Quel problème le RAG résout-il ?
Le RAG répond au problème d’un modèle d’IA qui ne connaît pas les documents de votre organisation ou dont les connaissances sur le monde ne sont plus à jour. Au lieu de réentraîner le modèle, vous lui fournissez les bons passages au moment où il répond.
Imaginez un voyagiste fictif de 50 personnes, Tidewater Travel. Son équipe de réservation pose sans cesse les mêmes questions sur un manuel de conditions et de procédures de 90 pages. Un chef d’équipe, Leon, a essayé un agent conversationnel généraliste : 'Un client peut-il changer le nom du passager principal 10 jours avant le départ, et y a-t-il des frais ?' L’agent a donné avec assurance une réponse générique sur les règles des compagnies aériennes et des frais que Tidewater ne facture pas. La véritable réponse figure à la section 4.2 du manuel, que l’agent conversationnel n’a jamais vu.
Comment fonctionne la génération augmentée par récupération ?
La génération augmentée par récupération fonctionne en trois étapes : récupérer les passages les plus pertinents pour la question, les ajouter à l’instruction, puis laisser le modèle produire une réponse à partir de ces passages. Le glossaire d’Anthropic décrit le même principe : les informations pertinentes sont récupérées dans une base de connaissances au moment de la requête et transmises au modèle avec la question d’origine.
Le terme vient d’un article de recherche de 2020 de Patrick Lewis et de ses collègues. Ils ont associé un modèle de langage à un index de documents consultable et constaté que les réponses étaient plus précises et plus factuelles qu’avec le modèle seul.
1. Préparez les documents
Le manuel est découpé en blocs, par exemple une section ou quelques paragraphes chacun, afin qu’une recherche puisse renvoyer un passage ciblé plutôt que le livre entier.
2. Indexez-les selon leur sens
Chaque segment est transformé en un plongement vectoriel, une liste de nombres qui représente son sens, puis stocké dans une base de données vectorielle. AWS décrit cette étape comme la conversion des données en représentations numériques permettant de les mettre en correspondance avec des questions.
3. Récupérez les informations
La question est convertie de la même manière, puis comparée à l’index pour trouver les fragments les plus proches. De nombreux systèmes utilisent aussi en parallèle une recherche classique par mots-clés.
4. Enrichissez la consigne
Les passages les mieux classés sont insérés dans la consigne, avec une instruction telle que « répondez uniquement à partir de ces passages et citez la section ».
5. Générez
Le modèle rédige la réponse à partir du texte fourni, idéalement en citant ou en référençant les passages utilisés.
À quoi ressemble une réponse avec et sans génération augmentée par récupération (RAG) ?
Sans RAG : 'La plupart des voyagistes autorisent les changements de nom moyennant des frais d’environ 50 à 100 par personne, selon la politique de la compagnie aérienne.' Cela semble utile, mais ce n’est pas la politique de Tidewater, et personne ne peut vérifier d’où vient cette information.
Avec RAG : le système récupère les sections 4.2 et 4.5 du manuel, et le modèle répond : 'Oui. La section 4.2 autorise le changement de nom du passager principal sans frais jusqu’à 7 jours avant le départ. La section 4.5 indique que les forfaits incluant un vol peuvent être soumis aux frais de modification propres à la compagnie aérienne, affichés dans le système de réservation. Source : sections 4.2 et 4.5 du manuel.' Leon peut ouvrir les deux sections et vérifier la réponse en quelques secondes. Si le manuel change, la réponse change dès que la nouvelle version est indexée.
Quand utiliser le RAG, et quand s’en passer ?
Utilisez la génération augmentée par récupération lorsque les réponses doivent provenir d’un ensemble précis de documents régulièrement mis à jour et que les utilisateurs doivent pouvoir consulter la source. Elle convient aux recueils de politiques internes, à la documentation produit, aux bases de connaissances d’assistance et aux bibliothèques de contrats. Le glossaire d’Anthropic indique qu’elle est particulièrement utile pour les informations à jour, les connaissances spécialisées et la citation explicite des sources.
Le RAG n’est pas la solution lorsque les documents sont assez courts pour être collés directement dans la consigne, lorsque la tâche porte sur le style ou le format plutôt que sur les faits, ou lorsque les documents sources eux-mêmes ne sont pas fiables. Il ne remplace pas non plus les autorisations : si un passage est récupéré, le modèle peut le répéter. Les contrôles d’accès doivent donc s’appliquer avant la récupération.
Qu’est-ce qui peut mal fonctionner dans la génération augmentée par récupération ?
Les erreurs du RAG surviennent généralement lors de la récupération plutôt que de la génération : si le mauvais passage est trouvé, le modèle s’appuie dessus pour rédiger une réponse assurée. Anthropic souligne que l’efficacité du RAG dépend de la qualité et de la pertinence de la base de connaissances et des éléments récupérés.
Segment incorrect ou incomplet
Le passage contenant l’exception se trouve dans un autre fragment que la règle : la réponse passe donc à côté.
Versions obsolètes ou en double
Le guide de l’année dernière est toujours indexé aux côtés de celui de cette année, et c’est l’ancien qui est récupéré.
Le modèle s’éloigne du texte
Le modèle mêle le texte récupéré à ses connaissances générales. Lui demander de répondre uniquement à partir des sources et d’afficher ses références permet de repérer plus facilement ces mélanges.
Il n’existe pas de bonne réponse
Le système doit indiquer que les documents ne permettent pas de répondre à la question plutôt que de deviner.
Quelle place le RAG occupe-t-il dans le catalogue Tosheo.ai ?
La génération augmentée par récupération fait partie de la catégorie Création d’applications d’IA, dans le cours Créer des applications d’IA. Cette leçon présente les concepts à toute personne qui travaille avec des assistants IA fondés sur les documents de l’entreprise. Le parcours Code, accessible après inscription, vous fait créer une petite application RAG en pratique, du découpage des documents et de la création de représentations vectorielles à la récupération d’informations et aux réponses citant leurs sources, avec des retours fondés sur une grille d’évaluation à chaque étape.
Sources et périmètre
Documentation Anthropic Claude, entrée du glossaire sur le RAG (consultée le 19 October 2026) ↗
Documentation Anthropic Claude, fonctionnalité de citations (consultée le 19 October 2026) ↗