GuidesRAG
RAG : faire répondre une IA à partir de vos documents
Le problème que le RAG résout
Un modèle de langage ne connaît pas vos contrats, votre documentation ni vos prix. Si on lui pose la question quand même, il répond avec ce qui lui paraît plausible. C’est faux, et dit avec assurance.
Le RAG change l’ordre des opérations : on cherche d’abord, on rédige ensuite.
Comment ça marche
- On découpe vos documents en passages.
- On indexe ces passages dans un moteur de recherche, souvent sémantique.
- À chaque question, on récupère les passages les plus proches.
- On les donne au modèle avec une consigne : répondre uniquement à partir d’eux, et citer.
- La réponse arrive avec ses sources.
Le modèle ne sert plus de mémoire. Il sert de rédacteur, sur des documents qu’on vient de lui mettre sous les yeux.
Ce qui fait la qualité : les documents
Neuf problèmes sur dix viennent des contenus, pas du modèle.
- Des documents à jour. Deux versions contradictoires donnent deux réponses contradictoires.
- Un découpage qui respecte le sens. Un passage coupé au milieu d’une règle ne veut plus rien dire.
- Des métadonnées : date, auteur, produit, langue. Elles permettent de filtrer.
- Des tableaux et des PDF traités avec soin. Un tableau mal extrait devient du bruit.
Ce qui fait la qualité : la recherche
- Recherche sémantique et par mots-clés ensemble. La première comprend le sens, la seconde retrouve une référence exacte.
- Un reclassement des résultats avant de les donner au modèle.
- Un seuil : sous un certain niveau de pertinence, on ne répond pas.
Dire « je ne sais pas »
C’est la règle la plus importante. Quand aucun passage ne répond, le système le dit et propose une autre voie. Une réponse absente fait moins de dégâts qu’une réponse inventée.
Sur Votons, l’assistant répond aux questions sur les programmes en s’appuyant sur le texte exact. Dans un sujet aussi sensible, la source affichée fait partie de la réponse.
Les droits d’accès
Un RAG d’entreprise doit respecter qui a le droit de lire quoi. La recherche filtre selon l’utilisateur : un commercial ne doit pas obtenir un extrait d’un document des ressources humaines. Ce filtrage se conçoit dès l’indexation.
Mesurer la qualité
- Un jeu de questions réelles avec la réponse attendue et le document source.
- Deux mesures : le bon passage a-t-il été trouvé, la réponse est-elle fidèle au passage.
- Le jeu est rejoué à chaque changement de modèle, de découpage ou de consigne.
Quand le RAG ne suffit pas
- Les questions qui demandent un calcul sur des données : il faut un outil, pas des passages.
- Les questions qui demandent de lire tout un corpus : une synthèse préparée fait mieux.
- Les actions : pour agir, il faut un agent avec des outils. Voir Agents IA et serveur MCP.
L’usage le plus courant du RAG est décrit dans Chatbot IA pour site web.
Questions fréquentes
- Que veut dire RAG ?
- Retrieval-Augmented Generation, ou génération augmentée par la recherche. Le système cherche d’abord les passages pertinents dans une base documentaire, puis demande au modèle de répondre à partir de ces passages.
- Faut-il entraîner un modèle sur ses documents ?
- Non. Avec le RAG, le modèle n’est pas modifié. Vos documents sont fournis au moment de la question. Les mettre à jour suffit pour que les réponses changent.
- Le RAG supprime-t-il les erreurs de l’IA ?
- Il les réduit fortement quand la recherche trouve le bon passage. Il reste à gérer les cas où rien ne correspond : le système doit alors dire qu’il ne sait pas plutôt que de combler.
