---
title: "Cos'è un embedding?"
description: "Un embedding trasforma testo, codice o immagini in un vettore di numeri che cattura il significato, perché una macchina misuri quanto due cose sono simili."
type: "glossary"
locale: "it"
term: "Embedding"
canonical: "https://agenticschool.dev/it/glossario/embedding"
dateModified: "2026-07-07"
---

# Cos'è un embedding?

- Definition: Embedding
- Updated: 2026-07-07
- Keywords: embedding, what is an embedding, embeddings meaning, text embeddings, vector embedding
- Canonical URL: https://agenticschool.dev/it/glossario/embedding
- Locale: it

> Un embedding trasforma testo, codice o immagini in un vettore di numeri che cattura il significato, perché una macchina misuri quanto due cose sono simili.

Un embedding è un modo di trasformare un pezzo di contenuto - una parola, una frase, un'immagine, un estratto di codice - in un elenco di numeri (un vettore) che cattura il suo significato, perché un computer confronti significati matematicamente. Contenuti dal significato vicino ricevono vettori vicini gli uni agli altri, contenuti senza legame atterrano lontano. È tutto l'artificio: appena il significato è un insieme di coordinate, "trova il passaggio più pertinente" diventa "trova i vettori più vicini", cosa che una macchina fa istantaneamente su milioni di voci. Gli embedding sono il motore silenzioso dietro la ricerca semantica, le raccomandazioni, il clustering e soprattutto il Retrieval-Augmented Generation (RAG).

## Come un embedding cattura il significato

Un modello di embedding legge il tuo input e produce un vettore di lunghezza fissa, spesso da qualche centinaio a qualche migliaio di numeri. È stato addestrato perché input in un contesto simile ottengano vettori simili, così "auto" e "automobile" atterrino vicini, ma non "auto" e "banana". Non leggi mai i numeri tu stesso, li confronti.

- Input: qualsiasi testo, immagine o codice che vuoi rendere cercabile per significato.
- Output: un vettore - un elenco di numeri di lunghezza fissa - che rappresenta quel significato.
- Confronto: la vicinanza di due vettori (similarità coseno) mostra quanto gli input sono legati.

## Embedding e RAG

Gli embedding sono ciò che rende possibile il RAG. Fai l'embedding di ogni sezione dei tuoi documenti una volta e archivi i vettori in un database vettoriale. Al momento della query, fai l'embedding della domanda dell'utente con lo stesso modello, trovi i vettori di sezione più vicini e dai queste sezioni al modello di linguaggio come contesto. Poiché il hit passa attraverso il significato e non le parole chiave esatte, anche una domanda formulata in altro modo trova il passaggio giusto.

## Dove si usano gli embedding

Oltre al RAG, gli embedding alimentano la ricerca semantica (ordinata per significato, non per parole chiave), le raccomandazioni ("altri come questo"), la deduplicazione, il clustering e la classificazione. Per chi costruisce, il punto pratico è questo: un solo passo di embedding trasforma un contenuto umano non strutturato in qualcosa che puoi cercare, raggruppare ed elaborare in modo affidabile. È per questo che quasi ogni funzione di IA che tocca i tuoi dati inizia col farne l'embedding.

## FAQ

### Cos'è un embedding spiegato semplicemente?

Un embedding è un elenco di numeri che rappresenta il significato di un contenuto. Significati simili ricevono numeri simili, così un computer misuri, solo confrontando i vettori, quanto due testi, immagini o estratti di codice sono legati.

### Qual è la differenza tra embedding e vettore?

Un vettore è semplicemente l'elenco di numeri. Un embedding è un vettore che un modello ha prodotto apposta per catturare il significato, così la distanza tra vettori rifletta la similarità semantica. Ogni embedding è un vettore, ma non ogni vettore è un embedding.

### Come sono legati gli embedding al RAG?

Il RAG usa gli embedding per trovare il contesto pertinente. I tuoi documenti vengono trasformati in embedding e archiviati, la domanda viene trasformata in embedding al momento della query, e le sezioni più vicine vengono riportate nel prompt. Senza embedding, la ricerca ricade su un fragile accostamento di parole chiave.

### Gli embedding hanno bisogno di un database vettoriale?

Per una manciata di voci, puoi confrontare i vettori in memoria. A partire da migliaia o milioni, un database vettoriale archivia gli embedding e trova i più vicini rapidamente, per questo database vettoriali ed embedding vanno quasi sempre insieme in produzione.