Des articles pour ceux qui
livrent le stack
Textes sur React, Node.js, TypeScript et AI. Un corps traduit est affiché quand il existe. Sinon vous voyez le texte anglais et une note qui le dit.
Tag : Retrieval
Trois raisons pour lesquelles les systèmes RAG en production échouent : contexte fragmenté, dérive et mauvaise utilisation.
Trois manières dont la génération de RAG échoue : un contexte fragmenté dû à la segmentation en chunks, une dérive à mesure que la base de connaissances s’agrandit, et une utilisation incorrecte malgré une bonne récupération des informations, avec des solutions au niveau des couches.
11 min de lectureRéclassement dans RAG : encodeurs croisés contre juges LLM et leur latence
Comment un réordonneur en deux étapes améliore le classement des candidats dans RAG, en comparant les encodeurs croisés avec des juges basés sur des LLM, les coûts de latence, les modes de défaillance et les moyens de les évaluer.
14 min de lecturePourquoi RAG existe : la mémoire paramétrique, la récupération dense et l’article de 2020
Pourquoi RAG existe : les limites de la mémoire paramétrique, comment BM25 et les embeddings ont conduit à une récupération dense, et quels compromis RAG-Sequence et RAG-Token présentent dans l’article.
7 min de lectureDébogage de la récupération RAG : Recall@K, BM25, fusion hybride et réclassement
Une petite expérience menée sur un pipeline RAG qui a classé le bon fragment en quatrième position, montrant comment le fractionnement, BM25, la fusion des classements et le reclassement modifient Recall@3 et MRR.
11 min de lectureSept architectures RAG au-delà du pipeline naïf et les cas d’usage de chacune.
Le RAG naïf présente des défaillances de manière prévisible. Sept architectures, allant des notes contextuelles aux systèmes multi-agents et au récupération de mémoire, avec leurs avantages et inconvénients ainsi que les situations où chacune doit être utilisée.
9 min de lecturePourquoi le réclassement est la meilleure solution économique dans un pipeline RAG
Récupérer 50 éléments, puis les réclasser en 5 : comment le réclassement par encodeur croisé corrige l’ordre dans une pipeline RAG, les avantages et les latences à attendre, quand l’omettre, et ce qui doit être intégré.
8 min de lecturePourquoi RAG donne encore des réponses incorrectes : recherche hybride, réclassification et Recall@K
Des fragments propres ne garantissent pas des réponses de qualité. Voyez où l’extraction de vecteurs échoue et comment la fusion, un réclassificateur à codeur croisé, HyDE et la mesure Recall@K y remédient.
6 min de lectureMultiDocFusion : segmentation hiérarchisée pour RAG sur de longs PDFs
MultiDocFusion conserve le contexte des sections dans chaque partie d’un PDF long : détection du layout, OCR, agrégation via un arbre de en-têtes et des parcours en profondeur, pour une récupération RAG 8-15% plus efficace.
7 min de lectureCouche par couche : conception d’un pipeline de récupération RAG réel pour les agents IA
Planifiez un pipeline RAG avec les contrats SourceDocument et DocumentChunk, le découpage en chunks, les embeddings ainsi que ChromaDB, tout cela derrière un RetrievalService qui assure la stabilité de l’agent.
10 min de lecture
À propos de ces articles
Devis en 24 h
Besoin du même stack en couche opérateur ? Envoyez le brief — devis sous 24 h.