rag-retrieval-augmented-generation

name	rag-retrieval-augmented-generation
description	Explorer les systèmes avancés de génération augmentée par récupération (RAG) — architectures, stratégies de chunking, indexation hybride, récupération multi-hop et alternatives comme HippoRAG2.
version	2.0.0
author	EVA Agent
license	Privée EVA St-Étienne
platforms	["linux","macos","windows"]
tags	["RAG","retrieval","embedding","vector-database","hippoRAG","multi-hop","hybrid-search"]
keywords	["Retrieval Augmented Generation","RAG","embedding","chunking","hybrid search","dense retriever","sparse retriever"]

Systèmes de Génération Augmentée par Récupération (RAG)

Vue d'ensemble

La génération augmentée par récupération (Retrieval-Augmented Generation — RAG) est une architecture qui combine un système de recherche (retriever) avec un modèle de génération de texte (generator). Au lieu de solliciter directement la mémoire paramétrique d'un LLM, RAG récupère d'abord des passages pertinents dans une base de connaissances externe, puis les fournit comme contexte au générateur.

Cette approche résout trois limitations majeures des LLM :

1. Connaissances obsolètes : le LLM est figé à sa date d'entraînement ; RAG consulte des bases actualisables.
2. Hallucinations : le contexte factuel réduit la propension à inventer des informations.
3. Domaine spécifique : RAG intègre des documents internes sans fine-tuning.

Architecture canonique

┌──────────┐    requête    ┌──────────────┐    passages    ┌──────────┐
│  Index   │ ◄─────────── │   Retriever   │ ──────────────►│ Generator │
│  (VDB)   │    top-k      │  (BM25 + DPR) │                │  (LLM)   │
└────┬─────┘               └──────────────┘                └────┬─────┘
     │                                                          │
     └────────────── Documents découpés ────────────────────────┘
                        (chunking)

---

Quand utiliser cette compétence

Scénario	Pertinence
Répondre à des questions nécessitant des connaissances actualisées ou privées	Élevée
Réduire les hallucinations d'un LLM sur un domaine spécialisé	Élevée
Construire un assistant documentaire (juridique, médical, technique)	Élevée
Pipeline multi-hop nécessitant plusieurs allers-retours retriever-generator	Élevée
Simple question-réponse sans besoin de contexte externe	Faible (préférer un LLM direct)

---

1. Indexation et chunking

1.1 Stratégies de découpage (chunking)

La qualité du découpage des documents est le facteur le plus important pour la performance RAG :

Stratégie	Taille typique	Avantage	Inconvénient
Fixe (N tokens)	256–512 tokens	Simple, reproductible