Chargement des modèles…
Récupération de connaissances (RAG)
Modèles de récupération d'information et de génération augmentée
Aperçu en 30 secondes
- Quoi
- Récupère des informations pertinentes dans des sources externes, puis les transmet à un modèle de langage pour générer des réponses ancrées, fondées sur des connaissances à jour ou spécialisées.
- Quand l'utiliser
- Applications nécessitant des informations à jour, des bases de connaissances spécialisées, ou une exactitude factuelle avec attribution des sources sur de vastes collections de documents.
- Vigilance
- Une qualité de recherche médiocre ramène des informations hors sujet et dégrade la qualité des réponses, quelle que soit la qualité de génération du modèle.
Interroger l'expert IA sur ces patterns
Ouvre l'assistant avec votre question préremplie. Vous la relisez avant l'envoi.
Vue d’ensemble
Les modèles de récupération de connaissances, en particulier la génération augmentée par récupération (RAG), renforcent les systèmes IA en combinant les connaissances pré-entraînées avec des informations récupérées dynamiquement auprès de sources externes. Cette collection complète inclut des variantes de RAG de pointe issues des recherches les plus récentes : Graph RAG pour une récupération tenant compte des relations, Self-RAG pour le contrôle de la qualité, Corrective RAG pour la correction des erreurs, Adaptive RAG pour l'optimisation dynamique et Multimodal RAG pour l'intégration cross-modale. Ces modèles permettent aux systèmes IA d'accéder à des informations actuelles, à des bases de connaissances spécialisées et à des données contextuellement pertinentes, avec une sophistication et une fiabilité sans précédent.
Applications pratiques et cas d’usage
Analyse documentaire avancée
récupération hiérarchique multi-niveaux à partir de documents complexes, de textes juridiques et de manuels techniques, avec une précision granulaire.
Vérification des faits et validation
processus de chaîne de vérification (chain-of-verification) pour la validation des actualités, la vérification des recherches et la détection de la désinformation, avec attribution de scores de confiance.
Exploration de graphes de connaissances
récupération fondée sur les graphes pour découvrir des relations, mener un raisonnement multi-sauts et réaliser des analyses centrées sur les entités dans les domaines scientifiques et commerciaux.
Assistance conversationnelle à la connaissance
systèmes de dialogue tenant compte du contexte, qui conservent l'historique de la conversation et construisent une compréhension progressive.
Recherche à qualité contrôlée
systèmes RAG auto-réflexifs et correctifs qui évaluent et améliorent automatiquement la qualité de la récupération pour les applications critiques.
Intégration d'informations multimodales
récupération cross-modale combinant texte, images, audio et données structurées pour une analyse exhaustive.
Expertise adaptative par domaine
systèmes dynamiques qui ajustent les stratégies de récupération en fonction de la complexité des requêtes, des exigences du domaine et des contraintes de performance.
Gestion des connaissances en entreprise
architectures RAG modulaires et personnalisables pour différents services, avec accès basé sur les rôles et génération spécialisée.
Pourquoi c’est important
Les modèles de récupération de connaissances représentent la pointe de l'intégration des connaissances entre l'IA et l'humain, en permettant des systèmes qui non seulement accèdent à des informations au-delà des données d'entraînement, mais le font avec une intelligence et un contrôle de la qualité sans précédent. Des variantes avancées de RAG comme Graph RAG débloquent un raisonnement tenant compte des relations, Self-RAG assure une garantie de qualité automatique et Multimodal RAG permet une compréhension exhaustive à travers différents types de données. Ces modèles transforment l'IA, la faisant passer de simples systèmes de consultation de connaissances à de véritables assistants de recherche sophistiqués, capables de vérification des faits, de recoupement et d'apprentissage adaptatif.
Guide de mise en œuvre
Quand l’utiliser
- Applications nécessitant l'accès à des informations actuelles, dynamiques ou fréquemment changeantes
- Applications spécialisées par domaine s'appuyant sur des bases de connaissances dédiées
- Systèmes où l'exactitude factuelle et l'attribution des sources sont essentielles
- Applications traitant de vastes collections de documents ou bases de données
- Scénarios où les seules données d'entraînement sont insuffisantes pour fournir des réponses exhaustives
- Applications exigeant de la transparence quant aux sources d'information et aux preuves
Bonnes pratiques
- Concevoir des stratégies d'indexation et de recherche efficaces pour une récupération rapide et pertinente
- Mettre en œuvre un découpage (chunking) et un prétraitement adéquats des sources de connaissances
- Utiliser des approches de recherche hybrides combinant similarité sémantique et correspondance de mots-clés
- Concevoir des systèmes de récupération dotés de mécanismes de filtrage et de classement appropriés
- Mettre en place des capacités d'attribution des sources et de citation pour garantir la transparence
- Utiliser des métriques de qualité de la récupération pour optimiser les performances de recherche et de classement
- Concevoir des systèmes capables de traiter des sources de connaissances aussi bien structurées que non structurées
Pièges courants
- Une qualité de récupération médiocre conduisant à l'utilisation d'informations non pertinentes ou de faible qualité dans les réponses
- Un traitement insuffisant des informations récupérées entraînant une mauvaise compréhension du contexte
- Une dépendance excessive à la récupération sans intégration adéquate avec les capacités génératives
- Ne pas mettre en place une vérification des sources et un contrôle de la qualité adéquats pour les informations récupérées
- Ignorer l'impact de la latence de récupération sur les performances globales du système
- Une gestion inadéquate des cas où les informations pertinentes ne peuvent pas être récupérées
Techniques disponibles
RAG naïf(NRAG)
Cadre fondateur « Retrieve-Read » suivant le processus traditionnel d'indexation, de récupération et de génération
RAG avancé(ARAG)
RAG amélioré avec des optimisations avant et après la récupération, notamment l'expansion des requêtes, le reclassement et la curation du contexte
RAG modulaire(MRAG)
Architecture RAG flexible dotée de modules interchangeables prenant en charge des schémas de récupération itératifs, adaptatifs et non séquentiels
Self-RAG(SRAG)
RAG auto-réflexif qui détermine de manière adaptative la nécessité de récupérer et évalue la qualité de la récupération à l'aide de jetons de réflexion
RAG correctif (CRAG)(CRAG)
Système RAG qui détecte et corrige automatiquement les mauvais résultats de récupération grâce à une évaluation de la qualité et une nouvelle récupération
Graph RAG(GRAG)
RAG enrichi par un graphe de connaissances qui exploite les relations entre entités et la détection de communautés pour les requêtes de compréhension globale
RAG multimodal(MMRAG)
Génération augmentée par récupération qui gère et intègre des sources de texte, d'images, d'audio, de vidéo et de données structurées
RAG agentique(AgRAG)
Systèmes de génération augmentée par récupération autonomes, dotés de capacités de planification, de récupération et de raisonnement autodirigées
Récupération de connaissances latentes(LKR)
Récupérer l'information à partir de schémas de raisonnement abstraits plutôt que de requêtes explicites, au sein de systèmes d'IA agentique multi-agents.
Récupération par transformation de requête(QTR)
Réécrire ou enrichir la requête de l'utilisateur avant la récupération, afin que les embeddings tombent au plus près des documents pertinents. HyDE génère un document de réponse hypothétique et en calcule l'embedding pour trouver de vrais voisins, l'expansion multi-requêtes émet plusieurs reformulations et fusionne les résultats, et le step-back prompting fait abstraction de la question pour retrouver d'abord les principes sous-jacents. Ces transformations apportent d'importants gains de récupération en zero-shot, sans entraîner le module de récupération.
Récupération à index hiérarchique (RAPTOR)(HIR)
Construire l'index de récupération sous forme d'arbre à plusieurs niveaux plutôt que de liste plate de fragments. RAPTOR calcule récursivement les embeddings des fragments, les regroupe et les résume, de sorte qu'une requête peut interroger n'importe quel niveau d'abstraction et renvoyer, selon les besoins, une synthèse d'ensemble ou le détail d'une feuille. Le contextual retrieval d'Anthropic ajoute en préambule de chaque fragment un court contexte rédigé par un LLM avant l'embedding, afin que les fragments isolés restent ancrés dans l'ensemble du document.
Agent de recherche approfondie(DRA)
Une architecture de recherche composite à long horizon qui clarifie l'intention de l'utilisateur, rédige un plan de recherche explicite, puis exécute une boucle itérative de recherche, lecture et évaluation des lacunes à travers de nombreuses sources (souvent via des sous-agents parallèles) avant de synthétiser un unique rapport long assorti de citations en ligne. C'est l'archétype assemblé qui sous-tend OpenAI Deep Research, Gemini Deep Research et Anthropic Research, doté de sa propre littérature de synthèse. À distinguer de `agentic-rag-systems`, qui applique des décisions de récupération au sein d'un unique pipeline plutôt que de mener une synthèse de rapport pilotée par un plan sur plusieurs tours. À distinguer de `supervisor-worker-pattern`, qui est une orchestration générique, sans plan, vérification des lacunes ni passe de citation propres à la recherche.
Récupération de code sensible à la structure (Repo Map)
Récupération spécialisée pour le code, qui exploite la structure du programme au lieu (ou en complément) des embeddings. Le dépôt est analysé en AST ainsi qu'en un graphe de symboles et de dépendances à l'aide de tree-sitter ; les fichiers et les symboles sont classés par centralité dans le graphe (la carte de tags pondérée par PageRank d'Aider), des outils de parcours de graphe suivent les arêtes d'appel, de définition et d'import (AutoCodeRover et les agents à graphe de code), et une localisation de fautes fondée sur le spectre peut restreindre la recherche à partir des tests en échec. Un agent de codage peut ainsi assembler un contexte minimal et pertinent à partir d'un dépôt bien plus grand que sa fenêtre de contexte. À distinguer de `graph-rag`, dont le graphe est construit à partir des entités des documents plutôt que de la sémantique du code.
Patterns Pack
Emportez tout le catalogue : serveur MCP, règles et skills pour votre éditeur, et données.
The Agent Architect
Un pattern, un compromis, une panne de production racontée. Un brief hebdomadaire court pour ceux qui construisent des systèmes agentiques.
Un email par semaine, désinscription en un clic. Votre adresse ne sert qu'à envoyer le brief.
Par l’ingénieur derrière ce catalogue
Faites auditer l’architecture de vos agents
Cette page documente un pattern. Votre système en fait tourner des dizaines, et l’essentiel des pannes se loge dans la façon dont ils s’articulent. Faites relire toute la conception à l’aune des 288 patterns de ce catalogue : architecture, fiabilité, évaluation et coûts, chaque constat relié au pattern qui le corrige.
750 € au lieu de 1 500 €, une semaine, rapport écrit et appel de restitution, jusqu’au 30 septembre