RAG = Retrieval-Augmented Generation, c'est-à-dire Génération Augmentée par la Récupération — chaque question devient un examen à livre ouvert.
Simulateur de pipeline RAG
Posez une question sur la base documentaire fictive d'une entreprise (règlement intérieur, accord télétravail, politique de frais, notes de version). Le simulateur déroule les 4 étapes du pipeline de requête, une à une.
💡 Base indexée (ingestion déjà faite, hors ligne) : 8 chunks issus de 4 documents internes. L'ingestion — découper, vectoriser, indexer — a eu lieu avant ; vous ne voyez ici que le pipeline de requête (en ligne).
1 Vectorisation de la question (embedding)
2 Récupération : les k chunks les plus proches (ici k = 3)
3 Assemblage du prompt : instruction + contexte + question
4 Génération de la réponse
⚠ Simulation pédagogique : les vecteurs affichés sont simplifiés (8 dimensions au lieu de centaines ou milliers ⚠) et la « génération » est simulée. Dans un vrai système, chaque étape est assurée par un modèle d'embedding et un LLM réels — mais la logique du pipeline est exactement celle-ci.
Visualiseur de chunking
Collez un texte (ou utilisez l'exemple) et comparez trois stratégies de découpage. Observez ce que chaque stratégie casse — ou préserve.
💡 À observer : en taille fixe, le tableau des barèmes est coupé en plein milieu — une ligne « 130 € / nuit » sans en-tête ne veut plus rien dire. La découpe structurelle respecte les sections et garde le tableau entier. Le chevauchement (surligné en cuivre) évite qu'une phrase-frontière disparaisse des deux chunks.
Explorateur de similarité vectorielle
Rappel de la Session 1 : le sens devient géométrie. Chaque mot est un point (ici en 2 dimensions pour la lisibilité ; en réalité des centaines ⚠). Cliquez sur deux mots pour mesurer leur similarité cosinus — le cosinus de l'angle entre leurs vecteurs.
Travail & RHFinanceTechniqueCodes exacts (⚠ pièges)
Cliquez sur deux points pour comparer. Suggestions : congés vs vacances (proches), puis ERR-4471 vs ERR-4472 (le piège des codes).
Du RAG vanilla au RAG robuste
Lancez une cascade pédagogique : multi-query et HyDE améliorent la recherche, une récupération large prépare les candidats, un cross-encoder effectue le reranking, puis la porte de preuve décide de répondre ou de refuser.
1 · Reformuler — multi-query + HyDE
2 · Récupérer large — rappel d'abord
3 · Reranking — cross-encoder
4 · Porte de preuve — répondre ou refuser
⚠ Limites : simulation déterministe, pas un benchmark. Multi-query, HyDE et reranking ajoutent latence et coût. Une auto-évaluation du modèle n'est pas une preuve externe. Ne transmettez jamais de données confidentielles à une recherche web sans politique et autorisation explicites.
Évaluation : conserver une étape seulement si elle améliore rappel/précision, citations soutenues ou refus correct sur un jeu de test annoté, dans les budgets de latence, coût et confidentialité.