rag-from-scratch/step-7

Step 7 — Verifica ambiente

Prima di procedere con la vettorizzazione (step 8) devi avere installato:

• Ollama — server locale per LLM e embedding
• un modello di embedding (es. nomic-embed-text, bge-m3)
• un modello LLM (es. qwen3.5:4b, qwen3:4b)
• chromadb — libreria Python per il vector store

---

1. Installa Ollama

curl -fsSL https://ollama.com/install.sh | sh

Verifica che il servizio sia attivo:

ollama list

Disinstalla Ollama

# Ferma e rimuovi il servizio systemd
sudo systemctl stop ollama
sudo systemctl disable ollama
sudo rm /etc/systemd/system/ollama.service
sudo systemctl daemon-reload

# Rimuovi il binario
sudo rm /usr/local/bin/ollama

# Rimuovi modelli e dati (opzionale — occupa spazio su disco)
# I modelli sono salvati sotto l'utente di sistema "ollama", non nella tua home
sudo rm -rf /usr/share/ollama

# Rimuovi l'utente e il gruppo di sistema creati dall'installer (opzionale)
sudo userdel ollama
sudo groupdel ollama

---

2. Scarica i modelli

Modello di embedding

Per testi in italiano serve un modello multilingue — i modelli English-first producono embeddings di qualità inferiore su lingue diverse dall'inglese, con retrieval meno preciso.

Prima scelta consigliata:

ollama pull qwen3-embedding:0.6b

Stessa famiglia del LLM in uso (qwen3.5), multilingue, recente, gira comodamente in CPU.

Modello	Dim	Dimensione	Lingue	Consigliato
qwen3-embedding:0.6b	1024	~522 MB	multilingue	✅ prima scelta
nomic-embed-text-v2-moe	768	~523 MB	multilingue	✅ seconda scelta
bge-m3	1024	~1.2 GB	100+ lingue incl. IT	✅ terza scelta
nomic-embed-text	768	~274 MB	principalmente EN	⚠️ default corrente
mxbai-embed-large	1024	~670 MB	principalmente EN	❌
paraphrase-multilingual	768	~278 MB	multilingue	❌ obsoleto
all-minilm	384	~46 MB	principalmente EN	❌ troppo piccolo

Se cambi modello rispetto a quello usato in step-8, devi rieseguire la vettorizzazione con --force e aggiornare EMBED_MODEL in step-9/config.py.

Modello LLM

Per RAG su testi italiani servono: buon instruction following, supporto multilingue e context window ampia (i prompt RAG includono più chunk).

Prima scelta consigliata per 8 GB RAM:

ollama pull qwen3.5:4b

Il progetto è pensato per la famiglia Qwen3.5 — stessa famiglia dell'embedding consigliato (qwen3-embedding), context window 256K, ottimo italiano. Altri modelli sono compatibili ma non testati.

Modello	RAM	Note
qwen3.5:0.8b	≥ 1 GB	minimo assoluto
qwen3.5:2b	≥ 3 GB	leggero
qwen3.5:4b	≥ 5 GB	consigliato per 8 GB
qwen3.5:9b	≥ 8 GB	lento su CPU, meglio con GPU

Se usi un modello diverso da qwen3.5:4b, aggiorna OLLAMA_MODEL in step-9/config.py.

Disinstalla un modello

ollama rm qwen3.5:4b
ollama rm nomic-embed-text

Per vedere tutti i modelli installati:

ollama list

---

3. Installa le dipendenze nel venv

Assicurati di avere chromadb installato nel .venv:

source .venv/bin/activate
pip install -r requirements.txt

---

4. Verifica tutto

source .venv/bin/activate
python step-7/check_env.py

Output atteso se tutto è a posto:

✅ ollama trovato nel PATH
✅ ollama risponde correttamente
✅ modello embedding trovato: nomic-embed-text:latest
✅ modello LLM trovato: qwen3.5:4b

✅ chromadb importabile

✅ Ambiente pronto — procedi con la vettorizzazione:
   python step-8/ingest.py --stem <nome>

---

Prossimo step

python step-8/ingest.py --stem <nome>