feat(rag): adatta pipeline allo schema chunks AST-based + ottimizza system prompt

config.py:
- EMBED_MODEL: qwen3-embedding:0.6b → bge-m3 (multilingua, migliore su testi accademici)
- SYSTEM_PROMPT: lingua esplicita, anti-allucinazione rafforzata, citazione strutturata
  con percorso sezione, passaggi numerati per spiegazioni, fallback al plurale

ingestion/ingest.py:
- embed su content_for_embedding (prefisso header contestuale)
- store content_original in ChromaDB (testo pulito per retrieval)
- metadata aggiornati: header_path, chunk_index, content_type, flags, start/end_line

rag.py, retrieve.py:
- sostituisce sezione/titolo (schema vecchio) con header_path (schema AST)

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

rag.py

@@ -85,7 +85,7 @@ def call_ollama(prompt: str, system: str = "") -> str:
 def retrieve(collection: chromadb.Collection, question: str) -> list[dict]:
     """
     Genera l'embedding della domanda e recupera i TOP_K chunk più simili.
-    Ritorna lista di dict con chiavi: text, sezione, titolo, distance.
+    Ritorna lista di dict con chiavi: text, source, header_path, distance.
     """
     vector = embed(question)
     results = collection.query(
@@ -100,11 +100,10 @@ def retrieve(collection: chromadb.Collection, question: str) -> list[dict]:
         results["distances"][0],
     ):
         chunks.append({
-            "text":     text,
-            "source":   meta.get("source", ""),
-            "sezione":  meta.get("sezione", ""),
-            "titolo":   meta.get("titolo", ""),
-            "distance": dist,
+            "text":        text,
+            "source":      meta.get("source", ""),
+            "header_path": meta.get("header_path", ""),
+            "distance":    dist,
         })
     return chunks
 
@@ -116,10 +115,8 @@ def build_prompt(question: str, chunks: list[dict]) -> str:
     context_parts = []
     for i, c in enumerate(chunks, start=1):
         header = f"[Contesto {i}"
-        if c["sezione"]:
-            header += f" — {c['sezione']}"
-            if c["titolo"]:
-                header += f" > {c['titolo']}"
+        if c["header_path"]:
+            header += f" — {c['header_path']}"
         header += "]"
         context_parts.append(f"{header}\n{c['text']}")
 
@@ -140,11 +137,9 @@ def answer(question: str, collection: chromadb.Collection, verbose: bool) -> Non
     if verbose:
         print("\n── Chunk recuperati ──────────────────────────────────────────")
         for i, c in enumerate(chunks, start=1):
-            loc = c["sezione"]
-            if c["titolo"]:
-                loc += f" > {c['titolo']}"
             sim = 1 - c["distance"]
             src = f"[{c['source']}] " if c.get("source") else ""
+            loc = c["header_path"] or ""
             print(f"  [{i}] {src}{loc}  (similarità: {sim:.3f})")
             print(f"      {c['text'][:120].replace(chr(10), ' ')}...")
         print("──────────────────────────────────────────────────────────────\n")