Naive RAG: votre référence

Naive RAG est une ligne de base claire : récupération sémantique, assemblage et génération de contexte. Une faible complexité facilite le diagnostic.

Ces étapes font référence aux fonctionnalités identifiées dans le code de l'application. Ce matériel n'a pas été validé sur une instance réelle ; vérifiez la documentation et les options de votre version.

Comment ça marche, étape par étape

RAG accède aux preuves, il ne se recycle pas

RAG signifie génération augmentée par récupération : la récupération fournit les passages pertinents avant que le modèle ne réponde. L'ingestion prépare les documents, tandis que l'exécution des requêtes recherche dans l'index et crée le contexte. Un modèle d'intégration représente le texte numériquement ; le modèle de réponse écrit la réponse. Les modèles de rerankers, de vision, de graphiques et de routeurs ont des rôles différents en cas de besoin. RAG aide avec les informations privées ou changeantes mais ne garantit pas la vérité. Utilisez une API autorisée pour les soldes, l'inventaire exact ou les autorisations ; un ancien document n'est pas une source fiable pour l'état actuel.

Coordonnées pour le sens

Un plongement est un vecteur numérique calculé par un modèle. Les textes ayant des significations connexes ont tendance à se trouver les uns à côté des autres dans l’espace de ce modèle, mais la similitude ne garantit pas la pertinence. Les requêtes et les documents doivent partager un espace compatible : modèle et dimensions adaptés. Une carte à deux axes est illustrative ; les vecteurs réels peuvent avoir des centaines ou des milliers de dimensions. Reconstruisez et testez à nouveau l'index lors de la modification du modèle ou des dimensions. La similarité cosinus compare les directions vectorielles ; ce n'est pas la probabilité qu'une réponse soit vraie.

Définir le succès avant d’optimiser

Préparer les demandes représentatives et les réponses ou propriétés attendues. Incluez les cas ordinaires, les ambiguïtés, les données manquantes et les erreurs d'outils. Pour RAG, mesurez la récupération des preuves séparément de l’exactitude des réponses. Recall@k mesure la part de preuves pertinentes trouvées dans les k premiers résultats ; précision@k mesure la part des résultats renvoyés qui sont pertinents. Pour les agents, suivez également les actions, les autorisations et les arrêts. Un LLM en tant que juge peut accélérer l'évaluation mais doit être calibré par rapport aux humains. Ne modifiez pas simultanément l'invite, le modèle et l'index si vous souhaitez comprendre ce qui a amélioré les résultats.

Laboratoire détaillé

Tester la récupération avant d'écrire

Utilisez les mêmes accessoires de catalogue, de livraison et de politique. Après indexation, demandez « Quel est le délai pour un produit non utilisé ? ». La récupération doit inclure la date limite et les conditions. Vérifiez ensuite que la réponse les préserve sans inventer d'exceptions.

Demandez « Quelle garantie commerciale s'applique ? ». Le corpus ne contient pas de telles informations. Un bon résultat reconnaît cette absence. Si la récupération manque la politique, diagnostiquez la source et l'index ; s'il trouve une politique mais que la réponse l'ignore, inspectez le contexte et la génération.

Le schéma explicatif

Suivez les flèches pleines pour le flux principal. Les flèches bleues en pointillés fournissent des données ou un contexte ; les flèches roses en pointillés affichent des commentaires ou des résultats renvoyés. Les couleurs et les formes distinguent les modèles, les magasins, les décisions et les sorties. La récupération renvoie des preuves. Si un modèle de réponse est activé, il compose également une réponse ; les preuves récupérées doivent encore être vérifiées. Sur un petit écran, faites défiler horizontalement pour suivre le schéma complet.

Un exemple complet

Vous disposez de la politique, du catalogue et des documents de livraison. Commencez par top_k=4 et demandez la date limite de retour. Vérifiez que le passage correct atteint le contexte avant de modifier l'invite.

template: Naive
top_k: 4

Essayez-le vous-même

1. Créez Naive RAG, choisissez des modèles d'intégration et de réponse, téléchargez les données et testez après indexation.
2. Enregistrez l’entrée, la source et le résultat attendu avant d’exécuter l’expérience. Utilisez uniquement les données fictives de l'exemple.
3. Suivez les étapes du diagramme. À chaque étape, enregistrez les informations reçues et produites ; ne confondez pas le résultat intermédiaire avec le résultat final.
4. Répétez après avoir supprimé les informations nécessaires ou rendu la saisie ambiguë. Vérifiez si le système clarifie, arrête ou invente une réponse.
5. Comparez avec la solution expliquée. Conservez la configuration, la date, le résultat et une explication des différences. Changez une chose et retestez.

Une solution expliquée

Le passage de politique est récupéré et la réponse conserve 14 jours et conditions. Un exercice réussi vous permet de montrer le lien entre les contributions, les étapes et les résultats. Lorsqu’une information manque, une réponse prudente est plus utile que des détails inventés. Comparez bien plus que le style : vérifiez également les conditions, les sources et les opérations.

Quand cette approche est utile et quelles sont ses limites

Un top_k plus grand peut également ajouter un contexte non pertinent. Choisissez cette approche lorsqu’elle améliore un besoin mesuré. Gardez une base de référence simple et comparez les résultats en utilisant des entrées identiques. Un exemple réussi n’établit pas la fiabilité dans toutes les situations.

Vérifiez vos connaissances

RAG modifie-t-il les paramètres LLM ?

Non. Il fournit le contexte de l’heure de la demande ; les changements de paramètres appartiennent à la formation.

Pouvez-vous comparer directement les vecteurs de différents modèles ?

Généralement non ; leurs espaces ne sont pas automatiquement compatibles.

Quel résultat cet exercice devrait-il produire ?

Le passage de politique est récupéré et la réponse conserve 14 jours et conditions.

Les mots à retenir

• Récupération: Trouver des informations pertinentes dans des sources accessibles.
• Intégration: Une représentation numérique utilisée pour comparer le contenu.
• Régresie / Régression: Un changement qui brise un cas précédemment correct.

Sources et votre prochaine étape

• Lewis et al. — Génération augmentée par récupération
• LangGraph — Flux de travail et agents

Pour préparer : R02 — Embeddings et recherche de vecteurs