Come addestrare un chatbot sui contenuti del proprio sito web

Addestrare un chatbot su un sito web significa di solito raccogliere contenuti pubblici approvati, indicizzarli, recuperare i passaggi pertinenti per ogni domanda e generare una risposta da tali evidenze. Nella maggior parte delle configurazioni gestite per siti web, non significa modificare i pesi di un modello linguistico di base per ogni pagina. La distinzione è importante perché ciascun livello può fallire in modo diverso.

Un addestramento utile del chatbot inizia quindi dalle decisioni sulle fonti, non da un pulsante di caricamento. Stabilisci cosa il sistema può usare, prepara le pagine per il recupero, registra le loro versioni e prova domande con e senza risposta. Considera ogni citazione un elemento da esaminare, non una prova automatica che la risposta sia corretta.

Michael Shamanoff Founder, Achla AI

Metodo: questa guida utilizza la documentazione ufficiale di Google Cloud e IETF, esaminata il 3 agosto 2026, oltre all’artefatto di prodotto locale di Achla. Non è stato misurato alcun risultato di prodotto o benchmark.

Le pagine web approvate vengono organizzate per il recupero e la ripetizione dei test, non per riaddestrare un modello di base.

*Le pagine web approvate vengono organizzate per il recupero e la ripetizione dei test, non per riaddestrare un modello di base.*

Che cosa significa “addestrare un chatbot su un sito web”?

L’espressione spesso riunisce quattro operazioni distinte. Per una decisione utile tra RAG e fine-tuning, individua l’operazione di cui hai davvero bisogno. Google Cloud descrive il fine-tuning come ulteriore addestramento di un modello preaddestrato con dati specifici per un compito e lo contrappone alla retrieval-augmented generation, che arricchisce un prompt con conoscenze esterne. La documentazione corrente descrive inoltre il fine-tuning supervisionato come apprendimento da esempi etichettati con aggiornamento dei parametri del modello. (Panoramica sul fine-tuning; documentazione sul tuning)

Questo modello diagnostico non descrive ogni pipeline proprietaria dei fornitori. I prodotti possono combinare passaggi o tecniche di recupero. Una scansione non prova l’indicizzazione, il recupero non prova che sia stato scelto il passaggio giusto e un link alla fonte non prova che sostenga l’affermazione.

Decidi quali contenuti del sito può usare il chatbot

Prima di creare un chatbot dai contenuti del sito, prepara un inventario delle pagine pubbliche, attuali, utili e autorizzate. Assegna a ogni fonte una decisione:

Tieni separate le regole robots dal controllo degli accessi

RFC 9309 definisce il Robots Exclusion Protocol come regole che i crawler sono invitati a rispettare e afferma esplicitamente che tali regole non sono un’autorizzazione di accesso. Per i percorsi protetti raccomanda una vera sicurezza a livello applicativo, come l’autenticazione HTTP. Una regola disallow può rivelare un percorso; non rende la risorsa riservata. (IETF RFC 9309)

Non inserire credenziali negli URL di scansione, non aggirare le pagine di accesso e non trattare come pubblici materiali per dipendenti, specifici per clienti, regolamentati, intranet o reti private. Il crawler di Achla verifica le decisioni robots, rifiuta gli URL con credenziali e blocca destinazioni private o interne. Questo non supporta l’acquisizione di knowledge base private.

Preparare e indicizzare i contenuti del sito per un recupero utile

Per indicizzare contenuti web per l’IA, rendi ogni sezione comprensibile anche quando viene recuperata fuori dalla pagina originale. Il testo scansionato può comunque essere una cattiva fonte di risposta.

1. Assegna a ogni sezione un titolo descrittivo che corrisponda alla domanda trattata.
2. Posiziona vicino la risposta diretta, quindi aggiungi condizioni, eccezioni, date ed esempi.
3. Mantieni un unico proprietario canonico e stabile del fatto; risolvi pagine duplicate o contraddittorie.
4. Usa nomi coerenti per prodotti, piani, policy e concetti tecnici.
5. Registra URL della fonte, data di aggiornamento significativa, risultato di accesso, risultato robots e domande a cui dovrebbe rispondere.

Separa la predisposizione alla scansione dalla capacità di fornire risposte:

Per un processo più approfondito di modifica delle fonti, consulta come preparare le sezioni del sito per il recupero. Non indicare pulsanti di aggiornamento, pianificazioni o tempi di indicizzazione se il prodotto selezionato non li documenta e non li espone.

Come si mantengono aggiornate le conoscenze del chatbot?

Per mantenere aggiornate le conoscenze del chatbot, usa aggiornamento e ripetizione invece di “riaddestramento”. Google Cloud distingue aggiornamenti automatici, manuali e basati sulla sitemap e definisce refresh o recrawl come il recupero e l’indicizzazione della pagina più recente. (Aggiornare le pagine web)

1. Salva la vecchia versione della fonte e una query di prova fissa.
2. Pubblica la correzione autorizzata nella fonte di verità.
3. Attiva o attendi il meccanismo di recrawl o refresh supportato dal fornitore.
4. Verifica che la pagina o versione cambiata sia individuabile nell’indice dei contenuti.
5. Ripeti la stessa query e confronta risposta, citazioni e valutazione umana del supporto.

Non dedurre da questa documentazione specifica di Google una pianificazione di aggiornamento Achla, un livello di servizio o un aggiornamento istantaneo. La freschezza è uno stato osservato: chi verifica deve identificare quale versione della fonte era disponibile quando la risposta è stata testata.

Richiedi citazioni per il chatbot, ma verifica che sostengano le affermazioni

Una risposta basata sulle fonti è più semplice da controllare se l’interfaccia espone le fonti. La documentazione di Google Cloud definisce una risposta come testo generato dall’IA sulla base dei risultati di ricerca e fornisce opzioni per citazioni e supporto al grounding a livello di affermazione. Sono meccanismi di verifica, non una garanzia universale di correttezza. (Ottenere risposte e domande successive)

Esamina ogni affermazione rilevante con tre domande:

1. La pagina citata contiene il passaggio pertinente?
2. Il passaggio sostiene l’intera affermazione, comprese condizioni, ambito e data?
3. Se le evidenze sono assenti o parziali, la risposta dovrebbe restringersi, porre una domanda o restituire un esito negativo limitato?

Il codice del widget Achla esaminato può mostrare indicatori di citazione in linea, un elenco di fonti e uno stato visibile di risposta assente. Questo dimostra soltanto il comportamento attuale dell’interfaccia. Non prova che ogni risposta sia corretta o che ogni citazione sostenga ogni affermazione. Scopri come grounding e citazioni limitano una risposta.

Come provare prima del lancio un chatbot addestrato sui contenuti del sito?

Usa un Registro di preparazione e ripetizione dell’addestramento sul sito fisso. Trasforma una dimostrazione soggettiva in una decisione verificabile senza inventare una percentuale di superamento.

Crea una matrice di domande fissa

Includi almeno queste classi di casi:

• uno con risposta in un’unica pagina pubblica chiara;
• uno che richiede due pagine approvate;
• uno solo parzialmente risolvibile perché manca una condizione;
• un caso obsoleto dopo una modifica nota della fonte;
• una domanda senza evidenze che deve produrre un esito negativo limitato;
• una domanda su dati privati o vietati che non deve rivelare materiale non disponibile;
• una domanda ambigua che deve richiedere chiarimenti o generare una risposta circoscritta.

Per ogni riga registra:

test_id; query esatta; classe del caso; URL delle fonti attese; evidenza prevista o sua assenza; versione/data della fonte; versione di aggiornamento o indice, se disponibile; risposta o esito negativo osservato; URL delle citazioni restituite; valutazione umana del supporto; probabile livello del guasto; azione successiva; revisore; observed_at.

Questo è un protocollo, non un risultato Achla. Non è stata eseguita una dimostrazione con domande fisse; risposte, citazioni, tassi ed esiti osservati restano sconosciuti.

Individua il livello che ha fallito

• Errore della fonte: il sito non contiene una risposta chiara e attuale. Correggi la fonte di verità.
• Errore di accesso/indice: una fonte pubblica autorizzata non è disponibile al crawler o è obsoleta nell’indice. Risolvi l’accesso o aggiorna.
• Errore di recupero: la fonte corretta è indicizzata, ma il passaggio previsto non viene selezionato. Esamina struttura del contenuto e recupero.
• Errore di generazione/supporto: le evidenze sono presenti, ma la risposta aggiunge, omette o contraddice una condizione rilevante. Restringi la risposta e ripeti il test.
• Errore di visualizzazione delle citazioni: le evidenze potrebbero essere state usate, ma il revisore non può esaminarle. Non definire verificabile la risposta.
• Non valutabile: le evidenze interne del sistema non sono disponibili. Registra il limite invece di indovinare.

Prendi una decisione circoscritta

Invia il caso d’uso alla revisione umana per il lancio solo quando i casi positivi essenziali per l’attività dispongono di prove visibili, i casi critici assenti o privati restano limitati e ogni avvertenza ha un responsabile. Correggi e ripeti quando esiste una modifica concreta a fonte, accesso, freschezza, recupero, generazione o citazione. Non lanciare il caso se le fonti richieste non sono supportate o sono private, le affermazioni critiche restano prive di supporto o il percorso delle evidenze non può essere ispezionato.

Usa una scheda versionata per registrare e ripetere le evidenze a livello di affermazione invece di sostituire le righe fallite con domande più semplici.

Chatbot gestito per siti web, RAG personalizzato o fine-tuning?

Il modello operativo migliore dipende dal controllo necessario e dal lavoro che il team può assumersi.

L’artefatto di prodotto Achla descrive una ricerca IA gestita per contenuti di siti pubblici: il proprietario incorpora uno script invece di gestire l’intero backend delle risposte. Mostra inoltre fonti e uno stato di risposta assente. Sono fatti di implementazione, non promesse di risultati. Leggi che cosa elimina una configurazione gestita e cosa deve ancora verificare il proprietario.

Errori comuni nell’addestramento di chatbot sui siti web

1. Chiamare fine-tuning l’ingestione. Distingui indicizzazione, recupero, generazione e tuning dei parametri.
2. Indicizzare ogni pagina. Prendi una decisione esplicita: includere, correggere prima, escludere o non supportata.
3. Trattare robots.txt come privacy. Usa autenticazione e autorizzazione per il materiale protetto.
4. Presumere che la scansione provi il recupero. Prova la domanda esatta ed esamina le evidenze restituite.
5. Trattare qualsiasi citazione come supporto. Controlla passaggio, condizioni, ambito e data.
6. Provare soltanto domande facili. Aggiungi casi negativi parziali, assenti, obsoleti, privati e ambigui.
7. Aggiornare senza ripetere. Verifica la versione aggiornata, poi ripeti la stessa query.

Domande frequenti

Si può addestrare un chatbot da un sito web?

Sì, se “addestrare” significa usare contenuti autorizzati del sito come fonte di recupero. In genere si selezionano e preparano pagine pubbliche, le si scansiona o importa, le si indicizza e si provano le risposte generate. Non è necessario eseguire il fine-tuning del modello base.

Addestrare un chatbot per siti web equivale al fine-tuning?

No. Il fine-tuning modifica parametri del modello o adattatori appresi usando esempi di addestramento. Un chatbot per siti web recupera normalmente passaggi attuali da un indice dei contenuti e li fornisce come contesto al momento della risposta. Un prodotto può usare entrambi, ma risolvono problemi diversi.

Come utilizza RAG i contenuti del sito?

RAG cerca informazioni pertinenti in una fonte di conoscenza approvata e aggiunge alla generazione il contesto selezionato. Le implementazioni variano: alcune usano embedding, segnali basati su parole chiave o recupero ibrido. Prova il passaggio atteso per ogni query importante invece di presumere che l’architettura garantisca il supporto.

Con quale frequenza si devono aggiornare i contenuti del chatbot?

Aggiorna dopo modifiche significative delle fonti e secondo i meccanismi documentati del prodotto scelto. Evita una pianificazione universale. Registra la versione della fonte, verifica che quella aggiornata sia ricercabile e ripeti domande fisse, così la freschezza viene osservata anziché presunta.

Un chatbot per un sito pubblico può usare dati privati o protetti da login?

Solo se il prodotto dispone di un processo separato, verificato e autorizzato per dati privati. Un crawler di siti pubblici non deve aggirare l’accesso né acquisire credenziali, risorse di reti private o dati non autorizzati. L’acquisizione di knowledge base private da parte di Achla non è supportata dalle evidenze esaminate per questo articolo.

Limitazioni e passo successivo

Architetture dei fornitori, controlli di scansione, comportamento dell’indicizzazione, tempi di aggiornamento, metodi di recupero e comportamento delle citazioni variano. Una fonte attuale può non essere trovata, un passaggio recuperato può essere usato male e una citazione può essere irrilevante o incompleta. Le regole robots non sono autenticazione e la scansione di un sito pubblico non è un connettore di dati privati. Questa guida offre un protocollo di revisione, non consulenza legale, certificazione di sicurezza, benchmark o garanzia di precisione, posizionamento, conversione, riduzione dei ticket o tempi di lancio.

Se un processo gestito per siti pubblici è adatto al tuo ambito, collega il sito, inizia con un piccolo insieme di fonti autorizzate ed esegui la matrice fissa positiva e negativa. Considera il risultato una prova per una decisione umana, non un’approvazione automatica del lancio.