Contextual Retrieval

Il recupero contestuale è una tecnica di preelaborazione che migliora la generazione aumentata dal recupero (RAG) aggiungendo una breve spiegazione specifica del documento a ogni blocco di dati prima dell'indicizzazione. Introdotta nella guida al recupero contestuale di Anthropic del 2024, aiuta i sistemi di ricerca a comprendere a quale contesto appartiene un passaggio altrimenti ambiguo, migliorando le prove fornite a un modello linguistico di grandi dimensioni. (anthropic.com)

Come funziona il recupero contestuale#

Il RAG standard suddivide i documenti in blocchi e li converte in embedding. Tuttavia, un blocco come “i ricavi sono aumentati del 3%” potrebbe omettere l'azienda, il periodo di riferimento e il tipo di documento. Il recupero contestuale utilizza il documento completo per generare un prefisso conciso, come “Questo passaggio descrive i risultati finanziari di ACME per il secondo trimestre del 2025”, prima di indicizzare il testo combinato.

Un flusso di lavoro tipico include:

1. Chunking semantico: suddividi i documenti in passaggi coerenti che rientrino nei limiti del recupero e del modello. Lo scopo principale del chunking è rendere ricercabili fonti di grandi dimensioni senza superare la finestra di contesto del modello.
2. Generazione del contesto: utilizza un modello per riassumere la relazione di ogni blocco con la propria fonte, seguendo un processo simile al ricettario degli embedding contestuali di Claude.
3. Ricerca ibrida: indicizza i blocchi contestualizzati con vettori densi e metodi lessicali come il ranking delle parole chiave BM25.
4. Reranking: riordina i candidati recuperati utilizzando confronti più approfonditi tra query e blocchi prima di inviare le prove migliori al generatore.

Anthropic ha riferito che la combinazione di embedding contestuali e BM25 contestuale ha ridotto del 49% il tasso di errore nel recupero dei primi 20 risultati, mentre l'aggiunta del reranking ha prodotto una riduzione del 67% nei suoi test. I risultati variano in base al dataset, quindi queste cifre devono essere considerate benchmark e non garanzie. (anthropic.com)

Recupero contestuale nella computer vision#

Nel RAG multimodale, il contesto del documento può includere oggetti rilevati, didascalie delle immagini, timestamp, posizioni delle telecamere o eventi video circostanti. L'esempio seguente utilizza Ultralytics YOLO26 per creare un contesto ricercabile per un'immagine:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg")[0]
labels = [model.names[int(cls)] for cls in result.boxes.cls.tolist()]
context = f"Street-scene image containing: {', '.join(labels)}."
print(context)

Il testo generato può essere anteposto alla didascalia di un'immagine o a un record di metadati prima dell'embedding. Gli sviluppatori possono esplorare i relativi flussi di lavoro per le predizioni di YOLO e la ricerca per similarità visiva.

Applicazioni nel mondo reale#

• Ricerca aziendale e legale: gli assistenti per le policy conservano i nomi dei documenti, le date, i reparti e le relazioni tra le clausole, riducendo le risposte fuorvianti derivanti da passaggi isolati.
• Sistemi di manutenzione visiva: i macchinari rilevati, i tipi di difetti e le posizioni degli impianti forniscono contesto alle immagini prima che il sistema recuperi manuali di riparazione o registri di ispezione.
• Istruzione personalizzata: gli agenti per l'apprendimento possono combinare il dialogo con lo studente e i registri delle attività per recuperare indicazioni pertinenti al compito attuale dello studente.

Tecniche correlate e best practice#

Il recupero contestuale differisce dall'ingegneria del contesto, che gestisce tutte le informazioni fornite a un modello durante l'esecuzione. Differisce anche dalla ricerca sul chunking tardivo, che genera l'embedding di un documento completo prima di aggregare le rappresentazioni dei token nei blocchi. Una valutazione comparativa del 2025 ha rilevato che il recupero contestuale è efficace nel preservare la coerenza semantica, ma richiede più risorse computazionali. (arxiv.org)

Le best practice attuali includono il test di più dimensioni dei blocchi, la conservazione dei metadati della fonte, la combinazione del recupero denso e per parole chiave e la misurazione di recall, precision, groundedness e completezza delle risposte con la guida di Microsoft alla valutazione del RAG. Ricerche più recenti, come SAGE precise retrieval, favoriscono la segmentazione semantica e la selezione dinamica dei blocchi, mentre un benchmark del recupero del 2026 supporta il recupero ibrido e il reranking neurale per documenti complessi di testo e tabelle. I team che sviluppano sistemi di conoscenza visiva possono utilizzare Ultralytics Platform per annotare dataset, addestrare modelli di visione, distribuire endpoint e monitorare i componenti che forniscono contesto visivo strutturato.