Vidéos complémentaires

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

L’article dépasse le RAG fondé sur la segmentation et les embeddings pour explorer les trois familles qui ont réellement amélioré la qualité : récupération par graphe de connaissances, boucles de récupération agentiques et approche consistant à « tout faire tenir dans un million de tokens ». Ces deux vidéos montrent côte à côte une mise en œuvre fonctionnelle de deux de ces familles, puis l’architecture GraphRAG de Microsoft dans sa forme native, afin d’ancrer les comparaisons de l’article dans des références concrètes.

Choix principal

38:48

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.

Ce que vous en retirerez: Comparer récupération agentique et récupération par graphe dans une mise en œuvre concrète.

À voir ou à connaître au préalable: Être à l’aise avec les bases du RAG, les bases de données de graphes et l’exécution locale d’un modèle fourni.

Note d’AI Expert: Considérez les dépendances du modèle de projet, les choix de modèles d’IA et le code d’orchestration comme sensibles à leur version. L’idée durable est la planification de la récupération ; la production exige toujours des autorisations, des évaluations et une gestion des défaillances.

Ouvrir la page vidéo

À voir également

15:58

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.

Ce que vous en retirerez: Comprendre le flux GraphRAG de Microsoft : extraction d’entités, communautés, résumés et synthèse ciblée par requête.

À voir ou à connaître au préalable: Savoir pourquoi la recherche vectorielle simple peut manquer les questions axées sur les relations.

Note d’AI Expert: Les commandes d’installation et les coûts peuvent évoluer, mais l’architecture reste utile. Recalculez les coûts actuels en tokens et vérifiez que la construction du graphe se justifie avant d’adopter cette approche.

Ouvrir la page vidéo