La gente continua a scrivere necrologi per il RAG. Probabilmente avrai già visto i titoli. Le ampie finestre di contesto lo hanno ucciso. L'era

People keep writing obituaries for RAG. You have probably seen the headlines by now. Long context windows killed it. Agents replaced it. The whole pattern is obsolete. The truth is narrower and far more useful. RAG did not die. What actually collapsed was the comfortable illusion that you could split a pile of documents into chunks, feed them into a vector database, and suddenly own a reliable, truthful AI.

A few years ago, the pitch was seductive in its simplicity. Embed your knowledge base. Connect it to an LLM. Ask a question, and watch the model answer using only your retrieved data. For controlled demos and small FAQ bots, this honestly worked. A twenty-page help desk manual. A tidy internal wiki. The bot would more or less cite the right paragraph, and leadership would sign off on the pilot. But pilots are not production. Prototypes do not contain the scars of real business operations.

Production data is messy. It contains the same troubleshooting note copied across a dozen files, each with slightly different timestamps and conflicting status labels. It holds complex tables that bleed across pages, rendering nonsense when a splitter cuts them down the middle. It preserves contradictions without apology. The 2023 policy manual says one thing. The March 2024 amendment says another. The old PDF was never archived. The naive pattern of chunk, store, and retrieve treats every paragraph as an isolated island. It has no feel for hierarchy, version history, or conflict resolution. The model hallucinates not because the LLM is broken, but because the context it received was fragmented, orphaned, or outright wrong.

Some observers claim that million-token context windows make retrieval irrelevant. Their argument is straightforward. Just dump the entire corpus into the prompt and let the model read it all. This sounds elegant. It is also dangerously optimistic. A model may technically be able to ingest a volume of text equivalent to a short novel, yet locating one specific clause in the middle of that expanse remains an entirely different capability. Needles stay lost in haystacks. Long context windows expand the available canvas, but they do not solve the hard work of deciding what deserves a spot on that canvas. The problem was never simply retrieval. It is, and always has been, context assembly.

From Naive Retrieval to Context Engineering

In 2026, the field is maturing. We are moving past the phase where RAG was treated as a single linear pipeline and toward an architecture that treats context as a deliberately engineered product.

Hybrid search over pure semantics. Semantic similarity is excellent for understanding intent, but it is sloppy with precise identifiers. If an engineer queries a specific error code like ERR_CONNECTION_REFUSED or a software version like v3.2.1, pure vector search can dilute the exact match in a sea of conceptually similar but practically irrelevant results. The evolution here is straightforward. Modern systems combine dense vector retrieval with keyword search, using methods like BM25 or inverted indexes alongside embeddings. Exact names, error codes, version strings, and product IDs get caught by the keyword layer while conceptual nuance is handled by the vector layer.

Reranking before generation. Retrieval is naturally biased toward recall. You pull in forty or fifty chunks because you are terrified of missing the one golden paragraph. But feeding all of that noise into a large model wastes tokens and buries signal. Reranking solves this with a second, usually smaller model that scores each candidate for relevance against the specific query. The top five passages advance. The rest are discarded. It acts as a precision filter between retrieval and generation, ensuring the expensive reasoning model only reads what actually matters.

Contextual retrieval that preserves meaning. Chunking is a violent act. A splitter can sever a paragraph from its section header, its table caption, its surrounding legal disclaimer, or the footnote that modifies its meaning. Contextual retrieval mitigates this by enriching fragments before they ever reach the model. You prepend metadata indicating provenance: This excerpt belongs to the Q3 2024 incident report, Database Outage section, Severity Critical. The model sees not just a floating sentence but a situated piece of information. The fragment regains its bearings.

Routing modulare per intento. Non tutte le domande appartengono a un vector store pieno di documentazione. Un utente che chiede come resettare una password probabilmente ha bisogno di un articolo di assistenza. Un utente che chiede perché il fatturato è diminuito nel Nord-est nell'ultimo trimestre ha bisogno di SQL su un data warehouse, non di un paragrafo semanticamente simile sulla strategia di vendita regionale. I sistemi maturi ora instradano le query per intento, selezionando lo strumento appropriato. Documentazione per le procedure. Database relazionali per l'analisi strutturata. Aggregatori di log per il debugging dei trace. API per lo stato in tempo reale. Il livello di retrieval diventa un dispatcher, non una monocultura.

Cicli di ragionamento agentici. Alcune domande non possono essere soddisfatte con un singolo passaggio di ricerca. Richiedono una riformulazione. Una query iniziale vaga viene chiarita. Le affermazioni recuperate vengono verificate incrociandole con una seconda fonte. Se la documentazione contraddice la specifica API, il sistema segnala il conflitto invece di fabbricare una via di mezzo. Il modello decide quando cercare di nuovo, quando affinare la query e quando ha raccolto prove sufficienti per rispondere. Questo non è un retrieval one-shot. È un ragionamento strutturato che utilizza la ricerca come una subroutine.

GraphRAG per domande relazionali. Alcune domande aziendali riguardano le connessioni, non le frasi. Quale guasto di un componente ha innescato quali avvisi a valle? Quale fornitore rifornisce quale fabbrica e qual è la rotta alternativa? Chi nell'organizzazione ha diritti decisionali su questa specifica voce di budget? I chunk di testo piatto appiattiscono queste relazioni perché non sono mai stati progettati per preservare la topologia. I knowledge graph lo fanno. Quando la domanda riguarda l'influenza, la lineage, i pattern o la struttura della rete, attraversare un grafo fornisce un contesto che nessun recupero di paragrafi può replicare.

Le domande che contano davvero

La conversazione attorno al RAG deve cambiare. Smettete di chiedere come costruire una pipeline RAG generica. Iniziate a chiedere quale compito specifico il modello debba risolvere, di quali dati esatti abbia bisogno per essere accurato e come verificate che il contesto assemblato sia sufficiente. Queste domande vi spingono a monte verso la qualità dei dati, la progettazione dello schema, i cicli di verifica e la provenienza delle fonti. Espongono se la vostra base di conoscenza sia effettivamente idonea al consumo automatizzato.

Il RAG non è più un singolo processo lineare che installi una volta e dimentichi. È una disciplina che consiste nell'assemblare il contesto giusto affinché un modello possa ragionare efficacemente. Ciò significa trattare il retrieval come un problema di progettazione del sistema, non come un semplice import di una libreria.

Gli strumenti si stanno affinando. La ricerca è ibrida. Il routing è intelligente. Il retrieval è classificato, arricchito e verificato. Le semplici illusioni del 2022 dovevano crollare affinché qualcosa di veramente utile potesse prendere il loro posto. Il vostro compito ora non è semplicemente recuperare testo da un database. È costruire sistemi che sappiano di cosa ha bisogno il modello prima ancora che il modello inizi a pensare.

Se state costruendo in questo ambito, la community di apprendimento di GyaanSetu è il luogo ideale per scambiare note pratiche con persone che risolvono gli stessi problemi: https://t.me/GyaanSetuAi