Accueil / Articles

Sept modèles RAG au-delà du chatbot de base et les situations où chacun convient.

Un guide pratique pour les systèmes RAG naïfs, hybrides, correctifs, auto-réflexifs, multi-étapes, graphiques et contextuels : quel manque chacun comble, ses composants, et comment choisir.

Éditeur : REACTAPP.TOP7 min de lecture1602 mots

Sources: Beyond the Chatbot: The Sophisticated Maturation of RAG Architectures

La génération augmentée par la récupération a dépassé sa phase expérimentale. Au début, il s’agissait de placer un PDF dans une base de données vectorielle et de demander à un chatbot un résumé. Aujourd’hui, l’industrie se dirige vers des systèmes d’IA composés, dans lesquels la récupération fait partie d’une architecture cognitive en plusieurs niveaux et non d’une étape unique. À l’échelle des entreprises, l’approche naïve continue de rencontrer des difficultés en termes de précision, de latence et de raisonnement multi-étapes, ce qui a donné naissance à un ensemble de modèles spécialisés. Voici une carte de ces modèles ainsi qu’une méthode pour en choisir un.

Pourquoi les conceptions se multiplient-elles ?

Le RAG de base divise les documents en blocs fixes, les incorpore, sélectionne les k éléments les plus pertinents en fonction de la similarité cosinus et les transmet à un LLM. Cela suffit pour des FAQ simples. Il échoue cependant avec des identifiants précis, de longs rapports contenant des pronoms ambigus, des questions couvrant plusieurs documents, ainsi que dans des domaines à haut risque où les hallucinations sont inacceptables.

Chaque nouvelle version vise l’un ou plusieurs de ces défauts :

  • Baix taux de rappel pour des termes littéraux tels que les IDs de politique, les numéros de pièce ou les références de section.
  • Blocs bruités ou hors sujet qui parviennent au modèle.
  • Absence de solution de secours lorsque le corpus interne ne contient pas de réponse.
  • Absence de vérification automatique pour déterminer si la récupération ou la génération est fondée.
  • Absence de moyen de raisonner à travers plusieurs documents en plusieurs étapes.
  • Perte du contexte au niveau du document à l’intérieur de petits blocs.

La référence : le RAG naïf

Cette approche constitue le point de départ et réduit déjà les hallucinations par rapport à un modèle sans accès à des documents externes, en reliant les réponses au texte récupéré.

Les documents sont divisés en blocs de taille fixe, par exemple 512 tokens. Un modèle dense tel que bge-large ou text-embedding-3-large les encode, et les vecteurs sont stockés dans des systèmes comme Qdrant, Weaviate ou Pinecone. Lors d’une requête, l’embedding de la requête est comparé aux embeddings des blocs par similarité cosinus, et les trois à cinq meilleurs blocs accompagnent la question jusqu’au LLM.

Cette méthode convient aux bases de connaissances internes sur un seul sujet, aux recherches simples dans des FAQ, ainsi qu’aux prototypes où la vitesse prime sur la précision. Les éléments habituels sont une segmentation en blocs de taille fixe avec peu ou pas d’overlaps, un seul index vectoriel dense, aucun ou un réranker trivial, et n’importe quel générateur ajusté selon des instructions spécifiques.

Les faiblesses sont prévisibles. Les requêtes utilisant des mots-clés exacts et les acronymes le font échouer, les limites entre segments lui font perdre du contexte, et rien ne détecte une mauvaise récupération avant le début de la génération.

Recherche hybride avec un réordonneur à codeur croisé

Un seul index dense rate trop d’informations lorsque les requêtes combinent des significations floues avec des identifiants littéraux tels que des numéros de politique, des IDs de section, des SKU ou des citations de réglementations. Les benchmarks montrent que la récupération hybride associée à un réordonneur neuronal surpasse les méthodes en une seule étape pour les documents mixtes texte et tableau.

Deux chiens de race retriever courent côte à côte. Un système lexical peu dense, comme BM25 ou SPLADE, correspond aux termes exacts. Un système sémantique dense capture la similarité conceptuelle. Leurs listes classées sont fusionnées au moyen de la Reciprocal Rank Fusion ou d’un schéma pondéré calibré. Les cinquante à cent meilleurs candidats fusionnés sont ensuite envoyés à un réclassificateur utilisant un encodeur croisé, qui évalue conjointement chaque paire requête-bloc et retourne une liste des cinq à dix meilleurs résultats plus précise. Ces blocs ainsi que la requête parviennent au LLM accompagnés des métadonnées de citation.

Ce système convient aux documents de conformité réglementée où les références précises des sections sont essentielles, aux manuels techniques remplis de numéros de pièce et de codes d’erreur, aux documents financiers contenant des tableaux et des questions numériques précises, ainsi qu’à tout système de production où la qualité de la récupération influence directement la qualité des réponses. Les composants typiques incluent un découpage fixe ou sémantique accompagné de métadonnées, des algorithmes tels que BM25 ou SPLADE associés à un encodeur binaire dense, une fusion basée sur RRF ou apprise automatiquement, un cross-encodeur comme bge-reranker, Cohere Rerank ou Jina Rerank, ainsi qu’un LLM conçu pour gérer les instructions et permettre les citations.

RAG correctif

L’objectif ici est d’empêcher un système de donner des réponses fiables à partir de fragments faibles ou irrelevants. Un contrôle de qualité est appliqué après la récupération des informations, et une solution de secours existe en cas d’insuffisance du corpus interne.

Après la récupération, un évaluateur léger évalue les fragments par rapport à la requête et génère une étiquette de confiance : correct, ambigu ou incorrect. Un routeur prend ensuite une décision. Les résultats corrects sont transmis à l’étape de génération. Ceux qui sont ambigus déclenchent une réécriture de la requête, une décomposition ou une autre stratégie de récupération. Les résultats incorrects activent une recherche sur le web ou une autre source externe, de sorte que les fragments défectueux ne sont jamais utilisés.

Le service client est un domaine naturel où les informations manquantes ne doivent pas être inventées. La documentation technique fréquemment mise à jour mais présentant des lacunes en fait un autre exemple. Il en va de même pour tout domaine où une réponse honnête « Je ne sais pas », accompagnée d’un contexte tiré du Web, vaut mieux qu’une réponse erronée mais assurée. Les composants nécessaires incluent un système de recherche hybride ou avancé, un petit classificateur ou un modèle piloté qui évalue la pertinence, un routeur basé sur des règles ou sur un LLM, une solution de secours telle qu’une API de recherche web ou un stockage secondaire, ainsi qu’un générateur chargé de citer ses sources et d’admettre son incertitude.

RAG auto-réflexif

Cette conception intègre les opérations de recherche et de vérification dans le processus de génération lui-même. Le modèle apprend quand rechercher, si ce qu’il a trouvé est pertinent, et si sa propre réponse est étayée par des preuves.

Celui-ci fonctionne comme une boucle cyclique, pilotée par des tokens spéciaux ou des prompts structurés. Le modèle détermine si une requête nécessite effectivement une recherche, évalue la pertinence des documents trouvés, rédige une réponse en se basant sur eux, critique cette réponse en ce qui concerne ses fondements et son exhaustivité, puis soit la révise, soit refuse de répondre si les éléments de preuve sont insuffisants. L’entraînement ou les prompts l’amènent à privilégier les affirmations étayées et à signaler les allégations non fondées.

L’analyse des contrats juridiques et la comparaison des clauses s’y prêtent. De même pour les résumés de rapports médicaux, les directives cliniques, les audits et les examens de conformité qui doivent être traçables, ainsi que dans tous les contextes où une affirmation non étayée est coûteuse. Les composants incluent un moteur de recherche hybride ou spécifique à un domaine, un générateur formé ou incité à pratiquer l’auto-critique, éventuellement un vérificateur externe qui contrôle les citations par rapport aux extraits récupérés, ainsi que des métriques d’évaluation pour l’ancrage, la fidélité et le comportement d’abstention.

RAG multi-nœuds et de sous-requêtes agentielles

Certaines questions ne peuvent pas être répondues en une seule passe de recherche : comparer des métriques entre entreprises et années, tracer des dépendances entre documents, ou rassembler des données provenant de plusieurs départements.

Un agent reçoit la requête complexe et la divise en plusieurs sous-requêtes. Chacune d’elles est traitée par le système de recherche, soit séquentiellement, soit en parallèle. L’agent réconcilie ensuite les contradictions, fusionne les éléments de preuve et rédige une réponse finale ; il peut revenir en arrière si les résultats intermédiaires révèlent des lacunes.

Les utilisations typiques incluent la comparaison des déclarations 10-K avec les appels sur les résultats financiers, l’analyse des politiques à travers différents documents, des enquêtes impliquant plusieurs départements au sein d’une grande entreprise, ainsi que des assistants de recherche qui rassemblent des informations provenant de multiples sources. Le système nécessite un agent planificateur capable de décomposer les requêtes, un ou plusieurs index pouvant avoir des champs d’application différents, une mémoire à court terme pour stocker les résultats intermédiaires, un synthétiseur pour fusionner les sous-réponses, et éventuellement une étape de vérification de la cohérence entre celles-ci.

GraphRAG

La récupération de blocs de texte plats manque les relations qui s’étendent sur plusieurs liens, comme celles reliant des comptes suspects dans le cadre de la lutte contre le blanchiment d’argent, suivre un parcours clinique ou comprendre une chaîne d’approvisionnement complexe.

Un LLM ou un pipeline d’extraction identifie les entités et les relations dans les documents. Celles-ci sont intégrées dans un graphe de connaissances, que ce soit dans Neo4j ou une structure en mémoire. Les requêtes parcourent ensuite le graphe pour trouver des connexions à plusieurs étapes, par exemple le fait qu’une entité donnée traite une certaine condition dans une clinique spécifique. Les sous-graphes récupérés sont combinés avec des blocs de texte et transmis au LLM.

Il trouve son application dans la détection de la fraude et le respect des réglementations relatives aux crimes financiers, le soutien à la prise de décision clinique, la cartographie des organisations ou des chaînes d’approvisionnement, ainsi que dans tout domaine où les liens entre entités sont aussi importants que le texte lui-même. Les éléments de base sont un extracteur d’entités et de relations, un stockage de graphes tel que Neo4j, NetworkX ou une base de données de graphes gérée, un outil de récupération combinant la navigation dans le graphes à une recherche vectorielle optionnelle sur les descriptions des nœuds, et un générateur capable de prendre en compte à la fois le contexte textuel et le contexte graphique.

Chunking contextuel ou tardif

Un fragment dépourvu de son contexte peut perdre son sens. Une phrase comme « les revenus ont augmenté de 15 pour cent » ne précise pas quelle entreprise, quelle année ou quel segment elle décrit.

La solution consiste à faire en sorte qu’un LLM ajoute cinquante à cent tokens de contexte global du document à chaque morceau avant l’incorporation. Ce en-tête peut contenir le titre du document, la section, l’année fiscale, le nom de l’entité et d’autres métadonnées importantes. Chaque morceau enrichi est incorporé et indexé, de sorte que les morceaux récupérés arrivent avec leur contexte, réduisant ainsi les suppositions nécessaires au générateur.

Cela se traduit par de longs rapports PDF contenant des tableaux, des graphiques et des pronoms ambigus, des états financiers pluriannuels et des déclarations réglementaires, ainsi que des normes techniques présentant des schémas de sections répétitifs. En bref, tout corpus où des expressions telles que « l’entreprise », « cette condition » ou « ils » apparaissent sans référent local clair. Les composants nécessaires sont un outil de segmentation, qu’il soit basé sur des LLM ou sur des règles, qui ajoute les en-têtes ; un système de recherche hybride ou dense ; éventuellement un réordonneur utilisant un cross-encoder ; et un générateur capable d’utiliser les tokens de contexte supplémentaires.

Choix du modèle

Tenez compte des éléments suivants comme point de départ, puis ajustez en fonction des résultats d’évaluation.

  • Recherche interne simple et prototypes : restez sur une approche RAG naïve.
  • Systèmes de production, en particulier pour des termes exacts et des tableaux : passez à une recherche hybride avec réordonnancement via un cross-encoder.
  • Corpus avec des lacunes et des réponses incorrectes entraînant des pertes financières réelles : ajoutez une couche corrective.
  • Travaux juridiques, médicaux ou d’audit nécessitant une base solide : choisissez un RAG auto-réfléchissant.
  • Questions couvrant de nombreux documents et nécessitant plusieurs étapes : utilisez une récupération multi-étapes agente.
  • Tâches dépendant des relations entre entités : intégrez GraphRAG.
  • Documents longs dont les références ambiguës nuisent à la qualité : ajoutez un découpage contextuel.
  • Les systèmes matures combinent généralement plusieurs de ces éléments. Une architecture courante et efficace en 2026 associe une récupération hybride à la fusion RRF, un réclassement par encodeur croisé et un découpage contextuel, avec une solution corrective pour les requêtes à faible confiance.