Ricerca vettoriale

TL;DR — La ricerca vettoriale trova i contenuti per significato invece di confrontare le parole esatte che hai digitato. Trasforma la query e ogni documento archiviato in un elenco di numeri, un vettore, e restituisce i documenti i cui numeri sono più vicini a quelli della query. È così che la ricerca AI e i chatbot trovano i passaggi da cui ricavano le risposte.

Che cos’è la ricerca vettoriale

La ricerca vettoriale recupera elementi in base alla prossimità in uno spazio di embedding, spesso usando indici approximate nearest neighbor per scalare. Evidence for this claim HNSW is an approximate nearest-neighbor method that organizes vectors in a multilayer navigable graph for efficient search. Scope: The HNSW algorithm and reported evaluations; production indexes may use different ANN methods and parameters. Confidence: high · Verified: 2026-07-14 Malkov and Yashunin: HNSW La similarità dipende dal modello di embedding, dalla funzione di distanza e dai dati indicizzati. Evidence for this claim Embedding vectors can be compared by distance to retrieve related items. Scope: OpenAI embedding guidance; retrieval quality depends on model choice, corpus, index, filters, and evaluation. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide

La vecchia ricerca per keyword associa le parole. Se cerchi «come correggere un sito lento» e una pagina dice «migliorare le prestazioni del sito», un motore basato solo sulle keyword potrebbe non trovarla: parole diverse, stesso significato.

La ricerca vettoriale risolve il problema. Un modello chiamato embeddings legge il testo e lo trasforma in un lungo elenco di numeri, un vettore, che cattura il significato del testo. I contenuti sullo stesso argomento ricevono numeri simili e si collocano vicini in una sorta di mappa matematica. La ricerca vettoriale chiede semplicemente: quali vettori archiviati sono più vicini al vettore della query?

Così «correggere un sito lento» e «migliorare le prestazioni del sito» finiscono vicini sulla mappa e la ricerca vettoriale trova la corrispondenza anche se le parole non coincidono.

Un modello mentale semplice

Immagina ogni pagina del web come un punto su una grande mappa, con i punti sullo stesso argomento vicini tra loro: tutte le pagine sui cani in un quartiere, tutte quelle sulle tasse in un altro. Quando cerchi, anche la tua query diventa un punto. La ricerca vettoriale trova i punti più vicini e te li restituisce.

Questa è l’idea. La parte difficile è farlo velocemente quando ci sono miliardi di punti: è il prossimo concetto da capire.

Perché «approssimativa»

Confrontare la query con ogni vettore archiviato sarebbe troppo lento su scala web. I sistemi reali usano quindi scorciatoie intelligenti chiamate algoritmi approximate nearest neighbor (ANN). Non controllano ogni punto: seguono percorsi intelligenti nella mappa per trovare quasi perfettamente i più vicini, in pochi millisecondi. «Quasi» va bene: perdere il 19° risultato migliore su milioni non cambia la risposta, mentre la velocità guadagnata è enorme.

Perché questo ti riguarda

Nelle risposte AI — AI Overviews di Google, ricerca di ChatGPT, Perplexity — il sistema prima recupera alcuni passaggi pertinenti e poi scrive una risposta a partire da essi. Quella fase di recupero è la ricerca vettoriale. Se il tuo contenuto non è semanticamente vicino alla domanda, non entra nella rosa dei candidati e non può essere citato.

Non esiste un trucco per «ottimizzare per la ricerca vettoriale». Premia ciò che i contenuti buoni hanno sempre richiesto: testo chiaro, realmente pertinente all’argomento e approfondito. Le pagine sottili e riempite di keyword non finiscono in un quartiere coerente della mappa, quindi non vengono recuperate.

Vuoi gli algoritmi (HNSW, ScaNN), le metriche di distanza, il modo in cui Google usa davvero questa tecnologia e il quadro SEO completo? Passa alla scheda Advanced.

TL;DR — La ricerca vettoriale recupera i vettori più vicini a un vettore-query in uno spazio di embedding ad alta dimensionalità, usando algoritmi approximate nearest neighbor (ANN) — HNSW, IVF, FAISS, ScaNN — perché il confronto esatto tra miliardi di vettori è impossibile in tempo reale. L’approssimazione ANN è progettata: sacrifica una piccola parte del recall per guadagni di velocità di diversi ordini di grandezza. La ricerca vettoriale è un meccanismo per la ricerca semantica, non un suo sinonimo, ed è la fase di recupero dentro ogni sistema RAG (compresi gli AI Overviews). In produzione raramente funziona da sola: il pattern reale è ibrido, BM25 + vettori + reranking. Per la SEO non c’è una manopola da regolare: la prossimità vettoriale è il filtro d’ingresso nel pool dei candidati e premia la profondità coerente con l’argomento a livello di passaggio.

Dove si colloca la ricerca vettoriale

Il recupero vettoriale è un componente che può alimentare il ranking o la generazione; da solo non è un sistema di ricerca completo. Evidence for this claim HNSW is an approximate nearest-neighbor method that organizes vectors in a multilayer navigable graph for efficient search. Scope: The HNSW algorithm and reported evaluations; production indexes may use different ANN methods and parameters. Confidence: high · Verified: 2026-07-14 Malkov and Yashunin: HNSW Nessuna soglia di distanza o algoritmo di indice fisso è universalmente migliore. Evidence for this claim Embedding vectors can be compared by distance to retrieve related items. Scope: OpenAI embedding guidance; retrieval quality depends on model choice, corpus, index, filters, and evaluation. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide

Gli embedding forniscono i vettori: la ricerca vettoriale è ciò che fai con essi. Se embeddings è la metà «che cos’è un vettore» della storia, questo articolo è la metà «ora trova quelli più vicini». È importante essere precisi su una distinzione che il settore confonde continuamente: la ricerca semantica è l’obiettivo; la ricerca vettoriale è un metodo per raggiungerlo. La ricerca semantica può anche basarsi su knowledge graph, riconoscimento delle entità e corrispondenza dell’intento. Ricerca vettoriale significa nello specifico recupero ANN su uno spazio di embedding: le due cose non sono sinonimi, anche se vengono usate come tali.

Come funziona la ricerca vettoriale, passo dopo passo

La pipeline è la stessa sia che tu sia Google sia che tu stia costruendo un progetto RAG nel fine settimana:

1. Incorpora il contenuto. Un modello encoder converte ogni frammento di contenuto in un vettore. Nota frammento: la ricerca vettoriale non confronta pagine intere, ma passaggi. Chunking è l’unità di recupero, ed è per questo che la densità a livello di passaggio conta più della presenza di keyword a livello di pagina.
2. Costruisci un indice. I vettori entrano in un indice vettoriale progettato per ricerche rapide dei vicini più prossimi (un indice ANN: ne parliamo sotto).
3. Incorpora la query. Al momento della query, lo stesso modello trasforma la richiesta dell’utente in un vettore nello stesso spazio.
4. Esegui la ricerca ANN. L’indice restituisce i vettori top-k più vicini al vettore-query, cioè l’insieme dei candidati.
5. Classifica e restituisci. I candidati ricevono un punteggio, spesso vengono riordinati e i migliori vengono serviti (oppure, in RAG, passati a un LLM per generare la risposta).

Approximate nearest neighbor: perché «approssimativa»

Trovare i vicini esatti significa confrontare la query con ogni vettore archiviato, O(N) per query. Con miliardi di vettori e tempi di millisecondi è impraticabile. La ricerca in produzione usa quindi ANN: strutture di indice che trovano quasi perfettamente i vicini più prossimi saltando la grande maggioranza dei confronti.

Come dice Elastic, ANN “sacrifices perfect accuracy in exchange for executing efficiently in high dimensional embedding spaces, at scale.” — «sacrifica la precisione perfetta in cambio di un’esecuzione efficiente in spazi di embedding ad alta dimensionalità, su larga scala». Weaviate descrive lo stesso compromesso come “a bit of accuracy for a huge gain in speed.” — «un po’ di precisione in cambio di un enorme guadagno di velocità». Non è un difetto: è la scelta ingegneristica che rende possibile la ricerca vettoriale. La metrica della bontà dell’approssimazione è il recall: Google lo definisce “the percentage of nearest neighbors returned by the index that are actually true nearest neighbors.” — «la percentuale dei vicini più prossimi restituiti dall’indice che sono davvero vicini più prossimi». Il servizio Vector Search di Google, ribattezzato da «Vertex AI Vector Search» e ora documentato sotto Gemini Enterprise Agent Platform, riporta un recall del 95–98%: rinunci a un paio di punti percentuali dei vicini veri e ottieni in cambio ricerca su scala web.

Principali algoritmi ANN

Non devi implementarli, ma conoscerne i nomi rende meno misteriosa molta discussione sulla ricerca AI:

• HNSW (Hierarchical Navigable Small World): il default del settore. Un grafo multilivello in cui gli strati superiori sono «corsie rapide» rade, con connessioni a lunga distanza per attraversamenti veloci, mentre quelli inferiori sono «strade locali» dense per una navigazione precisa. Offre una complessità di ricerca circa logaritmica, motivo per cui domina in produzione. È usato da Weaviate, Pinecone, pgvector, Qdrant e altri. Il limite è la memoria: gli indici HNSW consumano molta RAM. Il verdetto di Pinecone è: “HNSW gives us great search-quality at very fast search-speeds — but there’s always a catch — HNSW indexes take up a significant amount of memory.” — «HNSW offre grande qualità di ricerca a velocità elevatissime, ma c’è sempre un limite: gli indici HNSW occupano una quantità significativa di memoria».
• IVF (Inverted File Index): divide lo spazio in cluster (k-means) e al momento della query cerca solo nei pochi cluster più vicini alla query (nprobe). Pinecone lo definisce “a very popular index as it’s easy to use, with high search-quality and reasonable search-speed… a good scalable option.” — «un indice molto popolare, facile da usare, con alta qualità e velocità ragionevole… una buona opzione scalabile».
• FAISS: libreria di Facebook AI (Johnson, Douze, Jégou) per la ricerca di similarità su scala miliardi. È una cassetta degli attrezzi, non un singolo algoritmo: base esatta flat (IndexFlatL2), IVF clusterizzato, IVFPQ quantizzato a prodotto per comprimere la memoria di 4–64× e un’implementazione HNSW. La versione GPU ha riportato una velocità 8,5× maggiore nella ricerca k-NN.
• ScaNN (Scalable Nearest Neighbors): libreria open source di Google, parte della stessa famiglia tecnologica dietro Google Image Search, YouTube e Google Play. La sua innovazione è la quantizzazione vettoriale anisotropa: invece di minimizzare la distanza media, “more heavily penalizes quantization error that is parallel to the original vector,” — «penalizza più pesantemente l’errore di quantizzazione parallelo al vettore originale», perché l’errore direzionale danneggia in modo sproporzionato i risultati ad alto prodotto interno, cioè i più pertinenti. Il risultato: “outperforms other vector similarity search libraries by a factor of two” — «supera di un fattore due le altre librerie di ricerca della similarità vettoriale» su ann-benchmarks.com, circa il doppio delle query al secondo a parità di accuratezza.
• Indice flat (esatto): nessuna approssimazione, forza bruta, più accurato e più lento. Pinecone nota che gli indici flat “produce the most accurate results” — «producono i risultati più accurati» e sono la scelta giusta quando la qualità è fondamentale o l’indice è piccolo (meno di ~10 000 vettori). Oltre questa scala si passa ad ANN.

La linea comune è che ogni indice ANN è una manopola tra recall, latenza, throughput e memoria. Come dice Weaviate, la maggior parte dei database vettoriali permette di “configure how your ANN algorithm should behave… to find the right balance.” — «configurare il comportamento dell’algoritmo ANN per trovare il giusto equilibrio».

Metriche di distanza

«Più vicino» deve avere una definizione. Tre metriche sono comuni:

• Similarità coseno: il default per il testo. Misura l’angolo tra due vettori ignorandone la grandezza, così un documento breve e uno lungo sullo stesso argomento ricevono lo stesso punteggio. Weaviate: “Cosine similarity is commonly used in Natural Language Processing… It measures the similarity between documents regardless of the magnitude.” — «La similarità coseno è comunemente usata nell’elaborazione del linguaggio naturale… misura la similarità tra documenti indipendentemente dalla grandezza».
• Prodotto scalare (prodotto interno): usato quando la rilevanza è definita dal prodotto interno (il problema MIPS ottimizzato da ScaNN).
• Distanza euclidea (L2): distanza in linea retta, usata quando la grandezza ha un significato.

Ecco la scorciatoia pratica: per i vettori normalizzati, similarità coseno e prodotto scalare producono ranking identici, e la maggior parte dei modelli moderni di embedding normalizza l’output a lunghezza unitaria. OpenAI lo dice chiaramente: “We recommend cosine similarity. The choice of distance function typically doesn’t matter much” — «Raccomandiamo la similarità coseno. La scelta della funzione di distanza in genere non conta molto», proprio perché i suoi embedding hanno lunghezza

1. La regola vera, secondo Weaviate, è: “Use the distance metric that matches the model that you’re using… There is no ‘one size fits all’.” — «Usa la metrica di distanza che corrisponde al modello che stai utilizzando… Non esiste una soluzione unica per tutti».

Database vettoriali

Un database vettoriale archivia vettori ed esegue ANN su di essi, così non devi costruire da solo l’infrastruttura dell’indice. I nomi comuni sono Pinecone (gestito), Weaviate (ricerca ibrida integrata), Chroma e FAISS (ottimi per prototipi/in-process), Qdrant, Milvus (scala self-hosted) e pgvector (estensione Postgres, per team già su SQL). Li elenco, non li classifico: la scelta giusta dipende dalla scala, dal fatto che tu voglia un servizio gestito o self-hosted e dalla necessità di avere la ricerca ibrida pronta. Alla scala di Google/Bing, il «database» è infrastruttura interna ScaNN/ANN, non uno di questi.

Ricerca ibrida: come funziona davvero in produzione

L’opposizione «ricerca per keyword contro ricerca vettoriale» è una falsa dicotomia. La ricerca solo vettoriale perde query di corrispondenza esatta — codici di errore, SKU, nomi propri — mentre la ricerca solo per keyword perde le varianti semantiche. I sistemi seri usano quindi la ricerca ibrida: recupero per keyword (BM25) e vettoriale in parallelo, risultati fusi (spesso con Reciprocal Rank Fusion) e poi candidati riordinati da un cross-encoder. Microsoft definisce la ricerca ibrida “the execution of vector search and keyword search in the same request… The queries execute in parallel, and the results are merged into a single response and ranked accordingly.” — «l’esecuzione della ricerca vettoriale e per keyword nella stessa richiesta… Le query vengono eseguite in parallelo e i risultati sono uniti in un’unica risposta e classificati di conseguenza». Vector Search di Google supporta gli stessi tre modi: dense (semantico), sparse (keyword) e hybrid. Se ricordi una sola cosa: il recupero in produzione è quasi mai solo vettoriale. Vince la combinazione.

Come Google (e Bing) usano davvero la ricerca vettoriale

Non è una novità dell’era ChatGPT del 2023. L’infrastruttura precede di anni l’ondata degli LLM:

• ScaNN (ICML 2020, open source) alimenta Google Image Search, YouTube e Google Play e sostiene il prodotto Vector Search di Google (il servizio precedentemente chiamato Vertex AI Vector Search), che “shares the same backend” — «condivide lo stesso backend» — con quei prodotti consumer. Kaz Sato di Google ha definito la tecnologia “one of the most important components of Google’s core services.” — «uno dei componenti più importanti dei servizi principali di Google». Specifiche: “tens of thousands of requests per second… in less than 10 ms for the 90th percentile with a recall rate of 95–98%.” — «decine di migliaia di richieste al secondo… in meno di 10 ms per il 90° percentile con un recall del 95–98%».
• Bing eseguiva indici con oltre 100 miliardi di vettori già nel 2019. Nelle parole di Microsoft, Bing poteva “search through this giant index of 100 billion-plus vectors to find the most related results in 5 milliseconds.” — «cercare in questo enorme indice di oltre 100 miliardi di vettori per trovare i risultati più correlati in 5 millisecondi». È successo più di sei anni fa.
• Dense Passage Retrieval (DPR, EMNLP 2020) ha dimostrato che il recupero vettoriale denso poteva superare Lucene-BM25 del 9–19% assoluto nell’accuratezza dei primi 20 passaggi, con un semplice dual encoder. DPR è il progetto di riferimento del recupero RAG moderno, e la fase di recupero dietro AI Overviews discende da questo pattern.
• MUVERA (2025) rende il recupero multi-vettore veloce quanto quello a vettore singolo: circa “10% higher recall with ~90% lower latency” — «10% di recall in più con circa il 90% di latenza in meno» rispetto ai metodi precedenti.
• TurboQuant (ICLR 2026) comprime i vettori per la ricerca dei vicini più prossimi con una riduzione della memoria dichiarata di 6× e una perdita di accuratezza effettivamente nulla.

Il punto non è imparare a memoria la roadmap: è che il recupero basato sugli embedding è il modo in cui i grandi motori trovano contenuti pertinenti, e lo fanno da anni.

Che cosa significa per la SEO

Qui devo essere prudente, perché è il punto in cui i consigli SEO di solito esagerano:

La prossimità vettoriale è il nuovo filtro d’ingresso nel pool dei candidati. Nelle risposte basate su RAG il recupero avviene prima della generazione. Se il tuo passaggio non è semanticamente vicino all’embedding della query, non entra nella rosa da cui il modello scrive e non può essere citato. Questo è il meccanismo.

Ma non esiste una manopola di «ottimizzazione per la ricerca vettoriale». Il segnale sottostante è la coerenza semantica e la profondità tematica, ciò che i contenuti di qualità hanno sempre richiesto. La ricerca vettoriale non premia un nuovo trucco: penalizza contenuti sottili e keyword stuffing (che non formano un quartiere coerente nello spazio degli embedding) e premia una copertura realmente completa e ben strutturata. Come spiego nell’articolo sugli embeddings, riprendendo Danny Sullivan su BERT, qui non c’è sostanzialmente «nulla da ottimizzare»: devi far raggruppare in modo pulito i contenuti vicino alle query a cui dovrebbero rispondere.

Seguono due implicazioni concrete:

• Il chunking conta. Il recupero opera sui passaggi, non sulle pagine intere. Una pagina può non posizionarsi per nulla se nessun passaggio è una corrispondenza semantica pulita. Scrivi passaggi che reggano da soli.
• Profondità tematica e copertura delle entità ti fanno occupare il quartiere giusto nello spazio degli embedding. Contenuti superficiali e frammentati si incorporano in una regione indistinta, vicina a nulla in particolare.

La ricerca vettoriale è il motore di recupero dietro RAG e le risposte AI; il passage ranking avviene sui candidati dopo il recupero; gli AI crawler che alimentano questi sistemi incorporano e indicizzano vettorialmente ciò che recuperano. Per la pipeline completa, consulta Come funziona la ricerca.

Riepilogo AI

Una sintesi della versione Advanced:

• La ricerca vettoriale trova i vettori più vicini a un vettore-query in uno spazio di embedding ad alta dimensionalità. Associa il significato, non le parole esatte.
• Gli embedding producono i vettori; la ricerca vettoriale li usa per il recupero. È un meccanismo della ricerca semantica, non un sinonimo: la ricerca semantica è l’obiettivo.
• ANN è approssimativa per progettazione. Il confronto esatto tra miliardi di vettori è impossibile in tempo reale, quindi HNSW / IVF / FAISS / ScaNN sacrificano una piccola parte del recall (Google riporta 95–98%) per una velocità di diversi ordini di grandezza superiore.
• HNSW è il default in produzione (a grafo, ricerca logaritmica, alta richiesta di memoria). ScaNN è la libreria open source di Google dietro Image Search, YouTube e Google Play. Gli indici flat/esatti hanno senso solo sotto ~10 000 vettori.
• La similarità coseno è il default per il testo; per vettori normalizzati (la maggior parte dei modelli moderni, compresi quelli di OpenAI) coseno e prodotto scalare danno ranking identici.
• La produzione è ibrida, non solo vettoriale: BM25 + vettori in parallelo, fusione con Reciprocal Rank Fusion e nuovo ranking con cross-encoder.
• Precede l’ondata degli LLM: Bing eseguiva indici con oltre 100 miliardi di vettori nel 2019; ScaNN e DPR risalgono al 2020. DPR superava BM25 del 9–19% ed è il progetto di riferimento del recupero RAG.
• Conseguenza SEO: la prossimità vettoriale è il filtro d’ingresso nel pool di candidati delle risposte AI, ma non c’è una manopola da regolare: premia profondità tematica e passaggi chiari e autosufficienti, penalizzando i contenuti sottili riempiti di keyword. Conta la chiarezza per chunk.

Documentazione ufficiale

Documentazione primaria sulla ricerca vettoriale e sugli embedding, proveniente dai motori e dai fornitori di modelli di embedding.

Google

• Panoramica di Vector Search — il servizio basato su ScaNN, ribattezzato da «Vertex AI Vector Search» e ora documentato sotto Gemini Enterprise Agent Platform; embedding densi, sparsi e ibridi; definizione del recall.
• Presentazione di ScaNN: ricerca efficiente della similarità vettoriale — quantizzazione vettoriale anisotropa e risultato del benchmark 2× più veloce.
• Trova qualsiasi cosa a velocità incredibile con la tecnologia di ricerca vettoriale di Google — spiegazione di Kaz Sato, keyword contro vettori e specifiche delle prestazioni.
• Infrastruttura RAG con Agent Platform e Vector Search — come la ricerca vettoriale sia la fase di recupero in RAG (pagina rinominata da «Vertex AI and Vector Search» quando Google ha incluso il servizio nella Gemini Enterprise Agent Platform).
• MUVERA: recupero multi-vettore veloce quanto la ricerca a vettore singolo.
• TurboQuant: compressione estrema per la ricerca vettoriale.

Microsoft / Bing / Azure

• Panoramica di Vector Search — Azure AI Search — definizione lato motore della ricerca vettoriale e ibrida.
• Con l’evolvere delle esigenze di ricerca… (ricerca vettoriale Bing) — l’articolo del 2019 che mostra l’indice di Bing con oltre 100 miliardi di vettori.

Documentazione dei modelli di embedding / dei fornitori

• OpenAI — embedding vettoriali — funzioni di distanza e motivo per cui la scelta conta raramente con vettori normalizzati.
• Weaviate — spiegazione della ricerca vettoriale e metriche di distanza nella ricerca vettoriale.
• Pinecone — Che cos’è la ricerca di similarità? e indici nearest neighbor.
• Elastic — Che cos’è la ricerca vettoriale?.

Citazioni dalla fonte

Dichiarazioni ufficiali di Google e Microsoft/Bing. Ogni link è un deep link che porta al passaggio citato nella pagina sorgente.

Google

• “The vector similarity search (or nearest neighbor search or simply vector search) capabilities of the Vertex AI Matching Engine… share the same backend as Google Image Search, YouTube, Google Play, and more.” — «Le funzionalità di ricerca della similarità vettoriale (o ricerca dei vicini più prossimi, o semplicemente ricerca vettoriale) del Vertex AI Matching Engine… condividono lo stesso backend di Google Image Search, YouTube, Google Play e altri prodotti». Vai alla fonte
• “Vector search provides a much more refined way to find content, with subtle nuances and meanings. Vectors can represent the meaning of content where ‘films’, ‘movies’, and ‘cinema’ are all collected together.” — «La ricerca vettoriale offre un modo molto più raffinato di trovare contenuti, con sfumature e significati sottili. I vettori possono rappresentare il significato dei contenuti, riunendo “films”, “movies” e “cinema”». Vai alla fonte
• “The technology is one of the most important components of Google’s core services.” — Kaz Sato. — «La tecnologia è uno dei componenti più importanti dei servizi principali di Google». Vai alla citazione
• “Today, we’re just beginning the migration from traditional search technology to new vector search. Over the next 5 to 10 years, many more best practices and tools will be developed.” — Kaz Sato. — «Oggi stiamo appena iniziando la migrazione dalla tecnologia di ricerca tradizionale alla nuova ricerca vettoriale. Nei prossimi 5–10 anni verranno sviluppati molti altri strumenti e best practice». Vai alla citazione
• ScaNN “outperforms other vector similarity search libraries by a factor of two on ann-benchmarks.com.” — «supera di un fattore due le altre librerie di ricerca della similarità vettoriale su ann-benchmarks.com». Vai alla citazione

Microsoft / Bing

• “Vector search is an information retrieval approach that supports indexing and querying over numeric representations of content. Because the content is numeric rather than plain text, matching is based on vectors that are most similar to the query vector.” — «La ricerca vettoriale è un approccio al recupero delle informazioni che supporta indicizzazione e query su rappresentazioni numeriche dei contenuti. Poiché il contenuto è numerico e non testo semplice, la corrispondenza si basa sui vettori più simili al vettore della query». — Documentazione Azure AI Search. Leggi la documentazione
• “Keyword search algorithms just fail when people ask a question or take a picture and ask the search engine, ‘What is this?’” — «Gli algoritmi di ricerca per keyword falliscono quando le persone fanno una domanda o scattano una foto e chiedono al motore di ricerca: “Che cos’è?”». — Rangan Majumder, Group Program Manager, Bing (2019). Leggi la fonte
• “Bing processes billions of documents every day, and the idea now is that we can represent these entries as vectors and search through this giant index of 100 billion-plus vectors to find the most related results in 5 milliseconds.” — «Bing elabora ogni giorno miliardi di documenti e l’idea è rappresentare queste voci come vettori e cercare in questo enorme indice di oltre 100 miliardi di vettori per trovare i risultati più correlati in 5 millisecondi». — Jeffrey Zhu, Program Manager, Bing (2019). Leggi la fonte

OpenAI (fornitore di modelli di embedding, sulle metriche di distanza)

• “An embedding is a vector (list) of floating point numbers. The distance between two vectors measures their relatedness.” … “We recommend cosine similarity. The choice of distance function typically doesn’t matter much.” — «Un embedding è un vettore (un elenco) di numeri in virgola mobile. La distanza tra due vettori misura la loro correlazione». … «Raccomandiamo la similarità coseno. La scelta della funzione di distanza in genere non conta molto». Leggi la documentazione

Modelli mentali

1. La mappa. Ogni frammento di contenuto è un punto su una mappa ad alta dimensionalità, con significati simili posizionati vicini. Anche la query è un punto. La ricerca vettoriale restituisce i punti più vicini. Tutto il resto è un’ottimizzazione di questo.

2. Obiettivo contro meccanismo. La ricerca semantica è l’obiettivo (associare significato e intento). La ricerca vettoriale è un meccanismo per raggiungerlo (ANN sugli embedding). Tienili separati e molta scrittura confusa sulla ricerca AI diventa immediatamente più chiara.

3. La manopola recall–velocità. Ogni indice ANN scambia recall con latenza, throughput e memoria. Exact (flat) = recall perfetto, ma non scala. HNSW = recall quasi perfetto, veloce e affamato di memoria. Non esistono pasti gratis: c’è una manopola e devi scegliere l’impostazione.

4. L’ibrido è il default, non l’eccezione. Il recupero reale = BM25 (recall per keyword, intercetta token esatti) + vettori (recall semantico, intercetta il significato) + reranking (qualità del cross-encoder). Se immagini la ricerca in produzione come «vettori contro keyword», stai usando il modello sbagliato.

5. Il recupero è un filtro; la generazione viene dopo. Nelle risposte RAG/AI, la ricerca vettoriale decide il pool dei candidati prima che il modello scriva. Se non sei nel pool, non puoi essere citato. Per questo la prossimità semantica, non il conteggio delle keyword on-page, è ciò che decide l’inclusione.

6. L’unità è il chunk, non la pagina. I vettori vengono calcolati per passaggio. Una pagina eccellente composta da passaggi vaghi può non corrispondere a nulla. Scrivi chunk autosufficienti e pertinenti all’argomento.

Ricerca vettoriale: scheda rapida

Tipi di indice ANN

Metriche di distanza

Fatti rapidi

• ANN è approssimativa per progettazione: sacrifica una piccola parte del recall per grande velocità. Vector Search di Google (in precedenza «Vertex AI Vector Search») riporta 95–98% di recall.
• HNSW domina in produzione (Weaviate, Pinecone, pgvector, Qdrant): ricerca logaritmica e forte consumo di memoria.
• ScaNN è la libreria open source di Google, con lo stesso backend di Image Search, YouTube e Google Play; circa 2× le QPS della libreria successiva a parità di accuratezza.
• Per vettori normalizzati, coseno = prodotto scalare nel ranking. La maggior parte dei modelli moderni, compresi quelli di OpenAI, normalizza l’output.
• Ibrido è il pattern reale di produzione: BM25 + vettori, fusi con RRF, poi riordinati da un cross-encoder.
• Database vettoriali: Pinecone, Weaviate, Chroma, Qdrant, Milvus, pgvector (elencati, non classificati).
• DPR (2020) ha superato BM25 del 9–19% nel recupero dei passaggi: è il progetto di riferimento per il recupero RAG. Bing eseguiva indici vettoriali da oltre 100 miliardi già nel 2019.

SEO in una riga: la prossimità vettoriale è il filtro d’ingresso nel pool di candidati delle risposte AI; non c’è una manopola da regolare, premia profondità tematica e passaggi puliti e autosufficienti.

Mettiti alla prova: ricerca vettoriale

Risorse che meritano il tuo tempo

Correlati su questo sito

• Embeddings — leggilo per primo: da dove provengono i vettori.
• Ricerca semantica — l’obiettivo di cui la ricerca vettoriale è un metodo.
• RAG — la ricerca vettoriale è la fase di recupero al suo interno.
• Chunking — i passaggi che vengono incorporati e cercati.
• Come funziona la ricerca — la pipeline più ampia crawling → indice → recupero → ranking.

Articoli fondamentali

• Dense Passage Retrieval for Open-Domain QA (Karpukhin et al., EMNLP 2020) — il progetto dual encoder di riferimento per il recupero, che ha superato BM25 del 9–19%.
• La libreria Faiss (2024) — panoramica completa dei tipi di indice FAISS.
• HNSW — l’algoritmo dietro la maggior parte dei database vettoriali in produzione (Malkov e Yashunin, 2018).

Librerie open source

• ScaNN — libreria di Google per la ricerca della similarità.
• FAISS — ricerca della similarità su scala miliardi di Facebook AI.
• DPR — implementazione di riferimento di Dense Passage Retrieval.

Spiegazioni dei fornitori (chiare e ben illustrate)

• Pinecone — Che cos’è la ricerca di similarità?
• Weaviate — Spiegazione della ricerca vettoriale
• Elastic — Che cos’è la ricerca vettoriale?

Dal settore

• iPullRank — L’evoluzione del recupero delle informazioni: dal lessicale al neurale — approfondimento di Mike King sul passaggio dalla ricerca lessicale al recupero neurale/vettoriale, utile per l’angolo SEO.
• Search Engine Land — Il passaggio alla SEO semantica: che cosa significano i vettori per la strategia — analisi rivolta ai professionisti su come il recupero vettoriale cambia la strategia dei contenuti.
• Search Engine Land — Il nuovo algoritmo Google TurboQuant migliora la velocità della ricerca vettoriale — copertura della svolta Google del 2026 nella compressione per la ricerca dei vicini.
• Search Engine Journal — Ricerca semantica con i vettori — spiegazione accessibile che collega la ricerca della similarità vettoriale ai risultati SEO.
• IBM — Che cos’è la ricerca vettoriale? — panoramica solida e indipendente dai fornitori sui fondamenti, tra le pagine di riferimento meglio posizionate sull’argomento.
• Oracle — Che cos’è la ricerca vettoriale? La guida completa — guida completa su indicizzazione, metriche di distanza e integrazione con i database.
• Microsoft Bing Blog — Microsoft rilascia come open source il modello di embedding Harrier — rilascio Microsoft dell’aprile 2026 del modello Harrier, primo nel benchmark multilingue MTEB-v2, direttamente pertinente al contesto della ricerca vettoriale Bing.

Cronologia modifiche