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 : vector-search
Un système de fichiers virtuel basé sur MongoDB pour les agents avancés de LangChain.
Un système de fichiers virtuel basé sur MongoDB pour LangChain Deep Agents : octets stockés dans un système de stockage d’objets, recherche dans Atlas grâce à grep hybride, fusion de classements, segmentation en blocs et synchronisation.
8 min de lectureDu prototype au RAG en production : recherche hybride, agents et évaluation
Une architecture de référence pour le RAG en production dans .NET : segmentation en blocs, récupération hybride et par graphe, réclassement, planification des requêtes, sortie typée et évaluation continue.
8 min de lectureFiltrage des métadonnées pour Databricks RAG à l’aide d’ai_extract et d’ai_prep_search
Fusionner ai_parse_document, ai_extract v2.1 et ai_prep_search afin que chaque morceau contienne des métadonnées saisies, permettant à la recherche vectorielle de filtrer avant de classer par similarité.
7 min de lectureUne architecture RAG pratique sur Firebase et Vertex AI avec Firestore Vectors
RAG sur Firebase avec des embeddings de Vertex AI et la recherche vectorielle de Firestore : lotification, filtres de métadonnées, isolation des locataires, prompts ciblés, mise en cache et métriques.
10 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 lectureRecherche d’images hybride à grande échelle : SigLIP, SPLADE, YOLOv8 et Gemini Captions
Conception d’un système de recherche sur un million d’images qui associe des embeddings denses et sparses à la détection d’objets, au reconnaissance d’entités, à la recherche sécurisée et à des descriptions écrites par des LLM.
6 min de lectureComment RAG permet à un LLM d’accéder à vos données privées : fragments, vecteurs, prompts
Comprendre la génération augmentée par la récupération, de l’ingestion à la requête, à l’aide d’un petit exemple en Node.js, de trois modes de défaillance courants ainsi que d’un tableau comparant RAG et l’ajustement fin.
8 min de lectureUn pipeline RAG local utilisant Qdrant, fastembed et Gemini en Python
Un petit pipeline RAG en Python : diviser les documents locaux en blocs, les intégrer hors ligne avec fastembed, conserver les vecteurs dans Qdrant, et répondre aux questions avec Gemini depuis la ligne de commande.
6 min de lectureDix bugs de récupération silencieux dans les systèmes RAG en production, et comment chacun d’eux est corrigé.
Du taille des blocs et de l’overlap à la recherche hybride, RRF, le reranking, le choix des embeddings et les évaluations CI : dix erreurs de récupération à l’origine de réponses RAG incorrectes et leurs corrections.
16 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.