RAG Enterprise con Python: dal RAG naive al sistema agentico

Un corso pratico per chi vuole costruire sistemi RAG enterprise in Python, vedendo ogni componente nel codice e non dentro una libreria-scatola nera. Si parte da un RAG naive in una schermata e, una tecnica alla volta, si arriva a un motore enterprise agentico, sempre sulla stessa knowledge base realistica. Capirai il ciclo retrieve-augment-generate e quando il RAG conviene rispetto al fine-tuning, poi costruirai una baseline misurabile e ne osserverai i limiti. Da lì affronterai l'ingestione di sorgenti eterogenee con il modello documento-sezione-chunk e il text-to-SQL sulle tabelle, le strategie di chunking (fisso, semantico, Contextual Retrieval) e i riassunti gerarchici con RAPTOR. Implementerai la ricerca ibrida con vettori densi, BM25 e Reciprocal Rank Fusion, il reranking, e le tecniche di query enhancement come rewriting, multi-query, HyDE e decomposizione. Trasformerai la pipeline lineare in un sistema agentico su LangGraph con planner, router, fan-out parallelo, editor e verifier, e aggiungerai l'auto-correzione CRAG e Self-RAG. Renderai il sistema multimodale con il caption-and-index e relazionale con un GraphRAG realistico su NetworkX. Difenderai il RAG dal prompt injection diretto e indiretto, imposterai ACL e governance, e imparerai a valutare senza un dataset di esperti con metriche reference-free, golden set sintetico e recall@k, conoscendone i limiti. Chiuderai ottimizzando i prompt con DSPy e con un capstone in cui configuri il motore per uno scenario reale, scegliendo cosa accendere e perché. La tesi del corso è una sola: misura sui tuoi dati e tieni solo ciò che paga, senza adottare tutto a prescindere. Disclaimer: eventuali nomi, loghi e marchi citati nel corso appartengono ai rispettivi proprietari e sono usati a puro scopo didattico.