{"id":33,"date":"2026-04-15T09:00:00","date_gmt":"2026-04-15T09:00:00","guid":{"rendered":"https:\/\/stefanomanco.it\/wp\/km0-bot-archivio-giornale-locale-rag\/"},"modified":"2026-11-16T16:09:57","modified_gmt":"2026-11-16T15:09:57","slug":"km0-bot-archivio-giornale-locale-rag","status":"publish","type":"post","link":"https:\/\/stefanomanco.it\/wp\/km0-bot-archivio-giornale-locale-rag\/","title":{"rendered":"Tredici anni di un giornale locale, interrogabili in italiano: come ho costruito KM0 Bot"},"content":{"rendered":"\n<div class=\"wp-block-group is-style-card is-summary is-layout-flow wp-container-core-group-is-layout-ded94694 wp-block-group-is-layout-flow\">\n<p class=\"is-style-eyebrow is-style-eyebrow--1 wp-block-paragraph\">In breve<\/p>\n\n\n\n<p class=\"has-lg-font-size wp-block-paragraph\"><strong>KM0 Bot<\/strong> \u00e8 un assistente basato su <strong>RAG<\/strong> (Retrieval-Augmented Generation) che risponde in italiano su tredici anni di archivio del periodico KilometroZero di Palo del Colle. Unisce la ricerca semantica (embedding e vector store) a strumenti deterministici per conteggi e date, e ogni affermazione cita numero, pagina e autore della fonte.<\/p>\n<\/div>\n\n\n\n<figure class=\"wp-block-table is-style-sheet\"><table><tbody><tr><td><strong>Contesto<\/strong><\/td><td>KilometroZero, periodico gratuito di Palo del Colle (BA) fatto da una redazione di volontari, dal 2013<\/td><\/tr><tr><td><strong>Problema<\/strong><\/td><td>Cento numeri in PDF, in tre impaginazioni diverse: un archivio consultabile solo sfogliandolo<\/td><\/tr><tr><td><strong>Soluzione<\/strong><\/td><td>Assistente conversazionale in italiano con fonti citate e link al PDF o alla pagina web<\/td><\/tr><tr><td><strong>Stack<\/strong><\/td><td>Python, pdfplumber, OpenAI text-embedding-3-small, Chroma, gpt-4o-mini, FastAPI, frontend HTML\/JS senza librerie<\/td><\/tr><tr><td><strong>Hosting<\/strong><\/td><td>Backend su Render, frontend statico su Netsons<\/td><\/tr><tr><td><strong>Costo per domanda<\/strong><\/td><td>Circa 0,001\u20130,003 $ (embedding della domanda + risposta con 6 estratti di contesto)<\/td><\/tr><tr><td><strong>Stato<\/strong><\/td><td>Online: <a href=\"https:\/\/kilometrozeropalo.com\/km0-bot\/\" rel=\"noopener\">prova KM0 Bot<\/a><\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">KilometroZero racconta dal 2013 la vita sociale, politica e associativa del paese. Ne faccio parte dal 2020 e, per l\u2019uscita del numero 100, ho voluto fare un regalo alla comunit\u00e0: rendere l\u2019intero archivio interrogabile in linguaggio naturale. Il suo scopo \u00e8 restituire memoria a un paese: chi ha scritto di cosa, quando, e come se ne parlava allora.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"716\" src=\"https:\/\/stefanomanco.it\/wp\/wp-content\/uploads\/2026\/11\/km0-bot-interfaccia-1024x716.webp\" alt=\"Interfaccia di KM0 Bot con una domanda sul numero di maggio 2022 e la copertina citata\" class=\"wp-image-15\" srcset=\"https:\/\/stefanomanco.it\/wp\/wp-content\/uploads\/2026\/11\/km0-bot-interfaccia-1024x716.webp 1024w, https:\/\/stefanomanco.it\/wp\/wp-content\/uploads\/2026\/11\/km0-bot-interfaccia-300x210.webp 300w, https:\/\/stefanomanco.it\/wp\/wp-content\/uploads\/2026\/11\/km0-bot-interfaccia-768x537.webp 768w, https:\/\/stefanomanco.it\/wp\/wp-content\/uploads\/2026\/11\/km0-bot-interfaccia.webp 1122w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Una domanda vera e la risposta, con la copertina del numero citato.<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\">Che cos\u2019\u00e8 un sistema RAG, in breve?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un sistema <strong>RAG<\/strong> non chiede al modello linguistico di \u00abricordare\u00bb le informazioni: prima cerca nei documenti i passaggi pi\u00f9 pertinenti alla domanda, poi li passa al modello come contesto e gli chiede di rispondere solo su quella base. \u00c8 l\u2019approccio pi\u00f9 usato per costruire assistenti su archivi, manuali e knowledge base aziendali, perch\u00e9 riduce le risposte inventate e permette di mostrare le fonti.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Perch\u00e9 un archivio di PDF \u00e8 difficile da interrogare?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il problema non \u00e8 il modello, ma il testo. In tredici anni il giornale ha cambiato impaginazione tre volte, e un\u2019estrazione \u00abingenua\u00bb del testo da un PDF a colonne mescola articoli diversi. L\u2019estrazione \u00e8 stata calibrata su 10 numeri reali che coprono le tre epoche grafiche.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Epoca<\/th><th>Numeri<\/th><th>Cosa cambia per l\u2019estrazione<\/th><\/tr><\/thead><tbody><tr><td>1<\/td><td>0\u201324<\/td><td>Palette arancione\/verde, nessuna pagina web per i singoli articoli<\/td><\/tr><tr><td>2<\/td><td>26\u201349<\/td><td>Palette gialla, argomento del numero evidenziato in grassetto<\/td><\/tr><tr><td>3<\/td><td>50\u201399<\/td><td>Palette rossa, argomento evidenziato a colori, rubriche fisse a pagina 3<\/td><\/tr><\/tbody><\/table><figcaption class=\"wp-element-caption\">Le tre impaginazioni di KilometroZero gestite dall\u2019estrazione.<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\">Come funziona KM0 Bot, passo per passo?<\/h2>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Download<\/strong> dei PDF dall\u2019archivio del giornale, con un manifest e l\u2019hash di ogni file.<\/li>\n\n\n\n<li><strong>Estrazione layout-aware<\/strong>: per ogni parola si leggono posizione e dimensione del carattere, si individuano le colonne e si ricostruisce l\u2019ordine di lettura.<\/li>\n\n\n\n<li><strong>Segmentazione in articoli<\/strong>: i titoli si riconoscono dal corpo del carattere (oltre 1,35 volte il testo), poi si risolvono titolo, autore e rubrica di ogni articolo.<\/li>\n\n\n\n<li><strong>Embedding e vector store<\/strong>: ogni articolo diventa un vettore (OpenAI text-embedding-3-small) salvato in Chroma, con numero, pagina, mese, anno e categoria come metadati.<\/li>\n\n\n\n<li><strong>Recupero<\/strong>: la ricerca semantica prende i 6 estratti pi\u00f9 vicini (da un gruppo tre volte pi\u00f9 ampio), con un piccolo peso per i numeri pi\u00f9 recenti e il contesto degli ultimi due messaggi.<\/li>\n\n\n\n<li><strong>Risposta<\/strong>: il modello (gpt-4o-mini) risponde solo sul contesto e cita ogni fatto nel formato \u00abKMZ n.X, p.Y\u00bb.<\/li>\n\n\n\n<li><strong>Fonti<\/strong>: il box delle fonti mostra solo le citazioni presenti davvero nella risposta, con link al PDF o alla pagina web dell\u2019articolo.<\/li>\n<\/ol>\n\n\n\n<h2 class=\"wp-block-heading\">Perch\u00e9 la ricerca semantica non basta?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Domande come \u00abquanti articoli ha scritto\u2026\u00bb o \u00abcosa \u00e8 uscito a maggio 2022\u00bb non si risolvono con la somiglianza tra testi: servono numeri esatti. Per questo l\u2019agente ha a disposizione strumenti deterministici che interrogano i metadati.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Strumento<\/th><th>A cosa serve<\/th><\/tr><\/thead><tbody><tr><td><code>search_archive<\/code><\/td><td>Ripetere la ricerca semantica con una domanda riformulata, invece di arrendersi al primo tentativo<\/td><\/tr><tr><td><code>count_by_author<\/code>, <code>count_by_category<\/code>, <code>count_by_issue<\/code><\/td><td>Conteggi esatti di articoli distinti (non di frammenti di testo)<\/td><\/tr><tr><td><code>list_articles<\/code><\/td><td>Elenchi filtrati per anno, mese o intervallo di mesi<\/td><\/tr><tr><td><code>get_cover_image<\/code><\/td><td>Mostrare la copertina di un numero, o dire chiaramente che non \u00e8 disponibile<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\">Come si evita che l\u2019AI inventi le risposte?<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Il prompt chiede di rispondere <strong>solo<\/strong> sul contesto recuperato e di dichiarare quando l\u2019archivio non contiene la risposta.<\/li>\n\n\n\n<li>Ogni fatto deve avere una citazione nel formato \u00abKMZ n.X, p.Y\u00bb.<\/li>\n\n\n\n<li>Le fonti mostrate all\u2019utente sono calcolate dal codice, non scritte dal modello; se la risposta dice \u00abnon ho trovato\u00bb, il box delle fonti sparisce.<\/li>\n\n\n\n<li>Le biografie dei 13 redattori sono indicizzate come documenti veri, cos\u00ec il bot non \u00abdeduce\u00bb chi sono le persone dagli articoli firmati.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Come \u00e8 stato valutato?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Con un set di domande scritte a mano, divise per tipo, e un report che confronta le fonti attese con quelle usate. La valutazione serve soprattutto a trovare gli errori: le domande su periodi e mesi \u00absaltati\u00bb dalla pubblicazione sono state le pi\u00f9 difficili, ed \u00e8 da l\u00ec che sono nati il filtro per mese e anno e il peso per i numeri recenti.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Tipo di domanda<\/th><th>Esempio<\/th><th>Cosa verifica<\/th><\/tr><\/thead><tbody><tr><td>Fatti<\/td><td>Quando \u00e8 uscito il primo numero?<\/td><td>Recupero di un\u2019informazione puntuale<\/td><\/tr><tr><td>Persone<\/td><td>Chi ha condotto un\u2019intervista?<\/td><td>Autori e rubriche risolti correttamente<\/td><\/tr><tr><td>Luoghi ed eventi<\/td><td>Cosa racconta un numero su un luogo?<\/td><td>Sintesi fedele di un articolo<\/td><\/tr><tr><td>Multi-documento<\/td><td>Come \u00e8 cambiato il tema di copertina in sei mesi?<\/td><td>Combinare pi\u00f9 numeri<\/td><\/tr><tr><td>Calcoli<\/td><td>Quanti editoriali ha scritto un autore?<\/td><td>Uso degli strumenti di conteggio<\/td><\/tr><tr><td>Periodi<\/td><td>\u00c8 uscito un numero a gennaio 2026?<\/td><td>Date esatte, senza approssimare<\/td><\/tr><tr><td>Fuori archivio<\/td><td>Chi ha vinto le elezioni regionali?<\/td><td>Dire \u00abnon lo so\u00bb invece di inventare<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\">Sicurezza e costi<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Nessuna chiave API nel frontend: tutte le chiamate al modello passano dal backend.<\/li>\n\n\n\n<li>Domande limitate a 500 caratteri, 20 richieste al minuto per IP, CORS ristretto ai domini del giornale.<\/li>\n\n\n\n<li>Costo stimato: frazioni di centesimo per indicizzare un numero, 0,001\u20130,003 $ per domanda.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Cosa pu\u00f2 fare per un\u2019azienda<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Lo stesso schema funziona su qualsiasi archivio documentale in cui le persone perdono tempo a cercare:<\/p>\n\n\n\n<ul class=\"wp-block-list is-style-checks\">\n<li>manuali tecnici e schede prodotto, interrogabili dal customer service;<\/li>\n\n\n\n<li>procedure interne, policy e documentazione HR;<\/li>\n\n\n\n<li>archivi editoriali, cataloghi e listini;<\/li>\n\n\n\n<li>documentazione di progetto e verbali, con risposte che citano documento e pagina.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Se stai valutando qualcosa di simile per la tua organizzazione, <a href=\"https:\/\/stefanomanco.it\/wp\/contatti\/\">raccontami il tuo caso<\/a>: partiamo dalle domande a cui deve rispondere, non dalla tecnologia.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Cosa ho imparato<\/h2>\n\n\n\n<ul class=\"wp-block-list is-style-checks\">\n<li>La qualit\u00e0 di un sistema RAG si decide nell\u2019estrazione dei testi, prima ancora che nel modello.<\/li>\n\n\n\n<li>Ricerca semantica e domande \u00abcontabili\u00bb hanno bisogno di strumenti diversi: conviene riconoscerle e trattarle separatamente.<\/li>\n\n\n\n<li>Mostrare le fonti, e solo quelle usate davvero, \u00e8 la differenza tra una risposta plausibile e una risposta verificabile.<\/li>\n\n\n\n<li>Una valutazione onesta trova i limiti prima degli utenti.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Domande frequenti<\/h2>\n\n\n\n<details class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary>Quanto costa un assistente RAG su un archivio di documenti?<\/summary>\n<p class=\"wp-block-paragraph\">Dipende dal volume, ma con modelli piccoli come text-embedding-3-small e gpt-4o-mini l\u2019indicizzazione costa frazioni di centesimo per documento e ogni domanda circa 0,001\u20130,003 dollari. Il costo principale \u00e8 la preparazione dei dati.<\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary>Funziona anche con PDF scansionati?<\/summary>\n<p class=\"wp-block-paragraph\">KM0 Bot lavora su PDF con testo selezionabile, quindi non usa l\u2019OCR. Per documenti scansionati serve un passaggio di riconoscimento del testo prima dell\u2019indicizzazione.<\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary>Come si evita che un chatbot aziendale inventi le risposte?<\/summary>\n<p class=\"wp-block-paragraph\">Limitando il modello al contesto recuperato, chiedendo una citazione per ogni fatto, calcolando le fonti con il codice e verificando il sistema con domande di cui si conosce la risposta, comprese quelle a cui deve dire \u00abnon lo so\u00bb.<\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary>Si pu\u00f2 usare un modello locale invece di un servizio cloud?<\/summary>\n<p class=\"wp-block-paragraph\">S\u00ec: il provider degli embedding e il modello linguistico sono configurabili. Un modello multilingue locale come multilingual-e5-small \u00e8 un\u2019alternativa senza costi per chiamata.<\/p>\n<\/details>\n\n\n\n<h2 class=\"wp-block-heading\">Fonti e riferimenti<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/kilometrozeropalo.com\/km0-bot\/\" rel=\"noopener\">KM0 Bot, l\u2019assistente dell\u2019archivio di KilometroZero<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/platform.openai.com\/docs\/guides\/embeddings\" rel=\"noopener\">OpenAI, guida agli embedding<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/docs.trychroma.com\/\" rel=\"noopener\">Chroma, documentazione del vector store<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/github.com\/jsvine\/pdfplumber\" rel=\"noopener\">pdfplumber, estrazione di testo e layout dai PDF<\/a><\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>KM0 Bot risponde in italiano su 13 anni di archivio di KilometroZero, citando numero e pagina: come funziona un RAG, valutazione, costi e limiti.<\/p>\n","protected":false},"author":1,"featured_media":14,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_aurora_seo_title":"","_aurora_seo_description":"","_aurora_seo_noindex":false,"_aurora_seo_canonical":"","_aurora_seo_image":0},"categories":[2],"tags":[],"class_list":["post-33","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-applicata"],"_links":{"self":[{"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/posts\/33","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/comments?post=33"}],"version-history":[{"count":1,"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/posts\/33\/revisions"}],"predecessor-version":[{"id":60,"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/posts\/33\/revisions\/60"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/media\/14"}],"wp:attachment":[{"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/media?parent=33"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/categories?post=33"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/stefanomanco.it\/wp\/wp-json\/wp\/v2\/tags?post=33"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}