RAG et systèmes de connaissances

Créez votre propre RAG : discutez avec vos propres documents (sans code)

Créez votre propre assistant basé sur des documents en moins d'une heure, sans code. Les trois options sans code à utiliser en 2026, les compromis et les modèles qui distinguent un RAG utile d'un RAG frustrant.

Construire un RAG de production : ingestion, embeddings, recherche, reclassement et évaluation

Un pipeline RAG de production comporte six étapes, chacune régie par des principes qui déterminent la qualité. Voici l’architecture, les choix propres à chaque étape et la discipline d’évaluation itérative qui distinguent un RAG efficace d’un système décevant.

10 min de lecture

RAG sur les connaissances d'entreprise : autorisations, fuites et périmètres des sources

Un assistant exploitant les connaissances de l'entreprise n'est sûr que si la récupération respecte les autorisations. Comment concevoir les périmètres des sources RAG, le filtrage par ACL, la responsabilité documentaire, la journalisation, la gestion des sources obsolètes et les refus ?

Plus de contenus sur ce thème

9 min de lecture

A personal knowledge system that helps you retrieve, not hoard

Highlights, clippings, and AI summaries pile up without making you smarter. A small capture-to-retrieval system built around three real decisions — plus what to do about sensitive notes, other people's data, and the false privacy of a personal account.

Autorisations et contrôle d'accès pour RAG - tutoriel approfondi

Améliorez votre RAG et vos agents d'IA avec Docling

Ingestion sécurisée des documents pour la RAG : PDF, OCR, métadonnées et conservation

La qualité de la RAG commence avant la récupération. Un guide d'ingestion sécurisée pour les PDF, l'OCR, les métadonnées, les autorisations, la fraîcheur des sources, la suppression, les risques de logiciels malveillants et la responsabilité opérationnelle.

L'agent de support client basé sur l'IA qui résout 70 % des tickets

Une conception réaliste d'un agent de support client fondé sur l'IA : il résout les cas courants, transmet les cas complexes à un humain et évite les erreurs qui finissent sur Hacker News. Architecture, prompts et garde-fous.

Segmentation, reclassement et recherche hybride : rendre le RAG réellement efficace

La plupart des systèmes RAG fonctionnent mal à cause de trois erreurs. Voici un guide pratique pour segmenter les documents, reclasser les résultats et combiner recherche par mots-clés et recherche sémantique, sans devenir ingénieur de recherche.

Ingénierie du contexte : gérer des fenêtres d’un million de tokens sans dégradation

Les fenêtres de contexte d’un million de tokens existent, mais la qualité se dégrade bien avant cette limite. L’ingénierie du contexte consiste à les utiliser efficacement : quoi inclure, résumer ou rechercher à la demande, et quels schémas préservent la qualité lorsque le contexte augmente.

Créez votre premier agent d'IA dans n8n : qualification des prospects de bout en bout

Un tutoriel complet pour créer un véritable agent d'IA dans n8n : il qualifie les prospects entrants, enrichit leurs données, les note et les oriente. Chaque nœud, chaque prompt et chaque point de vigilance sont abordés.

Choisir entre le prompting, le RAG et le fine-tuning (et quand les combiner)

Le prompting, le RAG et le fine-tuning sont les trois principaux leviers permettant d’adapter un LLM à votre problème. Chacun convient à certaines situations et non à d’autres. Voici un cadre de décision, leurs coûts réels et les architectures de production où leur combinaison excelle.

RAG au-delà des segments : graph RAG, RAG agentique et RAG à contexte long

Le RAG classique fondé sur des segments présente des limites. Le graph RAG, le RAG agentique et le RAG à contexte long les dépassent chacun différemment. Voici quand choisir chaque approche, comment elle fonctionne réellement et quels compromis importent en production.

« Je veux que Llama3 soit dix fois plus performant avec mes connaissances privées » — RAG agentique local avec Llama3

Agents RAG en production : dix leçons tirées du terrain — Douwe Kiela, créateur du RAG

Créer des applications RAG prêtes pour la production : Jerry Liu

RAG ou fine-tuning

RAG, fine-tuning ou ingénierie des prompts : optimiser les modèles d’IA

Présentation du RAG 2.0 : RAG agentique et graphes de connaissances (modèle gratuit)

Graph RAG : améliorer le RAG avec des graphes de connaissances