rag-from-scratch/config.py

# ─── Configurazione RAG ───────────────────────────────────────────────────────

# ── Retrieval ─────────────────────────────────────────────────────────────────

# Numero di chunk da recuperare per ogni domanda.
# Valori più alti = più contesto, risposte potenzialmente più complete,
# ma prompt più lunghi e generazione più lenta.
TOP_K = 6

# ── Generazione ───────────────────────────────────────────────────────────────

# Temperatura del modello LLM.
# 0.0 = completamente deterministico (stessa risposta ad ogni run)
# 0.7 = più creativo e vario
TEMPERATURE = 0.2

# Disabilita il "thinking" (ragionamento interno) nei modelli Qwen3/Qwen3.5.
# True  = risposta diretta, più veloce
# False = ragionamento interno abilitato (più lento ma potenzialmente più accurato)
NO_THINK = True

# ── Embedding ─────────────────────────────────────────────────────────────────

# Modello di embedding usato da Ollama.
# Deve corrispondere al modello usato durante la vettorizzazione (ingest.py).
# Se cambi questo, devi rieseguire ingest.py con --force.
EMBED_MODEL = "nomic-embed-text"

# Caratteri massimi inviati al modello di embedding.
# Il testo viene troncato SOLO per il vettore; il documento completo
# rimane in ChromaDB. nomic-embed-text: 8192 token ≈ 6000 char sicuri.
EMBED_MAX_CHARS: int = 6000

# ── Ollama ────────────────────────────────────────────────────────────────────

# URL del server Ollama (default: locale sulla porta 11434).
OLLAMA_URL = "http://localhost:11434"

# Modello LLM. Scegli in base alla RAM disponibile (vedi README).
OLLAMA_MODEL = "qwen3.5:4b"

# ── Prompt di sistema ─────────────────────────────────────────────────────────

# Istruzioni inviate al LLM prima del contesto e della domanda.
# Mantieni le risposte ancorate al contesto per evitare allucinazioni.
SYSTEM_PROMPT = (
    "Sei un assistente specializzato nell'analisi di documenti accademici. "
    "Rispondi alla domanda basandoti esclusivamente sul contesto fornito. "
    "Sii preciso e conciso; cita la sezione di riferimento quando è utile. "
    "Se il contesto non contiene informazioni sufficienti, rispondi: "
    "\"Non trovo questa informazione nel documento.\""
)