Qu'est-ce que le RAG ? Le guide complet du Retrieval-Augmented Generation

Le RAG, ou Retrieval-Augmented Generation, est une technique pour répondre à des questions avec un modèle de langage en récupérant d'abord les documents pertinents et en les donnant au modèle comme contexte, au lieu de se fier uniquement à ce qu'il a appris pendant son entraînement. En une phrase : on cherche d'abord, puis on répond à partir de ce qu'on a trouvé. Ce guide est la porte d'entrée vers les articles plus détaillés de ce blog.

Le problème que le RAG résout

Un LLM entraîné a une connaissance figée à une date de coupure et ne connaît rien de vos données privées : vos documents internes, votre base clients, votre documentation produit. Il y a deux façons de combler ce manque. Le fine-tuning ré-entraîne le modèle sur vos données, ce qui est lent, coûteux, et à refaire à chaque mise à jour. Le RAG donne au modèle les documents pertinents au moment de la question, ce qui est rapide à mettre à jour et ne demande aucun ré-entraînement.

Le RAG face aux alternatives

Ces approches ne s'excluent pas. Un montage de production courant est le RAG pour la connaissance plus un léger fine-tuning pour un style de réponse constant. La comparaison a son propre article détaillé sur ce blog.

Les quatre étapes d'un pipeline RAG

• ✓Ingestion : découper vos documents en morceaux (chunks) de taille raisonnable et transformer chacun en vecteur numérique (un embedding) qui capture son sens.
• ✓Stockage : ranger ces vecteurs dans une base vectorielle (Qdrant, Pinecone, pgvector) qui sait retrouver les plus proches d'une requête.
• ✓Récupération : au moment de la question, embedder la question et retrouver les chunks les plus proches sémantiquement.
• ✓Génération : mettre ces chunks dans le prompt avec la question et demander au modèle de répondre uniquement à partir de ce contexte.

# Un passage dans un pipeline RAG simple
question = "Quelle est la politique de remboursement ?"
question_vector = embed(question)

chunks_pertinents = vector_db.search(question_vector, top_k=4)

prompt = f"""Réponds à la question en utilisant uniquement ce contexte.
Si le contexte ne contient pas la réponse, dis que tu ne sais pas.

Contexte:
{chr(10).join(chunks_pertinents)}

Question: {question}
"""

reponse = llm.generate(prompt)

Un exemple concret

Un utilisateur demande à un bot de support "puis-je être remboursé après 40 jours ?". Le système embedde cette question, cherche dans la base vectorielle, et ramène trois chunks de la politique de retour, dont un qui dit que les remboursements sont acceptés sous 30 jours. Il met ces chunks dans le prompt, et le modèle répond "non, les remboursements sont acceptés sous 30 jours après l'achat" en citant la section concernée. Sans RAG, le modèle devinerait à partir de données d'entraînement génériques.

Ce que le RAG ne résout pas

Le RAG ne rend pas un modèle plus intelligent, il lui donne accès à plus d'informations. Si les chunks récupérés sont hors sujet à cause d'un mauvais découpage ou d'embeddings faibles, le modèle produit une réponse confiante mais fausse : une hallucination construite sur un mauvais contexte reste une hallucination. Le RAG ne change pas non plus la façon dont le modèle raisonne ou rédige, et il n'aide pas sur les tâches qui ne portent pas sur la récupération de faits.

Quand utiliser le RAG, et quand ne pas le faire

• ✓Utilisez-le quand vos données changent souvent : un catalogue produit, de la documentation, une base de connaissances support.
• ✓Utilisez-le quand vous devez citer la source d'une réponse ; la traçabilité est native au RAG.
• ✓Utilisez-le pour éviter le coût et la latence d'un ré-entraînement à chaque changement de contenu.
• ✓Ne l'utilisez pas pour une poignée de documents stables ; mettez-les simplement dans le prompt.
• ✓Ne l'utilisez pas pour corriger le raisonnement, le ton ou le format ; c'est un problème de prompt ou de fine-tuning.

Ce qu'il faut pour en construire un

Pour aller plus loin

Ce guide couvre les fondations. Pour approfondir, ce blog a des articles dédiés sur le choix du modèle d'embedding, le choix de la base vectorielle, l'architecture RAG moderne, la construction d'un pipeline avec LangChain et FastAPI, le RAG en production, et la comparaison entre RAG, fine-tuning et prompt engineering.

Le RAG est une idée simple avec beaucoup d'ingénierie derrière le fait de bien le faire : récupérer le bon contexte, y ancrer la réponse, citer les sources, et garder l'index à jour. Réussissez la récupération et le reste du système suit.