From 48567fa5e7b8e6ac868f4b8361242f2576f5162b Mon Sep 17 00:00:00 2001
From: Davide Grilli <davide.grilli@outlook.com>
Date: Tue, 12 May 2026 11:21:24 +0200
Subject: [PATCH] fix(verify): riconosce URL www. come terminatori validi + doc
 multi-documento
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

- _URL_TAIL ora matcha anche www.* (non solo https://) — evita falsi blockers
  su watermark tipo www.docsity.com
- README: documenta --collection / --stems per ingestion, retrieve e rag

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
---
 README.md               | 22 ++++++++++++++++++----
 chunks/verify_chunks.py |  2 +-
 2 files changed, 19 insertions(+), 5 deletions(-)

diff --git a/README.md b/README.md
index 26ade19..2bc00e0 100644
--- a/README.md
+++ b/README.md
@@ -116,17 +116,23 @@ Prima verifica che Ollama e i modelli siano pronti:
 Poi genera gli embedding e salva in ChromaDB:
 
 ```bash
-# Singolo documento
+# Singolo documento → collection con lo stesso nome
 .venv/bin/python ingestion/ingest.py --stem <nome>
 
-# Tutti i documenti in chunks/
+# Più documenti → un'unica collection condivisa
+.venv/bin/python ingestion/ingest.py --collection <nome-collection> --stems doc1 doc2 doc3
+
+# Tutti i documenti in chunks/ → collection separate
 .venv/bin/python ingestion/ingest.py
 
 # Rigenera dopo aver cambiato modello o aggiornato i chunk
 .venv/bin/python ingestion/ingest.py --stem <nome> --force
 ```
 
-Output in `chroma_db/<nome>/` (ignorata da git).
+Con `--collection` i chunk di documenti diversi vengono uniti in una singola
+collection. Il metadato `source` identifica il documento di provenienza di ogni chunk.
+
+Output in `chroma_db/` (ignorata da git).
 
 ---
 
@@ -184,8 +190,12 @@ Utile per verificare che i chunk giusti vengano recuperati prima di diagnosticar
 risposte sbagliate:
 
 ```bash
+# Singolo documento
 .venv/bin/python retrieve.py --stem <nome>
 
+# Collection multi-documento
+.venv/bin/python retrieve.py --collection <nome-collection>
+
 # Modifica il numero di chunk restituiti
 .venv/bin/python retrieve.py --stem <nome> --top-k 10
 ```
@@ -205,7 +215,11 @@ Nel loop interattivo:
 Risponde a domande in linguaggio naturale usando i chunk indicizzati in ChromaDB:
 
 ```bash
+# Singolo documento
 .venv/bin/python rag.py --stem <nome>
+
+# Collection multi-documento
+.venv/bin/python rag.py --collection <nome-collection>
 ```
 
 Nel loop interattivo:
@@ -213,7 +227,7 @@ Nel loop interattivo:
 | Comando | Effetto |
 |---------|---------|
 | `<domanda>` | Risposta generata dal LLM con contesto dai chunk |
-| `<domanda> -v` | Risposta + chunk recuperati con score di similarità |
+| `<domanda> -v` | Risposta + chunk recuperati con score di similarità e documento sorgente |
 | `exit` | Termina |
 
 ---
diff --git a/chunks/verify_chunks.py b/chunks/verify_chunks.py
index 95e6aad..22ec8e0 100644
--- a/chunks/verify_chunks.py
+++ b/chunks/verify_chunks.py
@@ -38,7 +38,7 @@ PUNCT_END = re.compile(
     r"|:$"    # introduzione a lista o formula
 )
 _HEX_END     = re.compile(r"[0-9a-fA-F]{8,}$")
-_URL_TAIL    = re.compile(r"https?://\S+(\s+\S+){0,3}$")  # URL con fino a 3 token extra
+_URL_TAIL    = re.compile(r"(https?://|www\.)\S+(\s+\S+){0,3}$")  # URL con fino a 3 token extra
 _MATH_SYMS   = re.compile(r"[∈∑≤≥≠∀∃∫√∞∂±×÷→←↔⊂⊃⊆⊇∩∪·°]")
 _ROMAN_END   = re.compile(r"\b(I{1,3}|IV|VI{0,3}|IX|XI{0,2}|XIV|XV|XVI{0,2}|XIX|XX{0,2})$")