RAG (génération augmentée par récupération)

Technique qui récupère des documents pertinents dans une base de connaissances et les fournit au modèle pour qu’il réponde en s’appuyant sur vos données.

Le pipeline classique : découper les documents en fragments, les indexer sous forme d’embeddings dans une base vectorielle, récupérer les fragments les plus proches de la requête, puis les fournir au LLM comme contexte. Cela limite les hallucinations et garde les réponses à jour sans réentraînement.

Ressources associées

Tutoriel du cadre LlamaIndex

Un tutoriel pratique sur LlamaIndex, le cadre conçu pour construire des applications RAG qui connectent des LLM à des sources de données personnalisées. Il couvre les pipelines d'ingestion de données, les stratégies d'indexation, les moteurs de requête et la récupération basée sur des agents, avec des exemples pratiques pour les connecteurs PDF, web et base de données — destiné aux développeurs qui veulent construire des assistants IA spécifiques à un domaine, fondés sur leurs propres documents.

Cadre RAG Haystack

Haystack est un framework open source de deepset pour construire des applications LLM prêtes pour la production, spécialisé dans le RAG et les pipelines de questions-réponses. Il propose des composants modulaires pour le traitement de documents, l'embedding et la récupération, facilement connectables aux modèles d'OpenAI, Hugging Face et plus.

Base de données vectorielle Qdrant

Qdrant est une base de données vectorielle open source haute performance et un moteur de recherche par similarité conçus pour la production. Écrit en Rust, il alimente les pipelines RAG, les systèmes de recommandation et la recherche sémantique avec filtrage de payload, multi-tenancy et déploiement auto-hébergé ou cloud géré.