Une devinettePour commencerCas d'ouverture
Réfléchis une secondeEssaie de répondrePosez votre intuition
Un copain te demande la règle d'un jeu que tu as oubliée. Tu inventes, ou tu sors la fiche des règles ?
Pense à ta réponse, même si tu n'es pas sûr. La suite te dira si tu avais vu juste.
Un bot Discord répond sur ton jeu préféré. Comment faire pour qu'il lise le wiki officiel plutôt que d'inventer ?
Prends dix secondes pour répondre dans ta tête. Tu compareras avec la suite.
Un assistant RH doit répondre aux salariés à partir du règlement interne, sans inventer. Par où commencer : le modèle ou les documents ?
Formulez d'abord votre réponse, même approximative : la comparer à la suite fixe bien mieux les acquis.
Regarde ça bougerVois-le en actionLe concept en mouvement
Regarde l'IA chercher les bonnes sources avant de répondre
Question, recherche des bons passages, réponse ancrée. Compare une réponse « de mémoire » à une réponse « avec RAG » (exacte et sourcée).
Bonne question pour un assistant RH. La bonne réponse est dans un document interne.
C'est comme un copain qui relit la bonne page de son cahier avant de répondre à la maîtresse.
C'est comme rouvrir le bon chapitre de ton cours avant de répondre en interro, au lieu de répondre au feeling.
Un bon élève n'invente pas tout : il relit d'abord la bonne page de son cours avant de répondre.
Comment ça marcheComment ça marcheLa mécanique
Une étape à la foisLe mécanisme, étape par étapeLe mécanisme, étape par étape
Ouvre le bon cahier avant de répondre
Au lieu de répondre de tête, la machine ouvre d'abord le bon cahier.
Elle cherche la bonne page qui parle de ta question.
Elle lit cette page avant de te répondre.
Comme ça, elle se trompe beaucoup moins.
Réviser avant de répondre, pas répondre au pif
On découpe les documents en petits blocs faciles à retrouver.
On range ces blocs pour pouvoir les chercher par le sens, pas juste par mot-clé.
Ta question part chercher les blocs les plus utiles.
On donne ces blocs à l'IA, et elle répond en s'appuyant dessus.
Brancher l'IA sur vos vraies sources avant qu'elle réponde
Les documents sont découpés en blocs utiles (chunks).
Ces blocs sont indexés ou vectorisés pour la recherche par le sens.
Votre question lance une recherche qui remonte les passages les plus pertinents.
Ces passages sont injectés dans le contexte du modèle, qui répond en s'appuyant dessus, idéalement avec citations.
Des exemples pour toiDes exemples concretsExemples concrets
Tu l'as déjà croiséOù tu le retrouvesOù vous le retrouvez en situation
Un exemple pour toi
C'est comme à la récré, quand un copain te demande la règle d'un jeu. Au lieu de l'inventer, tu sors la petite fiche des règles, tu lis la bonne ligne, et tu réponds juste. La machine fait pareil : elle ouvre d'abord la bonne page, puis elle explique.
Pour parler des dinosaures, elle ouvre ton livre de dinosaures avant de répondre.
Tu demandes les règles d'un jeu de billes : elle relit la fiche du jeu d'abord.
Tu veux la recette des crêpes : elle regarde la recette avant de te la dire.
Cas concret
Imagine un bot Discord qui répond aux questions sur ton jeu vidéo préféré. Sans RAG, il invente à partir de vagues souvenirs. Avec RAG, il va d'abord ouvrir le wiki officiel du jeu, retrouver le bon passage sur l'arme ou le boss dont tu parles, et te répondre avec la vraie info à jour, en citant la page.
Un chatbot de jeu vidéo qui répond en allant lire le wiki officiel au lieu d'inventer.
Une appli de révision qui cite la bonne page de ton cours avant de t'expliquer.
Un assistant qui répond au règlement intérieur de ton lycée en citant l'article exact.
Cas concret
Un assistant RH d'entreprise qui répond aux salariés à partir du règlement interne : au lieu d'inventer une réponse sur les congés, il retrouve le bon article du règlement à jour, répond précisément et indique la page. Idem pour un support client qui cite la bonne fiche de documentation, ou un juriste qui fait remonter les passages pertinents avant de rédiger un résumé.
Un assistant RH répond aux salariés à partir du règlement interne.
Un support client cite la bonne page de la documentation produit.
Un juriste retrouve les passages pertinents d'un contrat avant d'en faire un résumé.
Attention aux piègesÀ éviterÀ éviter
Ce qu'on croit, et ce qui est vraiIdées reçues et pièges à éviterIdées reçues et risques à anticiper
-
On croit que
On croit que la machine ne se trompe plus jamais.
En vrai
En vrai, si elle ouvre le mauvais cahier, elle dit encore des bêtises.
-
On croit que
On croit qu'elle lit tous les cahiers d'un coup.
En vrai
En vrai, elle lit juste la bonne page qu'elle a trouvée.
Les pièges à retenir
- Si elle ouvre le mauvais cahier, sa réponse est fausse.
- Si les pages sont mal rangées, elle ne trouve pas la bonne.
- Elle se trompe moins, mais elle peut encore se tromper.
-
On croit que
« Avec le RAG, l'IA ne se trompe plus jamais. »
En réalité
Faux. Si la recherche ramène les mauvais passages, la réponse sera fausse quand même.
-
On croit que
« Le RAG, c'est juste un modèle plus puissant. »
En réalité
Non. C'est surtout une meilleure préparation : découpage, rangement, recherche. La qualité dépend autant de ça que du modèle.
-
On croit que
« L'IA lit toute la base à chaque question. »
En réalité
Non. Elle ne lit que les quelques passages que la recherche a sélectionnés.
Les pièges à retenir
- Si la recherche se trompe de passages, la réponse part en vrille.
- La façon de découper les documents change tout le résultat.
- Ça améliore la fiabilité, mais ça ne garantit pas zéro erreur.
-
Idée reçue
« Avec le RAG, l'IA ne se trompe plus jamais. »
Réalité
Faux. Si la recherche récupère les mauvais passages, la réponse sera mauvaise. Le RAG améliore l'ancrage, il ne le garantit pas.
-
Idée reçue
« Le RAG, c'est juste un meilleur modèle. »
Réalité
Non. C'est surtout une meilleure préparation : découpage, indexation, recherche. La qualité dépend autant de la préparation que du modèle.
-
Idée reçue
« Le modèle lit toute la base à chaque question. »
Réalité
Non. Il ne lit que quelques passages sélectionnés par la recherche, injectés dans son contexte.
Points de vigilance
- Si la recherche récupère les mauvais passages, la réponse sera mauvaise.
- Le découpage des documents (chunking) compte énormément.
- Le RAG améliore l'ancrage, mais n'élimine pas tous les risques d'erreur.
Ce que je retiensÀ retenirÀ retenir
L'essentiel, en quatre idéesL'essentiel, en quatre idéesL'essentiel, en quatre points
La phrase à garder
La machine répond mieux quand elle lit le bon cahier avant de parler.
- Elle lit d'abord La machine ouvre le bon cahier avant de répondre.
- La bonne page Elle cherche la page qui parle de ta question.
- Bien ranger Si les cahiers sont mal rangés, elle se trompe.
- Pas magique Elle se trompe moins, mais pas jamais.
La phrase à garder
Le RAG ne rend pas l'IA omnisciente : il lui met les bonnes sources sous les yeux avant qu'elle réponde.
- Chercher d'abord L'IA retrouve les bons passages avant de répondre.
- Réponse ancrée Elle s'appuie sur de vraies sources, pas seulement sur sa mémoire.
- La prépa compte Si les documents sont mal découpés ou mal rangés, la réponse est mauvaise.
- Pas magique Le RAG réduit les erreurs, il ne les supprime pas toutes.
Message clé
Le RAG ne rend pas un modèle omniscient : il l'aide à répondre avec les bonnes sources sous les yeux.
- Chercher d'abord Le RAG retrouve les bons passages avant de générer la réponse.
- Réponse ancrée Le modèle s'appuie sur des sources réelles, pas seulement sur sa mémoire.
- Aussi bon que sa préparation Mauvais découpage ou mauvaise recherche = mauvaise réponse.
- Pas une baguette magique Le RAG réduit les erreurs, il ne les supprime pas toutes.
Je m'entraîneJe valideÉvaluation
Je teste ce que j'ai comprisJe teste ce que j'ai comprisValidez vos acquis
Valider : RAG expliqué simplement
4 questions. Il faut 70 % de bonnes réponses pour maîtriser la fiche. Tu as le droit de te tromper et de réessayer.
Pour les curieuxPour aller plus loinPour aller plus loin
Si tu veux en savoir plusCreuser le sujetApprofondir et poursuivre
Sous le capot, pour les curieux
Les morceaux
On coupe les gros livres en petits bouts faciles à retrouver
Un livre entier, c'est trop long pour vite trouver la bonne info. Alors on le coupe en petits bouts, comme quand tu coupes une grande tablette de chocolat en carrés. Chaque petit bout doit garder assez d'histoire pour qu'on comprenne, mais pas trop, sinon on se perd.
Le rangement malin
Chaque petit bout reçoit une étiquette d'idée pour le retrouver vite
Une fois coupés, les petits bouts sont rangés un peu comme des jouets dans des boîtes étiquetées. Comme ça, quand tu poses une question, la machine va tout de suite à la bonne boîte au lieu de fouiller partout. Elle retrouve les bouts qui parlent de la même chose que ta question.
Juste les bons bouts
La machine ne lit pas tout, seulement les meilleurs petits bouts
La machine ne lit pas tout le livre d'un coup. Elle prend juste les 2 ou 3 petits bouts les plus utiles et elle les regarde avant de répondre, comme quand tu relis seulement la bonne page de ton cahier avant de parler. Ça l'aide à dire des choses justes au lieu d'inventer.
Bien ranger d'abord
Si les bouts sont mal rangés, la réponse sera ratée
Si les petits bouts sont sales, mal coupés ou rangés n'importe comment, la machine va prendre les mauvais et se tromper. C'est comme chercher ton crayon dans une chambre en désordre : tu ne le trouves jamais. Bien ranger les bouts, c'est presque plus important que la machine elle-même.
Sous le capot
Chunking
On découpe les documents en blocs (chunks) repérables
Un document complet est trop long pour une recherche précise, comme chercher une réplique dans tout un film au lieu d'un clip TikTok. On le coupe donc en morceaux appelés chunks. Un bon chunk garde assez de contexte pour rester compréhensible, mais reste court pour éviter le bruit, c'est-à-dire les infos inutiles qui brouillent la recherche.
Vectorisation
Chaque chunk devient un vecteur pour la recherche par le sens
Chaque bloc est transformé en embedding : une suite de chiffres qui résume son idée. C'est un peu comme l'algorithme de ton fil de recommandations qui range les vidéos par thème. Ces vecteurs vont dans une base vectorielle, ce qui permet de retrouver les passages qui ressemblent au sens de ta question, pas juste aux mots exacts.
Injection
On donne au modèle seulement les meilleurs passages, pas toute la base
Après la recherche, on sélectionne quelques extraits et on les colle dans le contexte du modèle, c'est-à-dire la zone de texte qu'il lit avant de répondre (un peu comme une antisèche autorisée). Le modèle s'appuie sur cette matière préparée, ce qui réduit les réponses inventées, aussi appelées hallucinations.
Qualité finale
Le RAG vaut surtout ce que vaut sa préparation des documents
Si les documents sont mal nettoyés, mal découpés, périmés ou mal indexés, le modèle hérite du désordre, comme réviser sur des notes fausses avant un contrôle. Le RAG est donc autant un travail d'ingénierie documentaire (préparer et organiser les sources) qu'un travail de génération de texte.
Sous le capot : les briques techniques
Chunking
On découpe les documents en blocs que le système pourra retrouver
Un document entier est souvent trop long ou trop flou pour une recherche précise. On le coupe donc en morceaux utiles appelés chunks. Un bon chunk garde assez de contexte pour rester compréhensible, mais pas trop pour éviter le bruit.
Vectorisation
Chaque chunk devient un vecteur pour la recherche sémantique
Une fois découpés, les blocs sont convertis en embeddings puis stockés dans un index ou une base vectorielle. Cela permet de retrouver rapidement les passages qui ressemblent le plus à la question posée.
Injection
Le modèle ne lit pas toute la base, seulement les meilleurs passages
Après la recherche, on sélectionne quelques extraits et on les injecte dans le prompt ou dans le contexte du modèle. Le modèle répond ensuite à partir de cette matière préparée, ce qui limite les réponses hors-sol.
Qualité finale
Le RAG est aussi bon que sa préparation documentaire
Si les documents sont mal nettoyés, mal découpés, mal datés ou mal recherchés, le modèle héritera de ce désordre. Le RAG est donc autant un travail d'ingénierie documentaire qu'un travail de génération.
Les questions que tu te poses peut-être
- Est-ce que la machine connaît déjà toutes les réponses dans sa tête ?
- Non ! Comme toi, elle ne se souvient pas de tout. C'est pour ça qu'elle va d'abord lire la bonne page avant de répondre. C'est plus malin.
- Est-ce qu'elle peut quand même se tromper ?
- Oui, ça arrive. Si elle ouvre le mauvais cahier ou lit la mauvaise page, elle peut dire une bêtise. C'est pour ça qu'on vérifie toujours.
- Comment elle trouve la bonne page si vite ?
- Elle a rangé toutes ses pages comme dans une grande boîte à billes bien triée. Quand tu poses une question, elle attrape vite les billes qui vont avec. Pratique, non ?
Questions fréquentes
- C'est quoi le RAG, simplement ?
- Une méthode où l'IA va d'abord chercher les bons documents, puis répond en s'appuyant dessus, au lieu de répondre seulement de mémoire.
- Pourquoi utiliser le RAG ?
- Pour ancrer les réponses dans des sources réelles (règlement, documentation…), les rendre plus fiables et citables.
- Le RAG empêche-t-il les erreurs ?
- Non. Si la recherche ramène les mauvais passages, la réponse sera fausse. Il réduit les erreurs sans les supprimer.
- C'est quoi un « chunk » ?
- Un bloc de document découpé pour la recherche : assez grand pour garder du sens, assez petit pour rester précis.
Pour continuer
-
Lis l'histoire en BD, c'est plus rigoloCette notion existe aussi en BDCette notion existe aussi en BD Le document zombie du RAG - Fiche à suivre Embeddings et vecteurs Pour comprendre comment on retrouve les bons passages (la recherche par le sens).
- Fiche à suivre Agents vs workflows Pour orchestrer la recherche dans des systèmes plus autonomes.
- Fiche à suivre Tokens et grands modèles de langage Pour revoir comment le modèle lit le contexte injecté.
SourcesSourcesSources vérifiées