Chapitre 3 — Génération augmentée par la récupération

Troisième billet de la tournée chapitre par chapitre de LLM Primer V : Construire des applications LLM réelles. Le chapitre qui parcourt le pipeline RAG de bout en bout et sépare la démo qui marche sur vos dix documents favoris du système qui survit au contact de votre corpus réel.

Pourquoi ce chapitre existe

Un modèle de base sait ce que son corpus d'entraînement lui a montré, et rien d'autre. Le produit que vous construisez a presque certainement besoin que le modèle raisonne sur des éléments extérieurs à ce corpus — documents internes, tickets de la semaine dernière, historique de commandes du client, une politique publiée ce matin. La génération augmentée par la récupération est la discipline d'ingénierie qui ferme l'écart : au moment de la requête, récupérer le matériau pertinent depuis un système de référence, le mettre en forme dans le prompt et laisser le modèle générer face à lui. La version naïve est un appel d'embedding et un top-k. La version de production est un pipeline avec stratégie de découpage, transformation de requête, score hybride, re-classement et boucle d'évaluation. Le Chapitre 3 parcourt le pipeline de bout en bout, puis les techniques qui transforment un pipeline de démo en déploiement.

3.1 Le pipeline en cinq étapes et la récupération hybride

Le pipeline RAG minimal a cinq étapes, et chacune interagit avec les autres d'une manière évidente une fois vue. Les chargeurs préservent la structure — titres, chemin de section, horodatages, URLs source, étiquettes de contrôle d'accès — parce que tout ce qui suit dépend de ce que le chargeur a gardé. Les découpeurs coupent le long du grain naturel du document, non selon un nombre de tokens arbitraire. Les embedders projettent les segments dans un espace vectoriel dont la géométrie est entièrement déterminée par la distribution d'entraînement du modèle d'embedding. Les récupérateurs trouvent les voisins les plus proches. Les générateurs sont sollicités avec le contexte récupéré, et le cadrage compte : « réponds en utilisant uniquement le contexte ci-dessous, et réponds sinon "je n'ai pas cette information" » est le motif unique le plus efficace pour réduire l'hallucination en RAG de production. La récupération dense pure comprend la paraphrase mais rate les identifiants exacts ; la récupération lexicale attrape les identifiants mais rate la sémantique ; la récupération hybride, fusionnée par Reciprocal Rank Fusion, obtient les deux effets, et un re-classeur cross-encoder sur le top-50 fusionné apporte encore dix à vingt pour cent de précision.

3.2 Le découpage, là où la qualité vit ou meurt

Le défaut « découper tous les 500 tokens avec 50 de recouvrement » marche pour une part surprenante des corpus génériques et échoue sur presque tous les corpus spécialisés. Le découpeur structurel parcourt HTML ou Markdown par niveau de titre et émet un segment par section feuille, préfixée par le fil d'Ariane des titres ancêtres. Le découpeur parent-enfant embed des petits segments enfants pour la précision de récupération mais étend chaque succès à son paragraphe parent avant de le transmettre au générateur, découplant unité de récupération et unité de contexte. Le découpeur sémantique parcourt une séquence d'embeddings de phrases et coupe là où le sujet change. Composés — structurel d'abord, sémantique à l'intérieur des sections longues — les deux motifs couvrent presque tout type de source qu'un corpus réel contient. Et chaque segment porte des métadonnées d'enrichissement — source, URL, horodatage, chemin de titre, langue, portée de visibilité — parce que ce sont les champs qui rendent les segments récupérés attribuables, filtrables et lisibles pour le reste du système.

3.3 Transformation de requête, multimodal et texte-vers-SQL

La requête de l'utilisateur est rarement la requête idéale pour la récupération. L'expansion multi-requêtes demande au modèle plusieurs reformulations, récupère pour chacune et fusionne. HyDE — Hypothetical Document Embeddings — demande au modèle d'inventer une réponse plausible et projette celle-ci plutôt que la question, sur la théorie que les réponses vivent dans une autre région de l'espace d'embedding que les questions. Le step-back produit une version plus générale de la question, récupère face aux deux, et laisse le modèle utiliser le cadrage pour répondre au cas spécifique. La décomposition sépare une question composée en sous-questions que le récupérateur sait traiter une par une. La récupération itérative laisse le modèle décider quoi chercher ensuite — le pont entre RAG et agents. RAG s'étend aussi au-delà du texte : les espaces d'embedding joints image-texte à la CLIP soutiennent la récupération multimodale, et le texte-vers-SQL traite les schémas de base de données comme corpus de récupération et génère des requêtes sur une réplique en lecture avec un délai d'attente. Un routeur choisit la bonne transformation par requête plutôt que de toutes les exécuter.

Ce que prépare le Chapitre 3

RAG est une capacité parmi d'autres. Un assistant de production vit rarement de la seule récupération : il doit chercher les commandes récentes d'un client, vérifier l'inventaire dans un autre système, résumer les résultats, poser une question de clarification, et décider de lui-même à quel moment faire quoi. Le cadrage naturel pour ce comportement est agentique — le modèle sélectionne dans un jeu d'outils, le système exécute l'outil choisi, le résultat revient au modèle, et la boucle continue jusqu'à ce que la tâche soit terminée. La récupération, dans ce cadrage, est un outil parmi ceux que l'agent peut saisir. Le Chapitre 4 transforme l'enveloppe en agent : la boucle ReAct, les schémas d'outil comme contrats et les trois couches de mémoire qui laissent un agent porter un état à travers les tours.

Prochaine étape — Chapitre 4 : Agents IA et appel d'outils. La boucle qui transforme un modèle sans état en acteur poursuivant un objectif — avec outils, mémoire et bornes fermes contre le comportement qui s'emballe.