Aller au contenu

RAG

📝 Définition courte

Méthode qui récupère des passages pertinents dans une base documentaire, puis génère une réponse avec un LLM enrichi de ce contexte1.

📖 Définition détaillée

Le RAG (Retrieval-Augmented Generation) sépare deux phases :

  1. Retrieval — requête → embeddings → recherche de similarité dans une base vectorielle (ou hybride BM25 + vecteurs).
  2. Generation — concaténation prompt système + chunks récupérés + question utilisateur → réponse du modèle.

Variantes couvertes dans le vault : Agentic RAG (boucles retrieve/grade/rewrite), GraphRAG, Memory Tree pour contextes longs.

💡 Pourquoi c’est important en IA on-premise

  • Exploite la connaissance interne sans réentraîner le modèle — adapté aux contraintes RGPD et souveraineté.
  • Réduit les hallucinations si le retrieval est bon ; ne les élimine pas (voir pièges).
  • Couplé au multi-tenant, exige une isolation stricte des index (OWASP LLM08).

⚠️ Pièges fréquents

  • Chunking naïf : morceaux trop grands ou coupés au milieu d’une phrase → retrieval inutile.
  • Confondre RAG et sécurité : un document empoisonné peut provoquer une prompt injection indirecte.
  • Ignorer l’évaluation : mesurer retrieval + fidélité (RAGAS, golden dataset) — voir évaluer un modèle local.
  • Surdimensionner le modèle pour compenser un mauvais index : optimiser d’abord embeddings et re-ranking.

📚 Pour comprendre en profondeur

  1. 🧩 RAG & Agents — architecture complète 2026
  2. 🧪 Évaluer un modèle local
  3. LangGraph — orchestration agentique

🔗 Voir aussi

Footnotes

  1. Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (NeurIPS 2020). https://arxiv.org/abs/2005.11401 ↩

Donner mon avis

Tout est facultatif : une seule réponse suffit. Ce site n'envoie rien : c'est vous qui envoyez, par le moyen de votre choix.

Votre notePas de note
Votre avis porte sur
Sur quoi ? (plusieurs choix possibles)
Ce qui sera envoyé
Envoyer par e-mail

Privé, sans compte : ouvre votre messagerie avec le message prêt, pour ia-on-prem@damien.becherini.fr.

Ouvrir un ticket GitHub ↗

Public, avec un compte GitHub. Vous relisez le ticket avant de le publier.

Pour le coller où vous voulez.

Donnez au moins une note, un sujet ou un message pour pouvoir envoyer.