- I chatbot RAG combinano il reperimento e la generazione del linguaggio per ottenere risposte più accurate e consapevoli del contesto rispetto ai bot tradizionali.
- RAG reduces errors and boosts reliability by accessing external data — rather than relying only on a language model’s internal knowledge.
- La creazione di un bot RAG comporta l'impostazione di un progetto, la stesura di istruzioni comportamentali chiare e la connessione di fonti di conoscenza.
I chatbot stanno ridisegnando il modo in cui le aziende interagiscono con gli utenti, ma molti mancano ancora il bersaglio quando si tratta di contesto e precisione. È qui che interviene la RAG (Retrieval-Augmented Generation).
RAG combines the strengths of knowledge retrieval and language generation, enabling chatbots to access external data and deliver precise, context-aware answers. The result? Fewer inaccuracies, less wasted resources, and more reliable responses.
We've deployed over 750,000 chatbots over the past few years — and we even have our own bespoke, advanced RAG process for them.
So in this guide, I’ll take you through the steps to build your own RAG-powered chatbot — from defining its behavior to deploying it seamlessly.
Applicazioni dei chatbot RAG
State muovendo i primi passi verso l'integrazione di chatbot alimentati da RAG nel vostro prodotto, progetto o hobby? Esploriamo alcune applicazioni più ampie che possono essere migliorate con un chatbot competente e adatto alle vostre esigenze.
Creating a RAG chatbot with Botpress is a straightforward process. Here’s a step-by-step guide to get you started.
For the sake of the tutorial, we will be creating a Book Trivia chatbot. Once built, the chatbot can be deployed across multiple channels using relevant integrations.
Passo 1: Impostare il progetto
Iniziate creando un nuovo progetto in Botpress. Una volta effettuato l'accesso, selezionare il modello "Start from Scratch" per una completa personalizzazione e flessibilità.

Passo 2: scrivere un set di istruzioni chiare
Le istruzioni sono fondamentali per il comportamento del chatbot RAG e possono essere aggiunte modificando la sezione "Istruzioni" in Studio. Specificare come il chatbot deve recuperare e presentare le informazioni.
.webp)
Quando si scrive un set di istruzioni, occorre tenere conto dei seguenti punti:
- Definire che il bot deve dare priorità alle fonti di conoscenza esterne rispetto ai dati del modello interno.
- Delineare il tono e lo stile di risposta, meglio se attraverso conversazioni e risposte esemplificative.
Ecco un esempio di istruzioni che delinea il comportamento di un chatbot "Clothing Website FAQ":
Missione:
Assistere gli utenti nell'esplorazione della moda sostenibile, nella comprensione dei materiali eco-compatibili e nella scelta consapevole di capi di abbigliamento di provenienza etica.
Tratti della personalità:
- Conoscenza: Fornisce risposte accurate dalla base di conoscenze.
- Amichevole: cordiale e disponibile.
- Ispiratore: Incoraggia le scelte sostenibili.
- Trasparente: condivide solo informazioni convalidate.
Capacità:
- Educare: Spiegare i principi della moda sostenibile, i materiali ecologici e le certificazioni utilizzando la base di conoscenze.
- Assistere: Consigliare i prodotti e fornire informazioni basandosi esclusivamente sui dati approvati.
- Ispirare: evidenziare i vantaggi della moda etica senza opinioni personali.
- Coinvolgere: Rispondere alle domande in modo chiaro e cortese, reindirizzando gli utenti al supporto se le risposte non sono disponibili.
Tono:
- Positivo, professionale e privo di gergo.
- Rispettoso ed empatico per garantire un'esperienza di supporto.
Regole di comportamento:
- Utilizzare solo la base di conoscenze fornita (ad esempio, Wikipedia, documenti di Green Threads).
- Se una risposta non è disponibile, informare l'utente e suggerire di consultare l'assistenza clienti di Green Threads.
Esempio di politica di risposta:
Domanda: "Cos'è il cotone biologico?".
Risposta: "Il cotone biologico viene coltivato senza pesticidi nocivi o fertilizzanti sintetici, riducendo l'impatto ambientale".
Domanda: "Potete indicarmi la vostra politica di rimborso?".
Risposta: "Non ho questa informazione. Visitate il nostro sito web o contattate l'assistenza per ricevere assistenza".
Passo 3: Aggiungere le fonti di conoscenza
Per rendere efficace il vostro chatbot RAG, collegatelo a conoscenze esterne rilevanti, come documenti PDF, URL di siti web o API. Ecco come fare:
- Accedere alla sezione "Knowledge Base" in Botpress.
- Caricare documenti o aggiungere URL di siti web come fonti.
- Botpress indicizza automaticamente i contenuti, segmentandoli in pezzi di conoscenza più piccoli e recuperabili.

Passo 4: personalizzare l'identità del chatbot
Personalizzate il nome e la personalità del vostro Chatbot per adattarlo al vostro caso d'uso. Questa fase cruciale garantisce che il chatbot non si identifichi erroneamente come ChatGPT o Claude.
- Andate su "Dettagli Bot".
- Fare clic su "Genera" per creare un'identità per il chatbot in base alle sue istruzioni e ai suoi dati, oppure scriverne una manualmente.

Fase 5: Distribuzione del Chatbot
Il chatbot è ora pronto per l'anteprima e la condivisione. Ecco come è possibile accedervi e testarlo:
- In Botpress Studio, fare clic su "Publish" per distribuire il Chatbot RAG.
- Copiate il link e iniziate a conversare!

Passo 6: personalizzare l'aspetto del chatbot
Volete personalizzare ulteriormente il vostro Webchat per allinearlo al vostro marchio e alla vostra voce? Basta cliccare su "Personalizza Webchat" da "Condividi".

Build a RAG Chatbot Today
I chatbot alimentati da RAG stanno trasformando il modo in cui le aziende forniscono risposte accurate e in tempo reale, ottimizzano i flussi di lavoro e migliorano l'esperienza degli utenti. Con gli strumenti forniti da Botpress è possibile creare chatbot intelligenti con facilità.
Grazie al caricamento della knowledge base con un solo clic e all'integrazione perfetta con piattaforme come Slack, WhatsApp, Notion e altre ancora, è possibile implementare potenti chatbot RAG in pochi minuti utilizzando Botpress.
Start building smarter, context-aware chatbots today — for free.
Domande frequenti
1. Qual è la differenza tra un chatbot RAG e un chatbot tradizionale?
The difference between a RAG chatbot and a traditional chatbot is that a traditional chatbot relies on static responses or pre-trained models, while a RAG (retrieval-augmented generation) chatbot pulls relevant data from an external knowledge base and uses it to generate more accurate responses in real time.
2. Come fa un sistema RAG a decidere quale conoscenza recuperare e quale generare?
A RAG system uses a retriever to identify the most relevant documents or data chunks based on the user’s question, then passes that information to a language model which generates a response grounded in the retrieved content, rather than relying purely on prior training.
3. Posso utilizzare RAG senza caricare fonti di conoscenza esterne?
You can technically use RAG without uploading external knowledge sources, but doing so nullifies its core advantage. RAG is designed to supplement the language model with domain-specific or real-time data, so omitting external knowledge defeats its purpose.
4. RAG è adatto alle applicazioni multilingue?
Yes, RAG is suitable for multilingual applications as long as both the language model and the retrieved documents support the target languages; many modern LLMs and vector databases are capable of handling multilingual queries and content.
5. Come posso misurare l'accuratezza e la rilevanza della conoscenza recuperata?
You can measure the accuracy and relevance of retrieved knowledge by logging which documents were retrieved, comparing the generated answer to ground truth or expert feedback, and tracking metrics like response correctness, user satisfaction, and click-through or follow-up rates.