dei contenuti
Chunk
Un chunk è il frammento di pagina che un sistema di retrieval tratta come unità autonoma: i motori generativi recuperano chunk, non pagine intere.
U
La forma della curva di accuratezza per posizione del frammento nel contesto: alta ai bordi, bassa al centro (Liu et al., 2024).
1 fatto
L’unità di recupero più efficace secondo Chen et al. (2024): una proposizione atomica e autosufficiente.
10–30
I documenti passati ai modelli negli esperimenti di Liu e colleghi: il calo nel mezzo compare in tutte le configurazioni.
Sei cose da sapere
- Un chunk è il frammento di pagina che un sistema di recupero tratta come unità autonoma.
- I motori generativi recuperano frammenti, non pagine intere.
- Un frammento arriva al modello da solo, senza il testo che lo precedeva nella pagina.
- La scelta dell’unità di recupero cambia in modo significativo i risultati.
- Unità piccole e autosufficienti funzionano meglio dei passaggi lunghi e generici.
- Scrivere per chunk significa scrivere paragrafi che si capiscono anche letti isolati.
Come una pagina diventa frammenti
Chi pubblica non controlla dove cadrà il taglio. Può controllare che ogni pezzo stia in piedi da solo.
Estrazione
Il sistema legge la pagina e ne ricava il testo. Ciò che non è testo, o che compare solo dopo l’esecuzione di script, rischia di non esistere.
Segmentazione
Il testo viene diviso in frammenti: per lunghezza, per paragrafo o seguendo la struttura dei titoli, secondo il sistema.
Rappresentazione
Ogni frammento viene trasformato in un vettore numerico che ne rappresenta il significato.
Recupero
Alla domanda dell’utente tornano i frammenti con il significato più vicino, indipendentemente da dove stavano nella pagina.
Che cosa dice la ricerca
10 / 20 / 30
Documenti in ingresso nei test: l’accuratezza è più alta quando l’informazione sta all’inizio o alla fine.
Liu et al., 2024
Tutti
I modelli testati mostrano la curva a U, compresi quelli costruiti per contesti lunghi.
Liu et al., 2024
1 fatto
Indicizzare per proposizioni atomiche supera in modo significativo l’indicizzazione per passaggi.
Chen et al., 2024
2020
Già il RAG originale recuperava passaggi da un indice di Wikipedia, non articoli interi.
Lewis et al., 2020
- Chen e colleghi spiegano il vantaggio delle proposizioni con la densità: frammenti più concentrati sull’informazione pertinente, meno testo estraneo nel contesto del modello.
- Le frasi isolate, al contrario, spesso non bastano: perdono il riferimento a ciò di cui parlano, come un pronome senza il nome a cui rimanda.
Paragrafo debole e paragrafo forte
| Aspetto | Debole | Forte |
|---|---|---|
| Soggetto | Pronome: “esso”, “questa soluzione” | Nome esplicito del prodotto o del concetto |
| Risposta | In fondo, dopo la premessa | Nella prima frase |
| Riferimenti | “Come detto sopra” | Informazione ripetuta dove serve |
| Dati | Rimandati a una tabella altrove | Nel paragrafo, con unità di misura |
| Argomento | Due o tre concetti insieme | Uno solo |
Un caso concreto
Lo stesso contenuto, in due versioni.
Versione debole. “Come anticipato, questa soluzione offre vantaggi significativi anche sotto questo profilo, e i risultati lo confermano.” Letta da sola non dice di che cosa parla, quale vantaggio, quali risultati.
Versione forte. “Il gestionale X riduce i tempi di chiusura mensile da dieci a quattro giorni lavorativi, secondo i dati di 120 clienti rilevati nel 2025.” Letta da sola contiene soggetto, affermazione, numero e fonte.
La seconda è più lunga di poche parole ed è un frammento completo. La prima esiste solo dentro la pagina da cui proviene.
Che cosa ne ricava chi pubblica
Scrivi ogni paragrafo come se dovesse essere letto da solo, perché è esattamente quello che succederà.
- Un concetto per paragrafo, senza infilarne due nello stesso blocco.
- Il soggetto esplicito al posto del pronome.
- La risposta nella prima frase del blocco che la tratta.
- I dati ripetuti dove servono, invece di rimandare ad altre sezioni.
- Titoli formulati come domande, che danno al frammento il contesto che altrimenti perderebbe.
frequenti
Domande frequenti sui chunk
Quanto deve essere lungo un chunk?
Dipende dal sistema che segmenta, e chi pubblica non lo controlla. Conviene quindi che ogni paragrafo sia autosufficiente a qualunque taglio: un’idea, con il suo soggetto e il suo dato.
Devo riscrivere tutti i contenuti?
No. Conviene partire dalle pagine che rispondono a domande strategiche e dai paragrafi che contengono i dati più importanti, verificando che si capiscano letti isolati.
Gli elenchi puntati aiutano?
Aiutano quando ogni punto è una frase completa. Un elenco di parole chiave senza verbo produce frammenti poveri di significato.
Perché ripetere un dato già detto?
Perché il secondo frammento verrà recuperato senza il primo. Ripetere una cifra due sezioni dopo non è ridondanza: è rendere autonomo il frammento che la contiene.
Il contenuto in PDF o immagini viene suddiviso?
Dipende dal sistema, ma è la situazione più rischiosa: il testo può non essere estratto, o essere estratto male. Le informazioni decisive dovrebbero stare anche nel testo della pagina.
La posizione conta?
Dentro il contesto del modello sì: Liu e colleghi hanno mostrato che le informazioni nel mezzo vengono usate peggio di quelle all’inizio o alla fine. La regola prudente è mettere l’informazione decisiva in apertura di ogni blocco.
Riferimenti
Liu, N. F. et al. — Lost in the Middle: How Language Models Use Long Contexts
TACL, vol. 12, 2024. aclanthology.org/2024.tacl-1.9
Chen, T. et al. — Dense X Retrieval: What Retrieval Granularity Should We Use?
EMNLP 2024. aclanthology.org/2024.emnlp-main.845
Lewis, P. et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
NeurIPS 2020. arxiv.org/abs/2005.11401
Consulente GEO · Kraków / Milano
Aiuta le aziende italiane a farsi menzionare e citare da ChatGPT, Gemini, Perplexity e AI Overviews. Vent’anni tra imprenditoria e consulenza digitale in Italia: ha guidato la strategia SEO di Bakeca.it, co-fondato e diretto Seolab, e dal 2022 è Evangelist in Digital360, prima SEO e oggi GEO. Laurea in Linguistica all’Università di Torino.