RAG et systèmes de connaissances

Créez votre propre RAG : dialoguez avec vos documents

Créez et évaluez un assistant délimité, fondé sur des documents. Comparez carnets hébergés, espaces de projet et récupération configurable sans affaiblir la provenance ni les autorisations.

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

Un système de connaissances personnelles pour retrouver plutôt qu’accumuler

Un système délimité, de la collecte à la récupération, avec des usages explicites, des tests de récupération, des dates de révision, des règles de suppression et des avertissements sur les notes sensibles, les données d’autrui et les comptes hébergés par un fournisseur.

20 minutes

Autorisations et contrôle d'accès pour RAG - tutoriel approfondi

Paragon. Elle décrit le problème des autorisations dans un RAG en production et compare les appels d'outils, les espaces de noms, les tables de listes de contrôle d'accès et les autorisations fondées sur les relations. Elle appuie directement la règle centrale de l'article : la recherche ne doit restituer que les sources auxquelles l'utilisateur actuel a le droit d'accéder, et les autorisations du système source ne peuvent pas être ajoutées après coup.

7 minutes

Améliorez votre RAG et vos agents d'IA avec Docling

IBM Technology. Elle présente la phase d'ingestion du RAG et des agents : préparer les PDF et autres fichiers pour préserver la structure du document, les tableaux et la mise en page jusque dans la recherche en aval. Elle confirme l'avertissement de l'article : la qualité et la sécurité d'un RAG se jouent avant la création des embeddings, surtout lorsqu'il faut analyser des documents métier complexes.

Ingestion sécurisée de documents pour le RAG : PDF, OCR, métadonnées et conservation

La qualité du RAG se joue avant la recherche documentaire. Ce guide couvre l’ingestion sécurisée des PDF, l’OCR, les métadonnées, les autorisations, la fraîcheur des sources, la suppression, le risque de logiciels malveillants et les responsabilités opérationnelles.

Concevoir un agent d’IA pour le service client : triage, connaissances, actions et escalade

Un modèle de référence évalué sur la file pour le triage, la récupération, la rédaction de réponses, les actions contrôlées et l'escalade humaine, avec les limites de politique et de mesure requises pour un pilote sûr.

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 : un flux de qualification des prospects de bout en bout

Une conception documentée de la qualification des prospects dans n8n : validez les entrées, limitez les outils de l’agent, contrôlez la sortie structurée, enregistrez la proposition de manière atomique et soumettez toute action visible par le client à une approbation.

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.

11 minutes

Comment utiliser NotebookLM pour les débutants en 2024 (tutoriel NotebookLM)

TheAIGRID. Cet ancien parcours centré sur les fonctionnalités montre l'importation de sources mixtes, le ciblage d'une source, les notes de synthèse et les résumés audio de l'interface de l'époque. Il sert à reconnaître les composants du flux, pas à confirmer l'interface ou les fonctionnalités actuelles de Gemini Notebook.

26 minutes

Comment utiliser NotebookLM (l'outil de Google pour comprendre)

Tiago Forte. Tiago Forte, auteur de *Building a Second Brain*, présente le produit alors nommé NotebookLM avec des notes, des PDF et des extraits. Le schéma utile consiste à sélectionner un corpus délimité, poser des questions documentaires, examiner les passages liés et décider comment les artefacts obtenus s'intègrent à un flux de connaissances existant.

69 minutes

Les cinq niveaux de segmentation du texte pour la récupération

Greg Kamradt. L’article consacre beaucoup de place à la segmentation ; cette vidéo en donne l’explication la plus détaillée et la plus progressive. Elle montre ce que fait réellement chaque stratégie — de la segmentation récursive par caractères aux approches tenant compte de la structure des documents, puis aux segmentations sémantique et agentique. Associez-la à l’outil gratuit ChunkViz de Greg pour développer votre intuition avant de commencer les réglages.

24 minutes

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

AI Jason. La vidéo couvre exactement l’architecture préconisée dans l’article — reformulation des requêtes, récupération hybride, reclassement et boucle de RAG correctif — dans une seule réalisation exécutable. Elle fournit un modèle mental concret de la chaîne segment → reclassement → réponse lorsqu’elle remplit réellement son rôle.

17 minutes

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

AI Engineer. Douwe Kiela a dirigé l’article scientifique fondateur du RAG chez FAIR et déploie désormais le RAG dans des entreprises réglementées. La conférence porte surtout sur ce qui cesse de fonctionner à grande échelle — stratégies de segmentation qui ne résistent pas à 100 000 documents, constat selon lequel « l’exactitude est le minimum attendu ; l’inexactitude est le véritable problème », et importance supérieure de l’attribution et de l’observabilité par rapport au modèle d’embedding. Elle offre un bon étalonnage avant de relire les sections de l’article sur l’évaluation et la surveillance.

19 minutes

Créer des applications RAG prêtes pour la production : Jerry Liu

AI Engineer. Le PDG de LlamaIndex explique l’écart entre une démonstration naïve du RAG et un véritable pipeline — récupération de petits segments vers de grands contextes, routage des sous-questions, recherche hybride et évaluation. La structure de ses diapositives correspond presque directement aux sections du pipeline de l’article ; regardez la vidéo d’abord, puis relisez l’article avec ses schémas en tête.

9 minutes

RAG ou fine-tuning

IBM Technology. Cette vidéo se concentre sur les deux techniques que les équipes confondent le plus souvent. Elle approfondit la fraîcheur des données, l’attribution des sources et l’avantage de vitesse à l’inférence que peut apporter le fine-tuning. Elle mérite d’être regardée si vous cherchez précisément à déconseiller un projet de fine-tuning inutile.

13 minutes

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

IBM Technology. Cette présentation claire au tableau blanc compare les trois techniques et leurs coûts respectifs — latence de récupération, calcul nécessaire à l’entraînement, oubli catastrophique et limites des solutions fondées uniquement sur les prompts — ainsi que les combinaisons réellement pertinentes en production. L’exemple final d’un système d’IA juridique utilisant les trois correspond presque exactement à l’argument « quand les combiner » de l’article.

39 minutes

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

Cole Medin. Cette réalisation fonctionnelle associe RAG agentique et graphe de connaissances ; l’agent décide quand effectuer une recherche vectorielle, quand interroger Neo4j et quand combiner les deux. C’est sur YouTube la démonstration la plus claire du schéma « l’agent comme planificateur de la récupération » décrit dans l’article, avec un code que vous pouvez télécharger et exécuter.

16 minutes

Graph RAG : améliorer le RAG avec des graphes de connaissances

Prompt Engineering. Cette présentation ciblée de GraphRAG par Microsoft couvre l’extraction d’entités, les résumés de communautés et la synthèse ciblée par requête, avec une installation sur machine locale et des indications de coût. Regardez-la spécialement pour la section de l’article consacrée au graph RAG ; la discussion des coûts est précisément ce que la plupart des présentations écrites omettent.