# RAG dal web live: recupera con una ricerca, rispondi con le citazioni > RAG dal web live: cerca, leggi le pagine come Markdown, dividile in chunk e rispondi con citazioni. Codice Python. Senza KYC, pagamento in criptovalute. - URL: https://llmwebsearch.com/it/use-cases/rag/ - Ultimo aggiornamento: 2026-10-22 - Editore: LLMWebSearch (https://llmwebsearch.com) Un indice vettoriale contiene ciò che hai caricato il mese scorso. Alcune domande richiedono ciò che il web dice oggi. Il RAG sul web live recupera al momento della domanda: una ricerca, le pagine principali come Markdown, qualche chunk nel prompt e citazioni che riportano a ogni pagina. **Risposta rapida — Come faccio il RAG con i risultati di ricerca dal web live?** Esegui una ricerca web al momento della domanda, leggi le pagine principali, suddividile in chunk, tieni i più rilevanti e chiedi al modello di rispondere con citazioni numerate. **LLMWebSearch** gestisce i primi due passaggi in una sola chiamata: risultati ordinati con le prime 3 pagine come Markdown, per un credito, da 1,20 USD/1K ricerche. Senza KYC; paghi in criptovalute. ## Cos'è il RAG sul web live? È una retrieval-augmented generation in cui il passaggio di retrieval è una ricerca web invece di una consultazione del tuo indice. La domanda va a una API di ricerca, la API restituisce pagine e il modello risponde da quelle pagine. Lo schema si adatta alle domande su cose che cambiano: prezzi, rilasci, regole, orari e notizie. Si adatta anche alle domande di coda lunga che i tuoi documenti non hanno mai coperto. Il costo è una ricerca per domanda, o due quando la prima non trova nulla. ## Quando conviene recuperare fresco e quando conservare? Conserva ciò che è stabile e tuo; recupera ciò che cambia. Manuali di prodotto, policy interne e i tuoi documenti vanno in un indice vettoriale, aggiornato con una cadenza. Prezzi dei concorrenti, normative e notizie richiedono il retrieval live. Molti team combinano entrambi. Cercano prima nel proprio indice e chiamano il web solo quando l'indice non ha una buona corrispondenza o quando la domanda cita una data recente. Se decidi di conservare le pagine recuperate, tieni presente la nostra posizione: Non addestriamo alcun modello sulle tue query né su ciò che l'API restituisce, e non aggiungiamo regole nostre contro la conservazione dei risultati; restano validi i diritti dei siti di cui leggi le pagine. Controlla i termini di ogni sito prima di costruire una copia permanente del suo contenuto. ## Come trasformo i risultati di ricerca in chunk? Suddividi ogni pagina sui suoi titoli, poi taglia le sezioni lunghe a una lunghezza fissa. Il Markdown lo rende facile, perché i titoli sono righe che iniziano con `#`. Mantieni URL e titolo della fonte su ogni chunk, così le citazioni sopravvivono alla suddivisione. L'esempio sotto cerca, legge tre pagine, le suddivide in chunk e sceglie i sei chunk che condividono più parole con la domanda. In produzione sostituisci il conteggio delle parole con il tuo modello di embedding; la struttura resta la stessa. *Python: retrieval dal web live con chunk e fonti numerate* ```python import os import re import requests API = "https://llmwebsearch.com/api/v1/search" HEADERS = {"Authorization": "Bearer " + os.environ["LLMWEBSEARCH_API_KEY"]} def live_chunks(query, read=3, chunk_len=1200): """Search, then cut each page that was read into heading-based chunks tagged with its source.""" body = {"q": query, "max_results": 5, "read": read, "max_chars": 12000} results = requests.post(API, headers=HEADERS, json=body, timeout=60).json()["results"] chunks = [] for r in results: if r.get("content_status") != "ok": continue for section in re.split(r"\n(?=#{1,3} )", r["content"]): section = section.strip() for start in range(0, len(section), chunk_len): chunks.append({"url": r["url"], "title": r["title"], "text": section[start:start + chunk_len]}) return chunks def top_chunks(chunks, question, k=6): """A plain keyword score; swap in your embedding model for better ranking.""" words = set(re.findall(r"\w{4,}", question.lower())) def score(chunk): return sum(1 for w in re.findall(r"\w{4,}", chunk["text"].lower()) if w in words) return sorted(chunks, key=score, reverse=True)[:k] def build_prompt(question): picked = top_chunks(live_chunks(question), question) urls = list(dict.fromkeys(c["url"] for c in picked)) blocks = [f"[{urls.index(c['url']) + 1}] {c['title']}\n{c['text']}" for c in picked] sources = "\n".join(f"[{i}] {u}" for i, u in enumerate(urls, 1)) return ( "Use only the context to answer and cite sources as [n].\n\n" + "\n\n".join(blocks) + f"\n\nSources:\n{sources}\n\nQuestion: {question}" ) ``` ## Quante pagine dovrebbe leggere ogni domanda? Tre è un buon inizio e mantiene la ricerca a un credito. La maggior parte delle domande fattuali trova risposta nelle prime due o tre pagine di una buona query. Chiedi pagine più lunghe di quanto faresti in un agente di chat, perché il chunker scarterà comunque la maggior parte del testo. Un `max_chars` da 10.000 a 15.000 per pagina dà al ranker abbastanza da scegliere. Se la risposta dipende da un sito noto, aggiungilo con `include_domains` invece di leggere più pagine. ## Come faccio a far citare le fonti al modello? Numera le fonti nel prompt e chiedi i numeri nella risposta. Un'istruzione breve funziona bene: usa solo il contesto, cita ogni affermazione come [n] e indica quando il contesto non copre la domanda. Tieni l'elenco delle fonti alla fine del prompt, con un URL per ogni numero. Poi rendi [n] come link nella tua interfaccia. Gli utenti si fidano delle risposte che possono verificare, e le citazioni sbagliate sono facili da individuare in revisione. ## E se una pagina è bloccata o vuota? Saltala e usa le altre. Ogni risultato porta un `content_status`; solo i risultati `ok` hanno testo. Una pagina può mancare perché Il nostro reader rispetta robots.txt: si presenta come LLMWebSearch, segue le regole che un sito scrive per lui o per tutti i robot, e lascia fuori il contenuto di qualsiasi pagina che non gli è permesso leggere. Quando tutte le pagine di una ricerca tornano vuote, riprova una volta con una query diversa o aggiungi `include_domains` per un sito che sai essere aperto. Quando un sito respinge il nostro reader, il risultato torna senza contenuto e con lo status del sito: non risolviamo mai CAPTCHA, non accediamo agli account e non aggiriamo un blocco o un paywall. ## Quanto costa il RAG sul web live? Una ricerca per domanda nella maggior parte dei casi. Un assistente di supporto che risponde a 5.000 domande al mese, con una seconda ricerca per una domanda su cinque, usa circa 6.000 ricerche. 25.000 ricerche a 41,25 USD copre quattro mesi così. Anche il tuo modello legge i chunk che gli invii. Sei chunk da 1.200 caratteri aggiungono circa 2.000 token per domanda, che controlli tramite la dimensione e il numero dei chunk. ## Quale pack è adatto a un carico di lavoro RAG? Un credito per query nella maggior parte delle pipeline. I crediti di ricerca non hanno data di scadenza: quello che non usi questo mese è ancora lì l'anno prossimo. | Piano | Quantità | Prezzo | Prezzo per unità | | --- | --- | --- | --- | | Prova | 5.000 ricerche | 9,25 USD | 1,85 USD/1K ricerche | | Builder | 25.000 ricerche | 41,25 USD | 1,65 USD/1K ricerche | | Produzione | 100.000 ricerche | 145 USD | 1,45 USD/1K ricerche | In ogni piano: Prime 3 pagine lette come Markdown · Filtri per paese, lingua, tempo e dominio · Chiamate non riuscite non addebitate · I crediti non scadono mai **Prima di pagare** - Ricarica minima 25 USD. Ricarica una volta in criptovalute, poi acquista qualsiasi piano dal tuo saldo. - Il denaro sul tuo saldo non scade e acquista crediti di ricerca quando vuoi. Quando un pack costa meno del top-up minimo, la parte che hai pagato solo per raggiungere quel minimo ti viene restituita su richiesta entro 30 giorni dal pagamento, in USDT o USDC, purché sia ancora non spesa. Il resto del saldo non viene restituito salvo che la legge lo richieda. - Accreditato non appena il tuo pagamento è verificato sulla blockchain. Tempo abituale di conferma della rete: BTC ≈ 20 min · USDT TRC-20 ≈ 1 min · USDT ERC-20 ≈ 5 min · USDC ERC-20 ≈ 5 min · ETH ≈ 5 min · SOL ≈ 1 min · LTC ≈ 15 min ## RAG sul web live: domande frequenti ### Posso usare LangChain o LlamaIndex? Sì. La [pagina LangChain e LlamaIndex](https://llmwebsearch.com/it/docs/langchain/) avvolge la ricerca come retriever e come tool. ### Posso recuperare da URL che conosco già? Sì, con l'[endpoint extract](https://llmwebsearch.com/it/docs/extract/). Leggere pagine di cui hai già gli URL costa 1 credito per ogni gruppo iniziato di 3 pagine restituite con contenuto, fino a 20 URL per chiamata; gli URL rifiutati o falliti non vengono contati. ### LLMWebSearch memorizza le pagine che legge per me? No. Ogni chiamata lascia una riga di log: l'ora, l'account, i primi 60 caratteri della query, quanti risultati e pagine sono stati restituiti, e i crediti. Le righe vengono cancellate dopo 30 giorni. Il contenuto delle pagine che leggiamo non viene conservato. Numero di account, ordini, top-up e totali dei crediti restano finché l'account esiste, poi solo per il tempo richiesto dalla legge contabile. Le autorità ricevono i registri solo quando una legge ci obbliga. ### Posso limitare il recupero a una sola lingua o a un solo paese? Sì. Imposta `language` e `country`, per esempio `language=de` e `country=de` per risultati in tedesco dalla Germania. --- LLMWebSearch: LLMWebSearch è un'API di ricerca web per agenti AI che restituisce risultati classificati con il contenuto delle pagine principali in Markdown, pagata in criptovalute senza caricare documenti d'identità. I crediti prepagati da 1,20 USD/1K ricerche non scadono mai. Senza KYC — niente documento, niente selfie, niente documenti. Paghi in criptovalute.