Cos'è il RAG, in breve
RAG sta per Retrieval-Augmented Generation. È una tecnica in cui il modello, prima di rispondere, recupera da una base documentale i passaggi pertinenti (tipicamente via embedding e ricerca vettoriale) e li usa come contesto. Risolve la «smemoratezza» di un LLM e riduce le allucinazioni ancorando le risposte a fonti reali.
In una frase: il RAG è cerca-poi-rispondi. È l'infrastruttura, il motore di recupero.
Perché un RAG, da solo, non è un Second Brain
Un RAG generico ha tre limiti che lo tengono lontano dall'essere un cervello:
- È stateless — ogni query è isolata, non ricorda le precedenti.
- È anonimo — non sa chi sei, non ha la tua storia, i tuoi pattern, le tue decisioni.
- Non evolve — è una libreria: puoi aggiungere libri, ma gli scaffali non imparano.
Un Second Brain usa il RAG come uno dei suoi muscoli, ma ci aggiunge memoria di stato, identità ed evoluzione. È la differenza tra una fotocopiatrice di documenti e un collega che ti conosce.
Tabella: RAG vs Second Brain
- Stato — RAG: stateless · Second Brain: stateful
- Identità — RAG: anonima · Second Brain: la tua
- Memoria — RAG: nessuna tra le sessioni · Second Brain: persistente
- Struttura — RAG: documenti piatti · Second Brain: knowledge graph
- Evoluzione — RAG: statica · Second Brain: composta nel tempo
Quando ti basta un RAG, e quando ti serve un Second Brain
Ti basta un RAG quando hai un corpus chiuso e impersonale da interrogare: il manuale di un prodotto, una normativa, una FAQ aziendale di primo livello. Domanda → risposta → fine.
Ti serve un Second Brain quando la conoscenza è tua, cresce ogni giorno e vuoi che il sistema riconosca i tuoi schemi: un professionista che accumula decisioni e clienti, un'azienda che vuole un Company Brain. Regola pratica: se conta chi fa la domanda e cosa ha imparato prima, ti serve un Second Brain.