Chatbot RAG (Retrieval-Augmented Generation) sviluppato per WiData Srl, startup IoT e smart cities di Sassari. L'app permette di caricare un documento PDF aziendale, indicizzarlo automaticamente in chunk e interrogarlo in linguaggio naturale tramite Claude Haiku di Anthropic. Il chatbot risponde solo basandosi sui contenuti del documento caricato, senza inventare dati tecnici, prezzi o specifiche.
Live: chatbotwidata.streamlit.app
- 📄 Upload PDF: carica qualsiasi documento aziendale direttamente dalla sidebar
- 🔍 RAG automatico: il testo viene suddiviso in chunk e indicizzato in un database vettoriale
- 💬 Chat multi-turn: conversazione con memoria della cronologia dei messaggi
- 🎛 Parametri configurabili: temperature e numero di chunk RAG regolabili dalla sidebar
- 🛡 Guardrail di input: blocca messaggi troppo lunghi o tentativi di prompt injection
- 🔑 Gestione API key: compatibile sia con ambiente locale che con Streamlit Cloud
- 📊 Contatore messaggi: visualizzazione del numero di messaggi nella sessione corrente
| Tecnologia | Uso |
|---|---|
| Claude Haiku | Modello LLM di Anthropic usato per generare le risposte in streaming |
| ChromaDB | Database vettoriale in-memory per la ricerca semantica sui chunk del PDF |
| Streamlit | Framework per l'interfaccia web interattiva e la gestione della sessione utente |
| pypdf | Estrazione del testo grezzo dalle pagine del PDF caricato |
| Python 3.12 | Linguaggio base del progetto |
Il flusso RAG si articola in quattro fasi principali:
- Indicizzazione: il PDF caricato viene letto con
pypdf, il testo estratto viene suddiviso in chunk da 400 caratteri con overlap di 50, e ogni chunk viene salvato in una collection ChromaDB. - Retrieval: alla ricezione di un messaggio utente, ChromaDB cerca i chunk semanticamente più rilevanti tramite query testuale.
- Augmentation: i chunk recuperati vengono iniettati nel prompt come contesto, insieme alla domanda originale dell'utente.
- Generation: Claude Haiku riceve il contesto arricchito e genera una risposta in streaming, visibile in tempo reale nell'interfaccia.
PDF → chunking → ChromaDB
↓
Domanda utente → retrieval → prompt arricchito → Claude Haiku → risposta
# Clone
git clone https://github.com/ectorr01/Streamlit_chatbot_test
cd Streamlit_chatbot_test
# Installa dipendenze
pip install -r requirements.txt
# Configura API key
mkdir .streamlit
echo 'ANTHROPIC_API_KEY = "sk-ant-..."' > .streamlit/secrets.toml
# Avvia
streamlit run app.pyIl chatbot si posiziona in zona WALK perché supera la semplice risposta generica (CRAWL) e introduce un meccanismo di recupero contestuale reale tramite RAG: il modello non inventa, ma risponde basandosi esclusivamente sui documenti aziendali caricati. L'app è già deployabile, configurabile e dotata di guardrail di sicurezza, ma non raggiunge ancora il livello RUN perché manca di persistenza dei dati, autenticazione utente, integrazione con sistemi esterni e ottimizzazione degli embedding.
CRAWL 🐛 WALK 🚶 ← siamo qui RUN 🏃
─────────────────────────────────────────────────────
Chatbot generico RAG su PDF + guardrail Embedding ottimizzati
Solo LLM base Streaming + session state Persistenza + auth
Nessun contesto Deploy su Cloud Integrazione sistemi
Per avanzare verso RUN implementeremmo:
- 🧠 Embedding reali: sostituire la ricerca testuale di ChromaDB con embedding vettoriali veri (es.
sentence-transformers) per una retrieval semantica più precisa - 💾 Persistenza: salvare le collection ChromaDB su disco o su database cloud per non perdere l'indicizzazione al riavvio dell'app
- 🔐 Autenticazione: aggiungere un sistema di login per limitare l'accesso all'app solo agli utenti autorizzati di WiData
- 📂 Multi-documento: supportare più PDF contemporaneamente, con selezione del documento da interrogare
- 📊 Logging e analytics: tracciare le domande più frequenti per migliorare la knowledge base aziendale
Prima di iniziare, assicurati di avere:
- Account GitHub con repository pubblica
-
app.pynella root o in una sottocartella del repo -
requirements.txtnella root del repository - Account su share.streamlit.io (gratuito)
Aggiungi i file necessari e fai il push:
git add app.py requirements.txt .gitignore README.md
git commit -m "Deploy chatbot WiData"
git push
⚠️ Assicurati che.streamlit/secrets.tomlsia nel.gitignoree non venga pushato.
- Vai su share.streamlit.io
- Clicca New app
- Compila i campi:
| Campo | Valore |
|---|---|
| Repository | tuo-username/tuo-repo |
| Branch | main |
| Main file path | tuo-percorso/app.py |
Fallo PRIMA di cliccare Deploy, altrimenti l'app si avvia senza la chiave e va in errore.
- Clicca su Advanced settings
- Vai nella sezione Secrets
- Inserisci:
ANTHROPIC_API_KEY = "sk-ant-..."Clicca Deploy e attendi 3–5 minuti per la prima build (il tempo dipende dal peso delle dipendenze).
Una volta completato il deploy, l'app sarà disponibile all'indirizzo:
https://TUONOME-chatbot-widata-HASH.streamlit.app
| Errore | Causa | Soluzione |
|---|---|---|
ModuleNotFoundError |
requirements.txt incompleto |
Aggiungi il modulo mancante e rifai il push |
AuthenticationError |
Secret non configurato o errato | Vai in Settings → Secrets e verifica la chiave |
File non trovato |
Path sbagliato nel campo Main file path | Controlla il percorso esatto di app.py nel repo |
| Build molto lenta | Dipendenze pesanti (es. sentence-transformers ~800MB) |
Normale al primo deploy, attendi |
Progetto realizzato durante il corso AI Engineering Fundamentals ITS Novitas 4.0 — Sassari, 2026