Initial vault setup

concepts/rag.md

@@ -0,0 +1,48 @@
+---
+title: RAG (Retrieval-Augmented Generation)
+created: 2026-06-06
+updated: 2026-06-06
+type: concept
+tags: [IA, architecture, agent]
+confidence: high
+contested: false
+sources: [synthesized]
+---
+# 🔍 RAG (Retrieval-Augmented Generation)
+
+## Définition Courte
+Architecture qui **augmente** un LLM en lui fournissant des documents pertinents récupérés dans une base de connaissances au moment de la requête, pour générer une réponse informée.
+
+## Explication Détaillée
+Étapes :
+1. **Ingestion** : découper les documents en chunks, les transformer en **embeddings**, les stocker dans une base vectorielle.
+2. **Retrieval** : à la question de l'utilisateur, on calcule l'embedding de la question, on cherche les chunks les plus similaires.
+3. **Augmentation** : on injecte ces chunks dans le prompt du LLM.
+4. **Generation** : le LLM répond en s'appuyant sur le contexte fourni.
+
+**Avantages vs fine-tuning** : pas d'entraînement, données toujours à jour, traçabilité des sources.
+**Inconvénients** : dépendance à la qualité du retrieval, taille de contexte limitée.
+
+## Cas d'Usage
+- Chatbot de support client (base de connaissances).
+- Assistant de documentation interne.
+- Recherche sémantique dans une bibliothèque.
+
+## Outils Liés
+- **Vectoriels** : Qdrant, ChromaDB, Weaviate, Pinecone.
+- **Frameworks** : LangChain, LlamaIndex, Haystack.
+- **Embeddings** : OpenAI, Cohere, BGE, Nomic Embed.
+
+## Pages Liées
+- [[fine-tuning]]
+- [[glossaire-ia]]
+- [[comparatif-stockage]]
+
+## Questions Ouvertes
+- Comment évaluer la qualité d'un pipeline RAG ?
+- Le RAG va-t-il fusionner avec les longs contextes (1M+ tokens) ?
+
+## Liens
+- [[base-de-donnees-vectorielle]]
+- [[tokenisation]]
+- [[base-de-donnees-solo-dev]]