IncluDO Guide

Il problema: orientarsi in una knowledge base non dovrebbe richiedere ore

Cataloghi, percorsi formativi, FAQ e documentazione contengono molte informazioni utili, ma spesso sono difficili da esplorare. L'utente non sa quali parole cercare, quali percorsi confrontare o come tradurre le proprie esigenze in una scelta concreta. Un chatbot generico può rendere la conversazione più semplice, ma senza una knowledge base controllata rischia di dare risposte vaghe o inventate.

• Informazioni distribuite in cataloghi difficili da navigare
• Ricerca manuale lenta: l'utente non sa quali parole usare
• Bisogno di orientamento contestuale, non solo di risultati di ricerca
• Chatbot generici che allucinano o escono dal dominio pertinente
• Mancanza di continuità conversazionale tra una domanda e l'altra
• Nessun sistema per aggiornare i contenuti senza ricostruire tutto

La soluzione: un assistente RAG specializzato sul dominio

IncluDO Guide usa un approccio RAG: recupera informazioni rilevanti da una knowledge base strutturata e le usa per generare risposte contestuali e aderenti al dominio. Il sistema non risponde con ciò che il modello sa in generale, ma con ciò che è contenuto nella knowledge base indicizzata. Il tutto è racchiuso in un prodotto full-stack con sessioni persistenti e un endpoint admin per aggiornare i contenuti.

• Vector store custom in JSON con cosine similarity — nessuna dipendenza da database esterni né da provider esterni per l'indicizzazione
• Embedding calcolati in-process con multilingual-e5-small via ONNX Runtime: nessuna chiamata di rete, nessuna chiave API, il testo cercato resta sul server
• Retrieval a due fasi: il modello invoca un tool di vector search, poi sintetizza la risposta
• Claude Haiku 4.5 come modello di risposta, l'unico servizio esterno coinvolto
• Prompt factory modulare: contesto, storico e regole pedagogiche combinate
• Profilo utente raccolto in 5 dimensioni: area, livello, obiettivo, modalità, ore settimanali
• Massimo 2 raccomandazioni per risposta, validato a doppio livello
• Sessioni anonime persistenti su disco con TTL 30 giorni e storico di 20 messaggi
• Admin API protetta con autenticazione timing-safe e rate limiting (10 req / 15 min)

Competenze dimostrate

• Progettazione e implementazione di un prodotto AI full-stack (React + Node + Express)
• Comprensione pratica del pattern RAG: embedding, retrieval e sintesi
• Vector store custom in JSON con cosine similarity, senza dipendenze esterne
• Session management server-side con persistenza su disco e atomic writes
• Prompt factory modulare per assistenti verticali con vincoli di dominio
• Admin API con autenticazione timing-safe e rate limiting configurabile
• Test sia frontend (Vitest + Testing Library) che backend (Vitest + Supertest)
• Deploy in un solo container su Coolify / Hetzner: pagine e API sulla stessa origine
• Inferenza locale in Node.js: modello ONNX quantizzato eseguito in-process, con i pesi inclusi nell'immagine
• Conformità applicata al codice: informativa verificata sul comportamento reale, dichiarazione AI Act e retention effettivamente applicata

Come questo approccio può aiutare un team

Lo stesso pattern RAG può essere adattato a qualsiasi dominio con una knowledge base strutturata: cataloghi prodotto, documentazione tecnica, FAQ aziendali, manuali interni o percorsi di onboarding. Il valore non è avere un chatbot generico, ma un assistente che conosce un dominio specifico e lavora dentro confini chiari.

• Assistente per enti di formazione su cataloghi corsi e percorsi formativi
• Chatbot su cataloghi prodotto per e-commerce o distributori
• Knowledge base interna aziendale interrogabile in linguaggio naturale
• Supporto clienti di primo livello su FAQ e documentazione di prodotto
• Onboarding dipendenti su procedure, policy e documentazione interna
• Documentazione tecnica conversazionale per sviluppatori o team tecnici