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>

retrieve.py

@@ -65,7 +65,7 @@ def embed(text: str) -> list[float]:
 def retrieve(collection: chromadb.Collection, query: str, top_k: int) -> list[dict]:
     """
     Genera l'embedding della query e recupera i top_k chunk più simili.
-    Ritorna lista di dict con chiavi: rank, similarity, sezione, titolo, text.
+    Ritorna lista di dict con chiavi: rank, similarity, source, header_path, text.
     """
     vector = embed(query)
     results = collection.query(
@@ -83,12 +83,11 @@ def retrieve(collection: chromadb.Collection, query: str, top_k: int) -> list[di
         start=1,
     ):
         chunks.append({
-            "rank":       rank,
-            "similarity": round(1 - dist, 4),
-            "source":     meta.get("source", ""),
-            "sezione":    meta.get("sezione", ""),
-            "titolo":     meta.get("titolo", ""),
-            "text":       text,
+            "rank":        rank,
+            "similarity":  round(1 - dist, 4),
+            "source":      meta.get("source", ""),
+            "header_path": meta.get("header_path", ""),
+            "text":        text,
         })
     return chunks
 
@@ -99,9 +98,7 @@ def print_results(chunks: list[dict], full: bool = False) -> None:
     print(f"── {len(chunks)} chunk recuperati ─────────────────────────────────\n")
     for c in chunks:
         src = f"[{c['source']}] " if c.get("source") else ""
-        loc = c["sezione"]
-        if c["titolo"]:
-            loc += f" > {c['titolo']}"
+        loc = c["header_path"] or ""
         print(f"  [{c['rank']}] similarità: {c['similarity']:.4f}  |  {src}{loc}")
         if full:
             print()