Retrieval-Augmented Generation (RAG)

Définition simple

Fait vérifié. Le RAG enrichit la génération d'un modèle avec des informations récupérées dans une source externe au moment de la requête. Le modèle répond à partir de sa consigne et des passages sélectionnés.

Fonctionnement

Les documents sont indexés, souvent par morceaux et par embeddings. La question déclenche une recherche ; les meilleurs passages sont placés dans la fenêtre de contexte, puis le LLM formule la réponse. Une version plus avancée combine mots-clés, vecteurs, graphe et reranking.

Confusion fréquente

Le RAG n'apprend pas durablement le contenu au modèle et ne garantit pas la vérité. Si la recherche ramène le mauvais passage — ou si le modèle l'interprète mal — la réponse reste erronée.

Limites

Le découpage peut casser une idée, la recherche manquer une relation indirecte et les documents être périmés. Une citation n'est utile que si elle pointe réellement vers la preuve annoncée.

Application dans Alfred

Expérimentation Alfred. recall combine la lecture directe du vault et le classement sémantique. Le résultat de recherche sert à localiser les notes ; l'état actuel est ensuite vérifié dans la source canonique ou le système live.

Ma lecture

Interprétation personnelle. Le RAG est une plomberie de contexte, pas une mémoire magique. Sa qualité dépend autant de l'hygiène documentaire que du modèle d'embedding.

Sources

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
• Building effective agents — Anthropic