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 : rags
Notes pratiques : Améliorer les performances de RAG — Partie 2 : HyDE (Document hypothétique)
Guide pas à pas pratique : Améliorer les performances de RAG — Partie 2 : HyDE (Document hypothétique : contrats, vérifications et emplacements pour du code intégrable destinés aux équipes utilisant ce modèle).
6 min de lectureNotes pratiques : Conception d’un cache pour les agents IA : Mémorisation en interne du cycle
Guide pratique pas à pas : Conception d’un cache pour les agents IA – Mémorisation en boucle : contrats, vérifications et emplacements de code prêts à l’emploi pour les équipes qui implémentent ce modèle.
6 min de lectureRecherche sémantique vs recherche vectorielle : quelle est la différence, et
Recherche sémantique versus recherche vectorielle : recherche par mots-clés en premier, puis par vecteurs et signification, selon les avantages de chacune, et la manière dont elles se combinent pour la récupération dans les systèmes RAG.
14 min de lectureRAG, c’est plus qu’un chatbot : ce qui se passe réellement à l’intérieur
RAG est bien plus qu’un chatbot : l’engine d’ingestion, la base de données vectorielle, les étapes de récupération et de génération, ainsi que les raisons pour lesquelles les démos cachent ce dont ont réellement besoin les pipelines de production.
15 min de lectureDu ajustement fin à la précision : Réduction significative
Ajustement fin combiné à RAG pour réduire les hallucinations : pourquoi l’ajustement fin seul est insuffisant, l’architecture avec Ollama, et comment la précision s’est améliorée dans un domaine restreint.
13 min de lectureConstruction de systèmes RAG qui fonctionnent réellement en production
Systèmes RAG opérationnels en production : ingestion de documents, segmentation en blocs, génération d’embeddings, base de données vectorielle, récupération d’informations et génération par modèles de langage grandeur nature restant ancrés dans les sources.
18 min de lecturePas d’histoires. Seulement le code minimal nécessaire pour créer un RAG fonctionnel.
Le code minimal pour une application RAG fonctionnelle, sans fioritures : des clés, des dépendances, un modèle d’embedding, Qdrant hébergé pour les vecteurs et Gemini pour générer les réponses.
13 min de lectureNotes pratiques : Méthodes intelligentes pour améliorer les réponses des agents IA en production
Guide pratique détaillé : Méthodes efficaces pour améliorer les réponses des agents IA en production : contrats, vérifications et emplacements de code prêts à l’emploi pour les équipes qui utilisent ce modèle.
9 min de lectureNotes pratiques : RAG natif en vecteurs sur Oracle : embeddings, HNSW/IVF et approches hybrides
Guide pas à pas des notes pratiques : RAG natif en vecteurs sur Oracle : embeddings, HNSW/IVF et approches hybrides ; contrats, vérifications et emplacements de code prêts à l’emploi pour les équipes utilisant ce modèle.
11 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.