RAG (Retrieval-Augmented Generation)

Le RAG est une technique qui couple un modèle de langage à une recherche documentaire, afin d'ancrer ses réponses dans des sources pertinentes récupérées au moment de la requête.

En clair

Le RAG (génération augmentée par la récupération) résout une limite des LLM : ils ne connaissent pas vos données internes et peuvent inventer. Le principe est d'aller d'abord chercher, dans une base documentaire, les passages pertinents pour la question posée, puis de les fournir au modèle pour qu'il formule sa réponse à partir de ces éléments. Le modèle ne répond plus seulement de mémoire, mais en s'appuyant sur des sources fournies à la volée.

À quoi ça sert

Le RAG sert à brancher un LLM sur la connaissance propre d'une organisation : documentation, procédures, contrats, base de connaissances. Il permet de répondre sur des informations à jour ou confidentielles sans réentraîner le modèle, et de citer les sources, ce qui rend les réponses vérifiables. Il réduit nettement les hallucinations en contraignant le modèle à s'appuyer sur des éléments récupérés plutôt que sur sa seule mémoire d'entraînement.

En mission / dans la pratique

En mission, vous construisez la chaîne complète : découper les documents en fragments, les transformer en représentations numériques, les indexer dans une base vectorielle, puis récupérer les fragments les plus proches d'une question pour les injecter dans la requête au modèle. Une grande part du travail porte sur la qualité de la récupération : un RAG ne vaut que ce que vaut sa recherche. Vous ajustez le découpage, le nombre de passages récupérés et la manière de les présenter au modèle.

Pièges & bonnes pratiques

Piège fréquent : croire que le RAG supprime les hallucinations. Il les réduit, mais un mauvais passage récupéré produit une mauvaise réponse. Bonnes pratiques : soigner le découpage des documents, évaluer la pertinence de la récupération, et conserver les références des sources pour permettre la vérification. Attention aussi à la fraîcheur de l'index : si les documents évoluent, la base doit être mise à jour, sinon le modèle répond sur des informations périmées.

À ne pas confondre

Le RAG n'est pas du fine-tuning : il fournit du contexte au moment de la requête au lieu de modifier le modèle. Il repose sur des embeddings et sur une base de données vectorielle. C'est une façon de combler ce qu'un LLM ne sait pas de vos données.

ForTeam IT à vos côtés

Vous recherchez une mission ou un consultant expert sur ce sujet ? ForTeam IT met en relation des consultants IT freelance sélectionnés avec des grands comptes, ETI et scale-ups partout en France. Consultez aussi notre grille des TJM freelance IT et nos expertises par technologie.

Rejoindre la communauté