In breve
Caricare file in Claude Projects o ChatGPT, costruire un RAG su un database vettoriale, oppure dare all'AI un indice full-text del file server come tool MCP: come si differenziano i tre approcci su codici e numeri esatti, struttura delle cartelle, aggiornamento, permessi e impegno richiesto, e quando ciascuno è la scelta giusta.
TL;DR: Per pochi documenti che cambiano raramente, caricarli nella chat o in un progetto è la soluzione più semplice che funzioni. Per domande a cui risponde un testo discorsivo (policy, manuali, articoli di knowledge base) e in cui gli utenti formulano le cose in modo diverso dal testo, il RAG con embedding è molto efficace. Per un file server aziendale, dove si cerca un codice articolo, il nome di un cliente, un disegno, la versione più recente di un listino, tra migliaia di file che cambiano ogni giorno e che non tutti possono vedere, si adatta meglio un indice full-text esposto come strumenti, ovvero ciò che è AnythingMCP File Search. Le soluzioni non si escludono a vicenda: molti team finiscono per usarne più di una.
Tre modi per dare all'AI i tuoi documenti
1. Caricamento nella chat o in un progetto. Aggiungi file a una conversazione o alla knowledge di un progetto in Claude o ChatGPT. Il provider conserva una copia e decide come il modello vi accede: gli insiemi piccoli entrano interi nel contesto, quelli più grandi vengono in genere recuperati a pezzi. Niente da gestire, niente da mantenere, ma la copia è aggiornata solo quanto l'ultimo caricamento.
2. Retrieval-augmented generation (RAG) su un database vettoriale. Una pipeline divide ogni documento in chunk, trasforma ogni chunk in un embedding e li salva in un database vettoriale. Al momento della domanda, anche questa viene trasformata in embedding, i chunk più simili vengono recuperati e passati al modello. È l'architettura standard dietro la maggior parte dei prodotti di "knowledge base" e di molti progetti interni.
3. Un indice full-text, esposto come strumenti (AnythingMCP File Search). AnythingMCP indicizza i nomi dei file e il testo di ogni pagina di una cartella su una sorgente NAS, file server, SFTP, WebDAV o S3, la mantiene sincronizzata e mette a disposizione del client AI dei tool MCP: ricerca per contenuto, ricerca per nome, elenco di una cartella, ricerca esatta di codici, lettura di pagine, recupero del file. Il modello decide quale tool chiamare, come farebbe un collega che prima guarda nella cartella giusta e poi apre il file.
Confronto diretto
| Caricamento in chat o progetto | RAG su database vettoriale | File Search (indice full-text + tool MCP) | |
|---|---|---|---|
| Dove restano i file | Copia presso il provider AI | Copia del testo nel tuo database vettoriale | Sul tuo server o NAS; l'indice contiene il testo |
| Aggiornamento | Nuovo caricamento manuale | La tua pipeline di ingestione | Sincronizzazione automatica; vengono letti solo i file modificati |
Codici e numeri esatti (AD-24004, DIN 18101) | Dipende da come il provider recupera i dati | Punto debole: codici simili appaiono uguali agli embedding | Ricerca letterale, righe Excel con i nomi delle colonne |
| Domande formulate diversamente dal testo | Buono finché tutto sta nel contesto | Forte: recupero per significato | Dipende dal modello che prova le parole e i sinonimi giusti |
| Struttura delle cartelle, nomi dei file, date | Per lo più persi | Conservati solo se li salvi come metadati | Di prima classe: ogni risultato ha cartella, file e data; "più recenti prima" è un filtro |
| Migliaia di file | Limitato da piano e contesto | Sì | Sì, entro il limite di file del piano |
| Chi vede cosa | Chiunque sia nel progetto | Lo costruisci tu | Ruoli MCP, un connettore per cartella, permessi sulle cartelle per ruolo (Enterprise) |
| Fonti nella risposta | Spesso | Se le costruisci | File, pagina e data su ogni risultato, e il file stesso su richiesta |
| Client AI | L'app di quel provider | La tua app | Ogni client con MCP remoto: Claude, ChatGPT, Copilot, Gemini, Cursor |
| Impegno | Nessuno | Un progetto: chunking, embedding, pipeline, valutazione | Una procedura guidata: collega, scansiona, descrivi, attiva |
Dove ciascuno è la scelta giusta
Carica i file quando l'insieme è piccolo, stabile e personale: un contratto che stai negoziando, tre manuali per un progetto, un paper che stai leggendo. Non serve alcuna infrastruttura e il modello vede esattamente ciò che gli hai dato.
Costruisci un RAG quando il contenuto è testo discorsivo, le domande sono aperte ("qual è la nostra policy su…", "come faccio a…"), gli utenti non conoscono i termini usati nei documenti e hai qualcuno che si occupi della pipeline e della sua qualità. Il recupero per significato trova il paragrafo sui "resi entro 30 giorni" quando l'utente chiede come "rimandare indietro qualcosa in ritardo".
Usa File Search quando la conoscenza è un file server che le persone organizzano già in cartelle: listini, schede tecniche, disegni, offerte, e-mail salvate, esportazioni Excel. Le domande riguardano per lo più una cosa specifica (un numero, un nome, un file, l'ultima versione), la risposta deve essere esatta e con fonte, la cartella cambia ogni giorno e non tutti possono vedere tutto. File Search è anche l'opzione che lascia i file dove sono, funziona con più client AI e non richiede alcuna pipeline.
I compromessi onesti di File Search
- Nessun embedding. File Search non ordina per similarità semantica. Il modello compensa provando più parole e sinonimi, gli strumenti gli forniscono snippet e date tra cui scegliere e la descrizione del connettore gli indica il vocabolario della cartella; ma una domanda formulata in modo molto diverso dal testo è il caso che la ricerca vettoriale gestisce meglio.
- Serve un livello di testo. I PDF scansionati senza testo si trovano solo per nome, a meno che tu non usi Enterprise con OCR. Immagini e file CAD si trovano per nome.
- Limiti del piano. Il numero di file indicizzati dipende dal piano (500, 2.000, fino a 50.000 su Cloud Enterprise, illimitato con Enterprise self-hosted). Seleziona le cartelle su cui le persone fanno davvero domande.
- Le chiamate ai tool procedono a turni. L'assistente cerca, poi legge. Sono alcuni secondi per domanda, in cambio di risposte che citano la pagina.
Perché l'esattezza conta su un file server
Chiedi a un sistema basato su embedding il prezzo di AD-24004 e questo recupera i chunk più simili alla domanda. In un listino, le righe di AD-24004, AD-24040 e AD-24004-G sono quasi identiche nel significato, e il listino 2025 è simile alla domanda quanto quello 2026. La similarità è la misura sbagliata per un identificativo. Una ricerca letterale o trova AD-24004 o non lo trova, e ogni risultato riporta la data del file, così il modello può prendere il listino attuale e dire quale ha usato. Vedi Trovare un codice articolo nei listini PDF ed Excel per la guida completa.
Si possono combinare?
Sì. File Search è un connettore tra gli altri su un server AnythingMCP. Un team può mantenere una knowledge base basata su RAG per le proprie policy, collegare il file server tramite File Search e aggiungere ERP e CRM come ulteriori connettori; il client AI li vede tutti come strumenti e sceglie a seconda della domanda. Caricare un documento in una chat per una domanda occasionale continua a funzionare accanto a tutto il resto.
FAQ
File Search è un sistema RAG? Nel senso ampio in cui il modello recupera del testo prima di rispondere, sì. Nel senso stretto abituale (chunk, embedding, database vettoriale), no: è un indice full-text con risultati a livello di pagina, e il recupero viene eseguito dal modello tramite i tool.
Con File Search i miei file vanno al provider AI? Solo ciò che un tool restituisce per una domanda: un elenco di corrispondenze, il testo di una pagina, un link. Con AnythingMCP self-hosted l'indice resta sul tuo server.
E Google Drive, OneDrive o SharePoint? Le unità cloud hanno i propri connettori (nel catalogo di AnythingMCP, e in Claude e ChatGPT) che cercano tramite l'API dell'unità. File Search serve per i luoghi senza una tale API: un NAS, una condivisione Windows, un server SFTP o WebDAV, un bucket S3.
Correlati
- Cerca nel file server aziendale con l'AI
- Cercare in un NAS Synology o QNAP con Claude e ChatGPT, passo per passo
- Trovare un codice articolo nei listini PDF ed Excel
- Trovare disegni tecnici per codice parte con l'AI
- Cercare in un archivio e-mail di file .msg e .eml con l'AI
- Permessi sulle cartelle per ruolo per la ricerca file con AI
- Che cos'è MCP?
Questa guida ti è stata utile?
