Des connaissances figées
Un modèle ignore ce qui s’est passé après son entraînement et ce qui n’a jamais été public : vos tarifs, vos procédures, vos contrats, vos décisions.
Guide · RAG IA
RAG IA : comment l’IA répond à partir de vos sources.
Le RAG (Retrieval-Augmented Generation, ou génération augmentée par la recherche) permet à une IA de chercher l’information dans vos documents avant de répondre. Définition, fonctionnement étape par étape, différences avec le fine-tuning, exemples et limites : l’essentiel pour comprendre et utiliser le RAG.
DéfinitionQu’est-ce que le RAG
Qu’est-ce que le RAG
en intelligence artificielle ?
Le RAG (pour Retrieval-Augmented Generation, en français génération augmentée par la recherche) est une méthode qui associe deux étapes : rechercher les passages utiles dans un ensemble de documents, puis générer une réponse avec un modèle de langage (LLM) à partir de ces passages.
Concrètement, quand vous posez une question, le système ne se contente pas de ce que le modèle a appris pendant son entraînement : il va d’abord chercher dans votre base de connaissances les extraits pertinents, les ajoute à la demande, et le modèle rédige sa réponse en s’appuyant dessus. La réponse peut alors citer ses sources.
Le terme a été popularisé par une publication de chercheurs de Facebook AI Research en 2020 (Lewis et al.). Il désigne aujourd’hui l’architecture la plus répandue pour brancher une IA générative sur les données d’une entreprise.
Pourquoi le RAGUn LLM seul ne connaît
Un LLM seul ne connaît
ni vos documents, ni l’actualité.
ChatGPT, Claude, Gemini ou Mistral savent rédiger et raisonner, mais leurs connaissances s’arrêtent à leurs données d’entraînement. Le RAG comble trois manques.
Des réponses invérifiables
Sans source, impossible de savoir d’où vient une affirmation. Avec le RAG, la réponse renvoie aux passages qui l’ont nourrie.
Moins d’inventions
Quand l’information manque, un modèle peut combler le vide avec une réponse plausible mais fausse. Fournir le bon contexte réduit ce risque, sans le supprimer.
FonctionnementComment fonctionne le RAG,
Comment fonctionne le RAG,
en 6 étapes.
Les trois premières étapes ont lieu une fois, à l’import des documents. Les trois suivantes se répètent à chaque question.
Extraire le contenu
Les documents sont lus : texte des fichiers, pages web, transcription des vidéos et des fichiers audio.
Découper en passages
Le texte est découpé en morceaux (chunks) qui gardent leur référence au document d’origine.
Créer l’index vectoriel
Un modèle d’embedding traduit le sens de chaque passage en vecteur numérique, stocké dans une base vectorielle.
Rechercher par le sens
À chaque question, le système compare la question à l’index et sélectionne les passages les plus proches, même sans les mêmes mots.
Augmenter la demande
Les passages retenus sont ajoutés à la question, avec des consignes : répondre à partir des sources, dire quand l’information manque.
Générer et citer
Le LLM rédige la réponse à partir de ce contexte et indique les documents utilisés, pour que vous puissiez vérifier.
Le modèle n’est pas réentraîné : on lui fournit du contexte au moment de répondre. Pour le détail des deux approches, voir RAG vectoriel et LLM Wiki.
VocabulaireRAG LLM : les mots
Voir le schéma détailléRAG LLM : les mots
à connaître.
Le RAG combine un moteur de recherche et un modèle de langage. Quelques notions suffisent pour comprendre ce qui se passe sous le capot et poser les bonnes questions à un fournisseur.
Glossaire du RAG
EmbeddingReprésentation numérique du sens d’un texte
Deux phrases proches par le sens ont des vecteurs proches, même avec des mots différents.
Base vectorielleIndex qui stocke les vecteurs des passages
Elle permet de retrouver en quelques millisecondes les passages les plus proches d’une question.
ChunkMorceau de document indexé
Trop petit, il perd le contexte ; trop grand, il noie l’information utile.
Recherche hybrideSens + mots-clés
Combine la recherche vectorielle et la recherche par mots exacts, utile pour les références et les codes.
Prompt augmentéQuestion + passages + consignes
C’est ce que reçoit réellement le modèle au moment de répondre.
ComparerRAG, fine-tuning ou long contexte :
RAG, fine-tuning ou long contexte :
quelle différence ?
Trois façons de faire travailler un LLM sur des connaissances qu’il n’a pas. Elles se combinent souvent : le fine-tuning règle la manière de répondre, le RAG apporte les faits.
RAG
Les connaissances restent dans vos documents ; le modèle les consulte à chaque question.
- Idéal : informations nombreuses, qui changent souvent, à sourcer
- Mise à jour : il suffit d’ajouter ou retirer un document
- Limite : dépend de la qualité de la recherche et des sources
Fine-tuning
On ajuste les paramètres du modèle sur des exemples pour modifier son comportement.
- Idéal : un style, un format ou une tâche très spécifique
- Mise à jour : nouvel entraînement à chaque changement
- Limite : coûteux, ne cite pas de sources, peu adapté aux faits qui évoluent
Long contexte
On transmet des documents entiers au modèle à chaque question.
- Idéal : analyser ponctuellement quelques documents
- Mise à jour : rien à préparer
- Limite : coût et lenteur qui augmentent avec le volume, pas adapté à une grande base
Pour une base de connaissances d’entreprise, qui évolue et dont les réponses doivent être vérifiables, le RAG est en général le point de départ.
Les variantes du RAG
Retrouver. Structurer. Protéger.
Le RAG n’est pas une technologie unique. Selon le besoin, on cherche des passages, on structure le savoir en amont ou on protège les données avant traitement. Ces trois approches sont disponibles dans Narratheque, au même prix par base.
RAG vectoriel
« Je veux trouver la bonne information dans mes documents. »
La forme classique : recherche des passages les plus proches de la question, puis génération.
ExempleRetrouver une procédure de retour dans les notices SAV.
Comprendre le RAG vectorielWiki LLM
« Je veux relier des informations dispersées. »
L’IA organise le corpus en fiches reliées et synthétisées en amont ; la recherche s’appuie sur ce savoir structuré.
ExempleReconstituer l’historique d’un projet à partir de plusieurs documents.
Explorer l’approche wikiRAG avec anonymisation
« Je veux limiter l’exposition des données sensibles. »
Les informations identifiantes prises en charge sont remplacées ou chiffrées avant d’être transmises au modèle.
ExempleInterroger des dossiers clients sans transmettre les noms.
Voir l’anonymisationRAG en entrepriseDes exemples concrets
Des exemples concrets
d’utilisation du RAG.
Assistant interne
Les équipes interrogent procédures, accords et guides internes, et obtiennent une réponse avec le document de référence.
Assistant interneChatbot de site web
Les visiteurs posent leurs questions ; le chatbot répond à partir d’un corpus public dédié : offres, FAQ, pages du site.
Chatbot de site webService client et SAV
Des réponses cohérentes sur les produits, garanties et retours, appuyées sur la documentation et validées par l’équipe.
Service clientContenus et marketing
Rédiger à partir de votre positionnement, de vos cas clients et de vos contenus existants plutôt que de généralités.
Contenus & campagnesDocumentation et expertise
Rendre consultable le savoir d’un cabinet, d’un service technique ou d’une équipe qualité, avec les références.
Wiki de connaissancesAgents IA
Des agents qui s’appuient sur une base de connaissances pour exécuter une tâche métier avec le bon contexte.
Agents IALimites et bonnes pratiquesCe que le RAG ne fait pas
Ce que le RAG ne fait pas
à votre place.
La plupart des déceptions viennent des sources et de la gouvernance, pas de la technologie.
Des sources de qualité
Le RAG répète ce qu’il trouve. Documents périmés ou contradictoires produisent des réponses périmées ou contradictoires.
Un bon découpage
Un passage coupé au mauvais endroit perd son sens. La préparation des documents compte autant que le modèle.
Des droits d’accès cohérents
Le RAG ne gère pas les autorisations à votre place : une base doit contenir ce que son public a le droit de voir.
Des erreurs toujours possibles
Le RAG réduit les inventions, il ne les supprime pas. Les réponses engageantes se vérifient dans les sources citées.
Des données qui circulent
Avec un modèle externe, les extraits retenus lui sont transmis pour produire la réponse. Choisissez les modèles selon la sensibilité.
Une base à entretenir
Ajouter, retirer, mettre à jour : une base de connaissances vit avec l’organisation.
RAG et données sensibles
Le lieu de stockage de la base et le lieu de traitement par le modèle sont deux questions distinctes. Vérifiez où passent les extraits transmis, les conditions de réutilisation du fournisseur, et protégez les informations identifiantes avant traitement quand c’est nécessaire.
Comprendre le parcours des donnéesMettre en place un RAGUtiliser le RAG
Utiliser le RAG
sans développer.
Monter soi-même un RAG demande de choisir un modèle d’embedding, une base vectorielle, une stratégie de découpage et de gérer les droits. Avec Narratheque, vous importez vos documents, pages web, vidéos ou fichiers audio : l’indexation est faite pour vous, et vous choisissez le modèle (OpenAI, Anthropic, Google, Mistral ou modèles locaux) qui répond.
Une base de connaissances commence à 29 € HT par mois (formule Simple : 1 base, 2 utilisateurs, budget d’usage inclus).
Votre premier RAG
- Choisir un usage précis.
- Importer les sources utiles.
- Définir les accès et les modèles.
- Tester les réponses et leurs sources.
Pour approfondir
Aller plus loin sur le RAG.
- RAG vectoriel et LLM Wiki
Deux façons de donner du contexte à l’IA, schémas et exemple concret.
- Base de connaissances IA
Comment créer et sécuriser la base qui alimente le RAG.
- Abonnement multi-IA
Choisir le modèle qui génère la réponse, selon la tâche.
- Anonymisation des données pour une IA
Que masquer avant d’envoyer des extraits à un modèle.
- Lewis et al., 2020 : Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
La publication de recherche à l’origine du terme RAG.
Questions fréquentes
RAG IA : vos questions.
Qu’est-ce que le RAG en IA ?
Le RAG (Retrieval-Augmented Generation, génération augmentée par la recherche) est une méthode qui fait chercher à l’IA les passages utiles dans un ensemble de documents avant de générer sa réponse. Le modèle s’appuie ainsi sur vos sources et peut les citer, au lieu de se limiter à ses données d’entraînement.
Que signifie RAG ?
RAG est l’acronyme anglais de Retrieval-Augmented Generation, que l’on traduit par génération augmentée par la recherche (ou par récupération). Le terme a été popularisé par une publication de Facebook AI Research en 2020.
Quelle différence entre RAG et fine-tuning ?
Le fine-tuning réentraîne le modèle pour modifier son comportement ; le RAG lui fournit des documents au moment de répondre, sans le réentraîner. Le RAG convient mieux aux informations qui changent et doivent être sourcées ; le fine-tuning à un style ou une tâche très spécifique.
Le RAG supprime-t-il les hallucinations ?
Non. Il les réduit en apportant le bon contexte, mais une réponse peut rester incomplète ou erronée si la recherche rate un passage ou si les sources sont mauvaises. Les informations importantes se vérifient dans les documents cités.
Quels documents peut-on utiliser dans un RAG ?
Tout contenu dont on peut extraire du texte : fichiers, pages web, transcriptions de vidéos et de fichiers audio, notes. La qualité compte plus que la quantité : retirez les doublons et les versions obsolètes.
Faut-il savoir coder pour utiliser le RAG ?
Pour construire un RAG soi-même, oui : il faut assembler un modèle d’embedding, une base vectorielle et un LLM. Une plateforme comme Narratheque le fait pour vous : vous importez vos documents et posez vos questions.
Le RAG est-il compatible avec des données sensibles ?
C’est possible avec des précautions : séparer les bases par public, choisir les modèles selon la sensibilité, et protéger les informations identifiantes avant traitement. Avec un modèle externe, les extraits retenus lui sont transmis pour produire la réponse.
Combien coûte un RAG ?
Un RAG développé sur mesure demande du temps de développement et des coûts d’infrastructure et d’API. Avec Narratheque, une base de connaissances utilisable en RAG commence à 29 € HT par mois, avec un essai gratuit de 14 jours.
Passer à la pratique
Le RAG, appliqué à vos documents.
Partons d’un corpus concret et de quelques questions réelles pour voir ce que le RAG peut faire pour votre organisation.
