Sources de connaissances
PDF, documents, pages web, tableaux ou enregistrements d'un système existant.
Le RAG est une approche dans laquelle le système récupère des informations pertinentes depuis des sources internes ou externes avant que le modèle ne réponde. La réponse s'appuie sur les connaissances de l'entreprise, pas seulement sur la mémoire générale du modèle.
Sources officielles : Guide de démarrage SEO de Google · Documentation Google sur les données structurées · Documentation OpenAI Agents SDK · Documentation de migration Supabase · Article sur la Retrieval-Augmented Generation
Un modèle de langage sait rédiger une réponse, mais il ne connaît pas automatiquement le contenu des documents de votre entreprise. Le RAG ajoute une étape de recherche : le système trouve les passages pertinents, les transmet au modèle, et le modèle répond à partir de ce contexte.
C'est utile pour le support client, les questions des collaborateurs, la recherche documentaire, les systèmes de formation, la préparation de devis, l'analyse de contrats et tout flux où les connaissances de l'entreprise évoluent.
Il faut cartographier les sources de connaissances, nettoyer les documents, découper le contenu en fragments cohérents, configurer la recherche et tester les réponses sur de vraies questions. De longs documents mal découpés donnent souvent des réponses faibles, même avec un modèle puissant.
Les permissions comptent aussi. Tous les utilisateurs ne doivent pas voir tous les documents. Le RAG dans un système d'entreprise doit respecter le contrôle d'accès, la confidentialité et la séparation entre clients ou équipes.
Trois choses. Découper selon la structure du document, par titres et paragraphes, pas selon un nombre fixe de caractères. La recherche hybride : une recherche sémantique qui comprend l'intention, combinée à une recherche par mots-clés qui attrape les codes produits, les noms et les clauses. Et en hébreu, la recherche par mots-clés doit gérer des préfixes comme ו, ב, ל, מ et ש, sinon elle rate des correspondances simples.
Les permissions sont filtrées avant que l'information n'atteigne le modèle, pas après. Si un document que l'utilisateur n'a pas le droit de voir entre dans le contexte du modèle, une instruction au modèle ne suffira pas toujours à l'écarter de la réponse. Et cela se mesure : un jeu de dizaines de vraies questions avec les bonnes réponses, lancé après chaque changement, qui vérifie si les réponses s'appuient sur les sources et répondent vraiment à la question.
Itay Karkason relie le RAG aux systèmes existants par étapes : cartographie des connaissances, indexation, connexion à l'interface, tests des réponses, gestion des permissions et suivi. L'objectif, ce sont des réponses utiles fondées sur le savoir de l'entreprise.
PDF, documents, pages web, tableaux ou enregistrements d'un système existant.
Découper l'information en parties récupérables avec suffisamment de contexte.
Séparer utilisateurs, clients, documents et données sensibles.
Questions réelles, réponses manquantes, contradictions et cas où le système doit dire qu'il n'a pas l'information.
Non. Le RAG est une couche de recherche et de contexte au-dessus des informations existantes. La base de données continue de gérer les données.
Oui, mais la qualité de la recherche, le découpage des documents et les réponses en français doivent être testés avec des données réelles.
Cette page a été conçue comme un court guide de référence fondé sur des recherches NotebookLM et des sources professionnelles. Principales sources :
Commencez par examiner les documents et le flux de travail actuel.
Contact