Maîtriser l'ingénierie RAG4 / 10
Hybrid Retrieval — Keyword + Vector
La recherche vectorielle comprend le sens mais échoue sur les termes exacts, les identifiants et les mots rares. La recherche par mots-clés maîtrise ceux-ci et manque les paraphrases. Utilisez les deux.
La recherche vectorielle excelle pour "que signifie ceci exactement" et échoue sur "trouve le bloc qui dit littéralement ERR_CONN_4032." La recherche par mots-clés est l'inverse. La RAG en production utilise les deux.
Où chacune excelle
- Vectorielle — paraphrase, concepts, "comment annuler" correspondant à "résiliation d'abonnement."
- Mots-clés (BM25) — termes exacts, codes d'erreur, noms de produits, acronymes, jargon rare que l'embedding lisse.
Exécutez les deux pour chaque requête ; vous obtenez deux listes classées.
Fusionner les listes avec RRF
Reciprocal Rank Fusion combine les listes classées sans nécessiter des scores comparables : chaque document obtient 1 / (k + rank) de chaque liste, additionnés. Les documents bien classés dans l'une ou l'autre liste remontent ; les documents forts dans les deux dominent.
score(doc) = Σ 1 / (k + rank_in_list_i) # k ≈ 60
C'est quelques lignes de code, ne nécessite aucun calibrage de score, et surpasse régulièrement n'importe quel récupérateur seul.
Série — Maîtriser l'ingénierie RAG
- Partie 01Pourquoi la RAG naïve échoue en productionLa démo de recherche vectorielle en 50 lignes qui impressionne dans un notebook s'effondre dès que de vrais utilisateurs posent de vraies questions. Voici pourquoi — et la carte pour y remédier.
- Partie 02Chunking — The Decision That Sets Your CeilingYou can't retrieve what you chunked badly. Chunking is the most under-rated lever in RAG — and the cheapest to get right.
- Partie 03Embeddings & Vector Stores 101Un embedding transforme le sens en géométrie. Un vector store rend cette géométrie explorable en millisecondes. Maîtriser les deux, et la retrieval devient facile.
- Partie 04Hybrid Retrieval — Keyword + Vector — vous êtes iciLa recherche vectorielle comprend le sens mais échoue sur les termes exacts, les identifiants et les mots rares. La recherche par mots-clés maîtrise ceux-ci et manque les paraphrases. Utilisez les deux.
- Partie 05Re-Ranking — The Cheap Quality WinLa récupération vous donne 30 chunks plausibles. Un re-ranker les lit par rapport à la question réelle et remonte les véritablement pertinents en haut.
- Partie 06Prompting the Generator — Grounding & CitationsGreat retrieval is wasted if the model ignores it or can't point to its sources. Grounding is a prompt-design discipline, not an afterthought.
- Partie 07Évaluation — On ne peut pas améliorer ce qu'on ne mesure pasSans un ensemble d'évaluation, chaque changement RAG est une question de ressenti. Avec un, vous affinez le chunking, la récupération et les prompts avec un chiffre qui vous dit si vous avez aidé ou nui.
- Partie 08Gestion des hallucinations et garde-fousQuand la récupération ne trouve rien, un modèle utile invente. Les garde-fous transforment « confidemment faux » en « honnêtement incertain » — la différence que les utilisateurs font confiance.
- Partie 09Discipline en matière de coût et de latenceUne requête RAG touche aux embeddings, une base de données vectorielle, un re-ranker et un LLM. Chacun ajoute des millisecondes et des centimes. À grande échelle, la discipline ici fait la différence entre une marge bénéficiaire et un désastre.
- Partie 10The Production RAG Reference ArchitectureChaque élément, assemblé : ingestion, récupération hybride, re-ranking, génération fondée, garde-fous, évaluation et mise en cache — le blueprint que vous pouvez déployer.