Cette page explique comment le RAG fonctionne. Pour le mettre en place dans une petite structure (où héberger les documents, le RGPD, quels outils choisir), voyez la page Bases de connaissance.
Socle conceptuel · Alimenter
Le RAG pas à pas
Le RAG (Retrieval-Augmented Generation, « génération augmentée par la recherche ») est une technique qui va chercher les bons passages dans vos documents et les donne à lire à l'IA, juste avant qu'elle réponde. Elle répond ainsi d'après vos documents, et vous savez d'où vient chaque information.
Le problème
L'IA ne connaît pas votre entreprise
Si on ne lui donne rien à lire, le modèle ne voit ni vos contrats, ni votre fichier clients, ni vos procédures.
Ce qui est public
La culture générale, la langue, l'art de rédiger, la programmation : le modèle a tout lu pendant son entraînement.
Ce qui est à vous
Vos notes internes, vos emails, vos tarifs négociés, vos contrats, vos procédures : elle ne les a jamais vus.
RAG
Au moment de la question, on donne automatiquement à lire au modèle les bons extraits de vos documents. Le modèle lui-même ne change pas.
Une image
Le bibliothécaire et le bureau de l'IA
Le RAG fait le travail d'un bibliothécaire : avant chaque réponse, il va chercher dans vos documents les passages utiles et les pose sur le bureau de l'IA.
Le fonds
Vos documents
Notes, contrats, procédures, questions fréquentes… tout est rangé et répertorié.
recherche
par le sens
par le sens
Bibliothécaire
Le choix
Les 3 à 5 extraits qui répondent le mieux à la question.
ajoutés
à la demande
à la demande
L'arrivée
Le bureau de l'IA
Le modèle lit ces extraits et votre question, rien de plus.
Point clé : le RAG ne modifie pas le modèle. Il change seulement ce qu'on lui donne à lire au moment de répondre. Vos documents ne sont pas absorbés par l'IA : elle les consulte, c'est tout.
Pas à pas
Les cinq étapes du RAG
Trois étapes de préparation, faites une seule fois sur vos documents. Puis deux étapes, refaites à chaque question. Un tel enchaînement d'étapes s'appelle un pipeline.
À retenir : les trois premières étapes se font une fois pour toutes, et à chaque nouveau document. Les deux dernières se refont à chaque question : c'est d'elles que dépend le temps de réponse. Vocabulaire des spécialistes : un extrait s'appelle un chunk, la liste de nombres un embedding, la base une base vectorielle ; préparer les documents, c'est l'indexation ; retrouver les extraits, le retrieval.
Chercher par le sens
Chercher par mots-clés, ou par le sens
Le grand avantage du RAG : il retrouve les bons passages même quand la question n'emploie pas les mêmes mots que le document. On parle de recherche sémantique. Voici pourquoi, en image.
Sur cette carte, deux points proches ont un sens proche. Le RAG ramène les points verts ; une recherche par mots-clés ramène souvent les points rouges.
Recherche par mots-clés
"congés exceptionnels mariage"
- "congés annuels" → le mot y est, mais ce n'est pas le sujet.
- "mariage civil" → c'est du droit, pas une règle du personnel.
- Le bon passage est manqué s'il emploie d'autres mots.
Recherche par le sens (RAG)
"congés exceptionnels mariage"
- "absence autorisée pour événement familial" → c'est le sujet.
- "article 12 : jours accordés pour mariage" → c'est le sujet.
- "dispositions PACS équivalentes" → utile à savoir.
Pourquoi cela change tout : le RAG cherche ce qui veut dire la même chose, pas ce qui emploie les mêmes mots. Or personne ne pose sa question avec les mots exacts de vos documents.
Un exemple
Une question, du début à la fin
Le chemin complet d'une question posée au service du personnel, jusqu'à une réponse qui cite ses sources.
Question : « Quelles sont les conditions de remboursement des frais de déplacement ? »
1
Le sens de la question est codé
La question est traduite en une liste de nombres, de la même façon que les extraits de la base.
« conditions de remboursement des frais de déplacement »
→ une liste de plus de mille nombres
2
Les extraits les plus proches sont retrouvés
La base renvoie les extraits dont le sens est le plus proche de la question, avec une note de proximité entre 0 et 1, la similarité.
Note DRH, barèmes 2024 proximité 0,93
Procédure de remboursement proximité 0,91
Questions fréquentes, déplacements proximité 0,86
3
Les extraits sont donnés à lire
Les trois extraits sont ajoutés à la demande envoyée au modèle, avec la consigne de citer ses sources.
Consigne Réponds uniquement d'après les documents fournis.
Documents Art. 14… | Note DRH 2024… | Questions fréquentes…
Question Quelles sont les conditions de remboursement ?
4
La réponse cite ses sources
Le modèle rédige une synthèse : chaque information renvoie à l'extrait d'où elle vient.
• Hébergement : 90 €/nuit (Note DRH 2024)
• Barème kilométrique : 0,52 €/km (Art. 14)
• Délai de remboursement : 15 jours (Questions fréquentes, § 3.2)En pratique
Ce que le RAG change concrètement
Des réponses tirées de vos documents
Le modèle s'appuie sur vos vrais documents, pas sur ce qu'il croit savoir.
Le moins de données possible
Seuls les extraits utiles sont donnés à lire au modèle : ni tous vos documents, ni même un document entier.
Toujours à jour
Un nouveau document ajouté à la base est utilisable tout de suite. Inutile de refaire apprendre le modèle, ce qui coûterait très cher.
On sait d'où vient la réponse
Pour chaque réponse, on voit exactement quels extraits ont servi.
Tout dépend du découpage
La précision des réponses dépend d'abord de la façon dont les documents ont été découpés. C'est le premier réglage à soigner.
Vite en service
On ajoute un outil à côté du modèle, on ne refait pas le modèle. Un premier essai tient en quelques jours.
À retenir
En une phrase
Le RAG est un bibliothécaire automatique. À chaque question, il apporte à l'IA les passages utiles de vos documents. La réponse est plus fiable, on sait d'où elle vient, et le modèle n'a pas eu à réapprendre quoi que ce soit.
Laquelle choisir ? La page suivante compare les deux méthodes, le document entier (Full Context) et les extraits (RAG), et montre quand les combiner.