserisci le tue credenziali OpenAI e seleziona text-embedding-3-small nel campo Modello.

Collega il nodo Default Data Loader, che carica i documenti nel flusso, al nodo Recursive Character Text Splitter, che divide il testo in blocchi più piccoli.

Per entrambi i nodi, le impostazioni predefinite sono sufficienti. Quindi non serve modificarle.

Passaggio 3: Salva i documenti e i vettori nel database Pinecone

Ora puoi eseguire questa parte del flusso di lavoro. La generazione degli embedding e il salvataggio in Pinecone potrebbero richiedere qualche minuto, soprattutto se il file della specifica API è piuttosto grande.

Una volta terminato il processo, il pannello di controllo di Pinecone mostrerà i dati caricati nell’archivio vettoriale:

Passaggio 4: Costruisci la logica principale del chatbot

Una volta indicizzata la specifica API nel database vettoriale, cioè nell’archivio dove le informazioni sono salvate in un formato ricercabile, possiamo passare alla parte del flusso che genera le risposte.

Il processo si divide in tre passaggi: ricevere la domanda dell’utente, recuperare i documenti pertinenti dall’archivio e generare una risposta tramite un modello linguistico, cioè l’LLM che elabora il testo.

Usa il nodo Chat Trigger, cioè il trigger di chat, per ricevere il messaggio dell’utente. Questo nodo è il punto di partenza del flusso: si attiva ogni volta che arriva un nuovo messaggio.

Lascia tutte le impostazioni predefinite.

Collega poi il nodo Chat Trigger a un nodo AI Agent, cioè l’agente intelligente. Questo componente gestisce tutta la logica del chatbot: prende la domanda dell’utente, recupera i documenti pertinenti e interroga il modello linguistico per generare una risposta coerente.

Nel nodo AI Agent puoi selezionare il tipo Tools Agent, cioè un agente capace di usare strumenti esterni per rispondere.

Puoi anche impostare un System Message, cioè un messaggio di sistema: un testo che definisce il comportamento del modello linguistico ancora prima che l’utente scriva qualcosa. Questo testo viene combinato con la domanda dell’utente per formare il prompt completo inviato al modello.

Ecco un esempio:

Sei un assistente utile che fornisce informazioni sulle API di GitHub e su come utilizzarle, basandosi sulle specifiche OpenAPI V3.

Collega il nodo AI Agent, cioè l’agente intelligente, al nodo OpenAI Chat Model, cioè il modello di chat. Quest’ultimo riceve la domanda dell’utente insieme ai frammenti di testo recuperati dal documento e usa un modello linguistico di OpenAI per generare una risposta finale completa.

Seleziona le credenziali OpenAI e, dal menu a tendina Modello, scegli gpt-4o-mini.

Collega il nodo Memoria a finestra (Window Buffer Memory) al nodo Agente AI. Questo nodo dà al chatbot una memoria a breve termine.

In pratica, ricorda i messaggi scambiati durante la conversazione, così il chatbot può rispondere in modo coerente anche alle domande di approfondimento, tenendo conto di ciò che è già stato detto.

Anche qui, le impostazioni predefinite vanno bene così.

Passaggio 5: Recuperare le informazioni con lo strumento archivio vettoriale

Questo è il passaggio che trasforma davvero il progetto in un chatbot RAG.

Collega un nodo Vector Store Tool al nodo AI Agent. Quando l’utente fa una domanda, il sistema la converte in un vettore numerico, cioè una rappresentazione matematica del significato della frase, e lo confronta con i vettori già salvati, cercando i pezzi di testo più simili.

È un po’ come cercare una parola in un vocabolario non per corrispondenza esatta, ma per affinità di significato: se chiedi "auto", il sistema può trovare anche "vettura" o "automobile".

Assegna a questo strumento un nome descrittivo e una spiegazione che aiuti il modello linguistico, cioè l’intelligenza artificiale che elabora le risposte, a capire quando usarlo.

Per questo esempio, puoi usare questa descrizione:

Usa questo strumento per ottenere informazioni sulle API di GitHub. Questo database contiene le specifiche OpenAPI v3.

È possibile limitare i risultati restituiti dall’archivio vettoriale ai 4 più rilevanti per la domanda dell’utente.

Collega il nodo Pinecone Vector Store, impostando questa volta la modalità operativa su Retrieve Documents (For Agent/Chain), cioè recupera documenti.

Connetti lo stesso nodo Embeddings OpenAI usato in precedenza, controllando che sia selezionato lo stesso identico modello di embedding. In questo modo il sistema genera una rappresentazione numerica della query dell’utente e la confronta con quelle già salvate nell’archivio vettoriale per trovare i contenuti più pertinenti.

Infine collega un altro nodo Modello di chat OpenAI. Questo nodo si occupa di sintetizzare i frammenti di testo recuperati dal database, fornendo le informazioni necessarie per costruire la risposta finale.

Anche qui puoi usare lo stesso modello gpt-4o-mini.

Passaggio 6: Testa il tuo chatbot RAG

Una volta configurati tutti i componenti, puoi testare il chatbot direttamente dall’editor di n8n facendo clic sul pulsante Chat in basso a sinistra.

Si aprirà l’interfaccia di conversazione.

Come domanda di prova, puoi scrivere qualcosa di specifico sui contenuti che hai caricato, ad esempio "Come si crea un'applicazione GitHub da un manifest?". Il chatbot dovrebbe recuperare le sezioni pertinenti dalla documentazione e restituire una risposta strutturata basata su quei contenuti.

Se la risposta è accurata e contestualizzata, allora il sistema RAG sta funzionando correttamente.

Errori comuni e come risolverli

Durante la costruzione di un chatbot RAG con n8n è facile imbattersi in errori che bloccano il flusso o producono risposte incoerenti. Ecco i problemi più frequenti e le relative soluzioni pratiche.

Il nodo di embedding restituisce un errore di autenticazione

Verifica che la chiave API del provider, come OpenAI, Cohere o altri, sia configurata correttamente nelle credenziali di n8n. Un errore 401 indica quasi sempre una chiave scaduta oppure copiata in modo errato.

Il vector store non restituisce risultati pertinenti

Controlla che i documenti siano stati davvero indicizzati prima di eseguire la query. Se il recupero restituisce risultati vuoti o poco rilevanti, verifica la dimensione dei chunk e il numero di risultati richiesti, cioè il parametro top_k.

Chunk troppo grandi riducono la precisione. Chunk troppo piccoli, invece, fanno perdere il contesto.

Il chatbot risponde con informazioni non presenti nei documenti

Questo comportamento si chiama allucinazione. Per limitarlo, istruisci il modello nel prompt di sistema a rispondere solo in base al contesto fornito e a dichiarare esplicitamente quando un’informazione non è disponibile.

Il flusso di lavoro si interrompe su documenti molto lunghi

n8n ha limiti sulla dimensione dei dati che passano tra un nodo e l’altro. Se lavori con PDF o testi molto estesi, usa il nodo di suddivisione del testo per spezzare il contenuto prima della fase di embedding e valuta anche di processare i documenti in lotti separati.

Le risposte sono lente o il flusso di lavoro va in timeout

Le chiamate ai modelli LLM e agli archivi vettoriali possono avere una latenza variabile. Aumenta il timeout del flusso di lavoro nelle impostazioni di esecuzione e, se possibile, ottimizza il numero di documenti recuperati per ogni query.

Il chatbot risponde in modo generico o non usa i documenti

Se il modello ignora la base di conoscenza e risponde con informazioni generiche, il problema è quasi sempre nella fase di recupero. Controlla che il nodo di ricerca vettoriale stia davvero recuperando chunk pertinenti.

Verifica anche la soglia di similarità: un valore troppo alto esclude risultati utili, uno troppo basso introduce rumore.

E assicurati che i documenti siano stati indicizzati correttamente e che gli embedding siano stati generati con lo stesso modello usato in fase di query.

Risposte troncate o incomplete

Questo succede quando il contesto passato al modello supera il limite di token della finestra. Puoi ridurre la dimensione dei chunk durante la fase di ingestione oppure limitare il numero di chunk recuperati per ogni query.

In alternativa, se la tua configurazione lo consente, usa un modello con una finestra di contesto più ampia.

Errori di connessione ai servizi esterni

I nodi che si collegano a database vettoriali, API di embedding o modelli LLM possono fallire per credenziali scadute, rate limit o endpoint non raggiungibili.

Conviene aggiungere sempre un nodo di gestione degli errori nel flusso di lavoro e configurare un messaggio di fallback visibile all’utente, invece di lasciare il chatbot senza risposta.

La memoria della conversazione non funziona

Se il chatbot non ricorda i messaggi precedenti, verifica che il nodo della memoria sia collegato correttamente e che l’ID di sessione sia coerente tra i vari turni della conversazione.

Un ID di sessione generato in modo casuale a ogni richiesta azzera la memoria a ogni messaggio.

Se il problema persiste, scrivimi con i dettagli della tua configurazione.

RAG vs Fine-Tuning: Quale Approccio Scegliere?

Quando vuoi dare a un chatbot una conoscenza specifica, di solito ti trovi davanti a due strade principali: il RAG (Retrieval-Augmented Generation) e il fine-tuning. Capire bene la differenza è importante, perché ti aiuta a scegliere l’architettura più adatta fin dall’inizio.

RAG

Il RAG recupera in modo dinamico i documenti rilevanti da una base di conoscenza nel momento in cui arriva la query, li inserisce nel contesto del modello e genera la risposta. È la scelta giusta quando:

• la base di conoscenza cambia frequentemente
• vuoi tracciare le fonti delle risposte
• non hai grandi risorse per addestrare un modello
• hai bisogno di aggiornare i contenuti senza ricostruire il modello

Fine-Tuning

Il fine-tuning modifica i pesi del modello tramite un addestramento su dati specifici. È più adatto quando:

• il tono o lo stile di risposta deve essere molto preciso
• la conoscenza è stabile e non cambia spesso
• disponi di dataset di qualità sufficienti per l'addestramento

Parametri RAG da considerare

Una volta scelto il RAG, ci sono alcune impostazioni tecniche che influenzano direttamente la qualità delle risposte:

• Top-K: è il numero di chunk recuperati per ogni query. Se è troppo basso, il contesto disponibile si riduce. Se è troppo alto, entra rumore. Di solito si parte da 3–5 e poi si regola in base ai test.
• Dimensione dei chunk: è la dimensione dei blocchi in cui vengono suddivisi i documenti. Chunk troppo grandi riducono la precisione del recupero. Chunk troppo piccoli, invece, perdono contesto.
• Strategia di suddivisione: puoi dividere per paragrafo, per numero fisso di token oppure con overlap tra chunk consecutivi, così da non perdere continuità semantica.

In n8n questi parametri si configurano direttamente nei nodi di elaborazione dei documenti e nel nodo di recupero, senza bisogno di scrivere codice aggiuntivo.

Conclusioni

In questo articolo abbiamo visto cos’è la Generazione Aumentata dal Recupero, cioè il RAG, e come applicarla in modo pratico per costruire chatbot specializzati, capaci di rispondere in modo più preciso andando a recuperare informazioni da fonti di conoscenza specifiche.

Il flusso che abbiamo costruito copre i passaggi fondamentali: indicizzazione dei documenti, recupero dei frammenti di testo rilevanti, cioè i cosiddetti chunk, e generazione della risposta contestualizzata.

È una base solida da cui partire.

Tuttavia, ci sono diversi aspetti che possono essere migliorati e che incidono davvero sul risultato finale: la qualità della suddivisione del testo in frammenti, la strategia di rappresentazione semantica dei contenuti tramite embedding, la gestione della memoria conversazionale e la scelta del modello di linguaggio più adatto al contesto.

Ogni progetto ha esigenze diverse e, alla fine, sono proprio questi aggiustamenti a fare la differenza tra un chatbot generico e uno strumento davvero utile.

Pronto a costruire il tuo chatbot RAG personalizzato?

Scarica il JSON del flusso di lavoro completo e la lista di controllo per l’implementazione, così puoi replicare questo chatbot con recupero aumentato nel tuo ambiente.

Se hai bisogno di supporto per portarlo in produzione — gestione degli errori, ottimizzazione del recupero delle informazioni, integrazione con le tue interfacce esterne — contattami per un’analisi tecnica o una consulenza.

Cosa fare adesso

Ora che hai capito cos’è il RAG e come n8n può metterlo in pratica, è il momento di sporcarti un po’ le mani. Ecco su cosa ti conviene concentrarti:

• Quando il chatbot di base comincia a funzionare, inizia a fare prove. Testa modelli di rappresentazione testuale diversi, affina le istruzioni date al modello oppure sperimenta strategie di recupero differenti per migliorare i risultati.
• n8n non è legato a un solo modello di linguaggio. Puoi usare i componenti per OpenAI, Ollama o altri sistemi simili. Ogni modello ha punti di forza e limiti diversi, quindi vale la pena testarli per trovare quello più adatto al tuo caso d’uso.
• Esplora i tutorial della community su YouTube per approfondire e vedere n8n in azione:
  • Agente RAG passo dopo passo con Pinecone e n8n
  • Agente RAG con n8n e Supabase

Adattare il flusso di lavoro ad altri stack: alternative a OpenAI e Pinecone

Il tutorial usa OpenAI come modello di linguaggio e Pinecone come archivio vettoriale. È una combinazione solida e ben documentata, ma non è l’unica che puoi usare in n8n.

La struttura del flusso di lavoro resta la stessa indipendentemente dai servizi scelti. Quello che cambia sono le credenziali, il nodo di embedding e la dimensione dei vettori.

Stack di riferimento

• Modello LLM: OpenAI, per esempio gpt-4o, tramite il nodo OpenAI Chat Model
• Embedding: OpenAI Embeddings — produce vettori da 1536 dimensioni (text-embedding-ada-002) o 3072 (text-embedding-3-large)
• Archivio vettoriale: Pinecone — indice configurato con le stesse dimensioni dell’embedding scelto

Alternative compatibili in n8n

• LLM: al posto di OpenAI puoi usare il nodo Ollama Chat Model per modelli locali oppure Anthropic Chat Model per Claude. La logica della catena RAG resta la stessa.
• Embedding: n8n supporta anche Ollama Embeddings e Cohere Embeddings. Ogni provider genera vettori con dimensioni diverse, quindi conviene controllare la documentazione del modello e allineare la configurazione del tuo archivio vettoriale di conseguenza.
• Archivio vettoriale: in alternativa a Pinecone puoi usare il nodo Supabase Vector Store con pgvector, Qdrant oppure In-Memory Vector Store per test rapidi senza infrastruttura esterna.

Cosa verificare quando cambi stack

1. Le credenziali del nuovo provider sono configurate correttamente in n8n.
2. Il nodo di embedding e l’archivio vettoriale usano lo stesso numero di dimensioni.
3. Il nodo di recupero è aggiornato per puntare al nuovo indice o alla nuova raccolta.

Tutto il resto del flusso di lavoro — il nodo di chunking, la logica di recupero e il prompt — rimane invariato.

Come verificare che il tuo chatbot RAG funzioni davvero

Costruire un chatbot RAG con n8n è solo metà del lavoro. L’altra metà è verificare che il sistema recuperi davvero le informazioni giuste e risponda in modo coerente con la base di conoscenza che hai caricato.

Ecco alcuni controlli pratici da fare prima di considerare il progetto stabile.

Ispeziona i blocchi di testo recuperati

Prima ancora di guardare la risposta finale, controlla quali blocchi di testo vengono effettivamente estratti dall’archivio vettoriale. Aggiungi un nodo di analisi nel flusso di lavoro per registrare i documenti recuperati e verifica che siano pertinenti alla domanda e che arrivino dalla fonte corretta.

Se i blocchi non sono rilevanti, il problema spesso nasce nella fase di vettorizzazione o nella dimensione dei blocchi stessi.

Testa domande fuori dal perimetro

Fai al chatbot domande su argomenti che non sono presenti nella tua base di conoscenza. Un sistema RAG configurato bene dovrebbe rispondere che non ha informazioni sufficienti, non inventarsi una risposta.

Se il modello linguistico risponde comunque con sicurezza, allora il messaggio di sistema non sta limitando abbastanza il suo comportamento.

Richiedi riferimenti alla fonte

Modifica il messaggio di sistema in modo da chiedere esplicitamente che ogni risposta indichi il documento o la sezione da cui proviene l’informazione. Questo ti permette di verificare manualmente la correttezza della risposta e aumenta anche la fiducia dell’utente finale nel sistema.

Confronta le risposte con e senza recupero

Esegui la stessa domanda con il nodo di recupero disattivato. Se il modello linguistico risponde in modo simile anche senza i documenti recuperati, significa che sta usando la sua conoscenza interna invece della tua base di conoscenza.

E questo è un segnale abbastanza chiaro che qualcosa, nel flusso RAG, non sta funzionando come dovrebbe.

Come è strutturato il flusso di lavoro: due fasi distinte

Prima di entrare nei dettagli tecnici, è utile avere in testa la struttura generale del sistema. Questo chatbot si basa su due fasi separate che lavorano in sequenza:

• Fase 1 – Indicizzazione dei documenti: i tuoi file, come PDF, pagine web o testi, vengono elaborati, suddivisi in piccoli blocchi di testo e salvati in un archivio di ricerca semantica. Questo processo viene eseguito una sola volta, oppure ogni volta che aggiungi nuovi contenuti alla tua base di conoscenza.
• Fase 2 – Risposta alle domande: quando un utente invia una domanda, il sistema recupera i blocchi di testo più pertinenti dall’archivio e li passa a un modello di intelligenza artificiale per generare una risposta coerente con i tuoi contenuti.

Tenere ben chiara questa distinzione ti aiuta a capire dove intervenire quando qualcosa non funziona e anche come ampliare il sistema aggiungendo nuove fonti, senza dover toccare la logica della conversazione.

Questo articolo è stato tradotto e riscritto partendo da questo articolo su n8n come base, dove puoi trovare anche i workflow scaricabili.