RAG

Compare the Market ha pubblicato il 6 marzo 2026, tramite il suo team di ingegneria, una valutazione di quattro approcci di recupero del contesto per la revisione automatica del codice, condotta su 79 merge request reali e misurata con MLflow su Databricks. RAG, che suddivide il codice in blocchi, lo trasforma in embedding e lo recupera per similarità semantica, ha ottenuto risultati peggiori della baseline priva di contesto su quasi tutte le metriche, a un costo triplo. GKG, il GitLab Knowledge Graph costruito su AST di Tree-sitter, l'ha superato del 21 percento sulla copertura dei commenti inline, 0.696 contro 0.577. La spiegazione del team è di natura strutturale: revisionare il codice richiede di sapere chi chiama una funzione, mentre la similarità vettoriale restituisce codice che si limita ad assomigliare. Ne sono seguiti rumore, falsi positivi, cecità rispetto alle relazioni tra file e distrazione del modello.

Un articolo dell'ottobre 2025 sostiene una tesi diversa. RAG esisteva per aggirare finestre di contesto ridotte; queste sono passate da 8K token a milioni di token, e cinque costi ormai non comprano più nulla: il chunking fa perdere significato, gli embedding non colgono la ricchezza semantica, la ricerca ibrida aggiunge complessità, il reranking aggiunge latenza, e l'infrastruttura richiede manutenzione. Claude Code viene citato come la forma alternativa: ricerca diretta e ricca di contesto, senza macchinari di recupero. Il verdetto qui è che RAG sia stata una deviazione temporanea.

Leonie Monigatti ricostruisce una filiazione. Il RAG vanilla si chiedeva come recuperare, l'Agentic RAG si chiede se recuperare, e Agent Memory aggiunge un percorso di scrittura. Ashish Singh contrappone RAG a un Enterprise Knowledge Fabric fatto di grafi di conoscenza e ricerca ibrida. Ciò che lo sostituirà resta un terreno conteso.