Loading...

📚

RAG naïf(NRAG)

Cadre fondateur « Retrieve-Read » suivant le processus traditionnel d'indexation, de récupération et de génération

Complexité: lowRécupération de connaissances (RAG)

In 30 seconds

What: Récupère les passages de documents les plus pertinents par recherche sémantique, les concatène dans le prompt, puis génère une réponse.
When to use: Questions factuelles simples portant sur des documents bien indexés, où la qualité de la recherche est élevée et où aucun raisonnement en plusieurs étapes n'est nécessaire.
Watch out: Les passages récupérés peuvent se contredire ou contenir du bruit hors sujet, ce qui dégrade la qualité des réponses en l'absence de classement ou de filtrage.

Loading technique guide…

Patterns

Loading...

Modèles et techniques de conception

Loading...

📚

RAG naïf(NRAG)

Cadre fondateur « Retrieve-Read » suivant le processus traditionnel d'indexation, de récupération et de génération

Complexité: lowRécupération de connaissances (RAG)

In 30 seconds

What: Récupère les passages de documents les plus pertinents par recherche sémantique, les concatène dans le prompt, puis génère une réponse.
When to use: Questions factuelles simples portant sur des documents bien indexés, où la qualité de la recherche est élevée et où aucun raisonnement en plusieurs étapes n'est nécessaire.
Watch out: Les passages récupérés peuvent se contredire ou contenir du bruit hors sujet, ce qui dégrade la qualité des réponses en l'absence de classement ou de filtrage.

Aperçu en 30 secondes

Modèle : Pipeline simple récupérer-puis-lire : requête → récupérer les documents → concaténer → générer

Pourquoi : Donne accès à des connaissances externes avec une complexité minimale - approche fondatrice établie par Lewis et al. (2020)

Idée clé : Concaténation directe des top-k documents récupérés au prompt de la requête - sans optimisation ni post-traitement

Mise en œuvre rapide

1Indexer:Créer les embeddings vectoriels de la base de connaissances

2Récupérer:Trouver les top-k documents pertinents par similarité

3Concaténer:Ajouter les documents récupérés au prompt de la requête

4Générer:Soumettre le prompt combiné au LLM

5Renvoyer:Restituer directement la réponse générée

Example: query → vector_search → concat_context → llm_generate → response

À faire et à éviter

✅Utiliser des embeddings sémantiques (par ex. sentence-transformers)

✅Mettre en place une stratégie de découpage simple (taille fixe de 512-1024 tokens)

✅Fixer des limites claires de récupération top-k (typiquement 3-5 documents)

✅Inclure les métadonnées des documents et l'attribution des sources

✅Utiliser FAISS ou équivalent pour une recherche vectorielle efficace

❌Sauter le prétraitement ou la normalisation de la requête

❌Récupérer trop de documents (pollution du contexte)

❌Ignorer les seuils de score de pertinence

❌Concaténer sans délimiter clairement les documents

❌Attendre un raisonnement sophistiqué d'une approche basique

Quand l’utiliser

À utiliser quand

• Q&A simple sur des documents
• Systèmes RAG en preuve de concept
• Complexité technique limitée autorisée
• Bases de connaissances de petite à moyenne taille
• Requêtes factuelles simples

À éviter quand

• Raisonnement multi-sauts complexe requis
• Applications critiques exigeant une haute précision
• Systèmes de production à grande échelle
• Bases de connaissances bruitées ou contradictoires
• Exigences de performance en temps réel

Indicateurs clés

Précision de la récupération

Documents pertinents dans le top-k (Recall@k)

Qualité des réponses

Scores BLEU/ROUGE par rapport à la vérité terrain

Temps de réponse

Latence de bout en bout (récupération + génération)

Utilisation du contexte

% du contexte récupéré utilisé dans la réponse

Taux d'hallucination

% de réponses contenant des affirmations non étayées

Attribution des sources

% de réponses citant correctement leurs sources

Principaux cas d’usage

Q&A documentaire : questions factuelles simples sur des documents d'entreprise ou des bases de connaissances

Systèmes de FAQ : réponses automatiques aux questions fréquentes à partir de la documentation existante

Aide à la recherche : récupération d'informations de base dans des articles ou collections scientifiques

Support client : demandes de niveau 1 auxquelles la documentation et les manuels répondent

Outils pédagogiques : questions-réponses simples sur des manuels et supports éducatifs

Références et lectures complémentaires

Approfondissez le sujet avec ces ressources sélectionnées

Articles fondateurs

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020)

Dense Passage Retrieval for Open-Domain Question Answering (Karpukhin et al., 2020)

Retrieval Augmentation Reduces Hallucination in Conversation

Revues de littérature complètes

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

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

Retrieval-Augmented Generation for AI-Generated Content: A Survey (Li et al., 2024)

RAG and RAU: A Survey on Retrieval-Augmented Language Model (Zhao et al., 2024)

Ressources d'implémentation

Tutoriel RAG LangChain - implémentation de base

Documentation et exemples RAG Hugging Face

Guide d'implémentation RAG d'OpenAI

Tutoriel LlamaIndex sur un pipeline RAG basique

Solutions de bases de données vectorielles

FAISS - bibliothèque Facebook AI Similarity Search

Documentation de la base vectorielle Pinecone

Moteur de recherche vectorielle Weaviate

Chroma - base d'embeddings open source

Modèles d'embedding et évaluation

Sentence-BERT: Sentence Embeddings using Siamese BERT (Reimers & Gurevych, 2019)

Text and Code Embeddings by Contrastive Pre-Training (OpenAI, 2022)

MTEB: Massive Text Embedding Benchmark (Muennighoff et al., 2022)

BGE : documentation du modèle BAAI General Embedding

Cadres d'évaluation

RAGAS : cadre d'évaluation pour applications RAG

TruLens : évaluation et suivi des applications LLM

LangSmith : test et supervision d'applications LLM

DeepEval : tests unitaires pour applications LLM

Loading technique guide…