Loading...

⚡

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

Complexité: mediumRécupération de connaissances (RAG)

In 30 seconds

What: Récupère des documents par expansion de requête, recherche hybride creuse-dense, reclassement par cross-encodeurs et assemblage sélectif du contexte avant de le transmettre au modèle.
When to use: Tâches à forte composante documentaire où la qualité de la recherche conditionne directement l'exactitude des réponses, surtout sur des corpus volumineux ou bruités.
Watch out: La latence cumulée des multiples passes de recherche et des étapes de reclassement peut rendre le temps de réponse inacceptable pour des applications temps réel.

Loading technique guide…

Patterns

Loading...

Modèles et techniques de conception

Loading...

⚡

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

Complexité: mediumRécupération de connaissances (RAG)

In 30 seconds

What: Récupère des documents par expansion de requête, recherche hybride creuse-dense, reclassement par cross-encodeurs et assemblage sélectif du contexte avant de le transmettre au modèle.
When to use: Tâches à forte composante documentaire où la qualité de la recherche conditionne directement l'exactitude des réponses, surtout sur des corpus volumineux ou bruités.
Watch out: La latence cumulée des multiples passes de recherche et des étapes de reclassement peut rendre le temps de réponse inacceptable pour des applications temps réel.

Aperçu en 30 secondes

Modèle : Pipeline de récupération enrichi avec prétraitement des requêtes, récupération multi-étapes, reclassement neuronal et optimisation du contexte

Pourquoi : Corrige les limites du RAG naïf grâce à la compréhension des requêtes, au score de pertinence et à l'optimisation de la qualité du contexte

Idée clé : L'optimisation avant récupération et le traitement après récupération améliorent nettement la précision et la pertinence

Mise en œuvre rapide

1Prétraiter:Expansion, réécriture et routage de la requête

2Récupération multiple:Plusieurs stratégies et sources de récupération

3Reclasser:Rerankers neuronaux (BGE, Cohere, etc.)

4Filtrer:Score de pertinence et sélection du contexte

5Générer:Génération optimisée pour le contexte avec citations

Example: expand_query → multi_retrieve → neural_rerank → filter_context → generate_with_citations

À faire et à éviter

✅Mettre en place l'expansion de requête (HyDE, query2doc)

✅Utiliser des rerankers neuronaux (BGE-reranker, Cohere rerank)

✅Appliquer la récupération par fenêtre de phrases pour préserver le contexte

✅Mettre en place un filtrage par pertinence avec seuils de confiance

✅Utiliser plusieurs modèles d'embedding pour diversifier la récupération

❌Sauter le prétraitement et l'expansion de la requête

❌Ne se fier qu'à la similarité sémantique pour le classement

❌Ignorer les signaux de qualité et de fraîcheur des documents

❌Sur-récupérer sans mécanismes de filtrage adéquats

❌Négliger l'optimisation de la fenêtre de contexte

Quand l’utiliser

À utiliser quand

• Systèmes RAG en production exigeant une haute précision
• Requêtes complexes nécessitant une compréhension contextuelle
• Grandes bases de connaissances au contenu bruité
• Sources de données multi-domaines ou hétérogènes
• Applications nécessitant l'attribution des sources

À éviter quand

• Q&A factuel simple sur des données propres
• Environnements aux ressources limitées
• Applications temps réel (latence <100ms)
• Petites bases de connaissances au contenu de haute qualité
• Systèmes en preuve de concept ou prototypes

Indicateurs clés

Précision de la récupération

Documents pertinents dans le top-k après reclassement

Fidélité de la réponse

Contenu généré ancré dans les documents récupérés

Pertinence du contexte

Pertinence du contexte récupéré par rapport à la requête

Efficacité du reclassement

Gain de NDCG@k par rapport à la récupération de base

Compréhension de la requête

Similarité sémantique après expansion/réécriture

Latence de bout en bout

Y compris le surcoût de prétraitement et de reclassement

Principaux cas d’usage

Recherche en entreprise : requêtes complexes sur de grandes bases de connaissances internes avec reclassement

Recherche juridique : raisonnement multi-sauts sur la jurisprudence avec expansion de requête et filtrage par pertinence

Q&A médical : requêtes cliniques avec rerankers spécialisés et scores de confiance

Documentation technique : requêtes de développeurs avec récupération sensible au code et optimisation du contexte

Assistant de recherche : requêtes académiques avec suivi des citations et récupération multi-sources

Références et lectures complémentaires

Approfondissez le sujet avec ces ressources sélectionnées

Revues et cadres RAG avancés

Retrieval-Augmented Generation for Large Language Models: A Survey (Gao et al., 2023)

Seven Failure Points When Engineering a Retrieval Augmented Generation System (Barnett et al., 2024)

RAG vs Fine-tuning: Pipelines, Tradeoffs, and a Case Study (Ovadia et al., 2023)

A Comprehensive Survey of RAG: Evolution and Future Directions (Gupta et al., 2024)

Amélioration et prétraitement des requêtes

Precise Zero-Shot Dense Retrieval without Relevance Labels

Query2doc: Query Expansion with Large Language Models (Wang et al., 2023)

Query Rewriting for Retrieval-Augmented Large Language Models

Active Retrieval Augmented Generation (Jiang et al., 2023)

Reclassement neuronal et score de pertinence

M3-Embedding: Multi-Linguality, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation

FlagEmbedding: Dense Retrieval and Retrieval-augmented LLMs (BAAI, 2023)

Documentation et bonnes pratiques de l'API Cohere Rerank

Optimisation du contexte et découpage

Lost in the Middle: How Language Models Use Long Contexts (Liu et al., 2023)

LongLLMLingua: Accelerating and Enhancing LLMs in Long Context Scenarios via Prompt Compression

Recursive Character Text Splitter : documentation LangChain

Cadres et outils d'implémentation

Implémentation du Multi-Vector Retriever de LangChain

Documentation des retrievers Haystack

Documentation de la recherche hybride Weaviate (Dense + Sparse)

Évaluation et benchmarking

RAGAS : évaluation automatisée des applications RAG

BEIR: A Heterogenous Benchmark for Zero-shot Evaluation of Information Retrieval Models