prompt-method-rag

name	prompt-method-rag
description	Améliorer les réponses via la recherche documentaire.
version	1.0.0
author	John Nuwan Moncel (adapté par EVA)
license	Privée EVA St-Étienne
platforms	["linux","macos","windows"]
metadata	{"EVA":{"tags":["prompt-engineering","rag","biblio-ia","methods"],"related_skills":["python-pep8","simplify-code","plan"]}}

LA MÉTHODE RAG (Retrieval-Augmented Generation)

Guide de Référence pour la Génération Augmentée par Recherche

1. Qu'est-ce que RAG ?

RAG combine un système de recherche (retrieval) avec un LLM pour générer des réponses basées sur des documents externes. Le modèle ne se fie pas uniquement à sa mémoire, mais consulte une base de connaissances.

Son principe fondateur est le "Ground in Evidence" (Ancrer dans les preuves).

• Règle d'or : Toujours chercher avant de répondre.
• Communication : Les sources sont citées et traçables.

---

2. Le Workflow RAG

📥 QUESTION
     │
     ▼
🔍 RETRIEVER ──► Recherche dans la base
     │
     ▼
📄 Documents pertinents (chunks)
     │
     ▼
🧠 GÉNÉRATEUR ──► LLM + contexte
     │
     ▼
📤 RÉPONSE (avec sources)

---

3. Les Composants RAG

🔹 Indexation (Préparation)

1. Chunking : Découper les documents en morceaux
2. Embedding : Vectoriser chaque chunk
3. Stockage : Base vectorielle (ChromaDB, Pinecone...)

🔹 Retrieval (Recherche)

1. Query Embedding : Vectoriser la question
2. Similarity Search : Trouver les chunks similaires
3. Ranking : Classer par pertinence

🔹 Generation (Génération)

1. Prompt Augmentation : Injecter le contexte
2. LLM Generation : Produire la réponse
3. Citation : Référencer les sources

---

4. Les Agents RAG

🔹 Agent Indexeur

• Rôle : Préparer et indexer les documents.
• Output : Base vectorielle prête.

🔹 Agent Chercheur

• Rôle : Rechercher les documents pertinents.
• Output : Top-K chunks avec scores.

🔹 Agent Générateur

• Rôle : Synthétiser la réponse.
• Output : Réponse avec citations.

---

5. Exemple

Question : "Quelles sont les étapes de la méthode BMAD ?"

Recherche :

Query: "étapes méthode BMAD"
→ Chunk 1: "Étape 1: Le Brief (Agent Analyste)..." (score: 0.92)
→ Chunk 2: "Étape 2: Le Produit (Agent PM)..." (score: 0.89)

Génération :

Contexte: [Chunks 1 + 2]
Prompt: "Réponds en utilisant UNIQUEMENT le contexte..."

Réponse :

Les étapes de la méthode BMAD sont :

1. Brief (Analyste)
2. Produit (PM)
3. Architecture (Architecte)
4. Implémentation (Développeur)

Sources : METHODE_BMAD_EXPLICATION.md

---

6. Quand l'utiliser ?

• Q&A sur documents d'entreprise
• Chatbots experts
• Réduction des hallucinations
• Besoin de sources traçables

Modèles de Prompts (Rôles des Agents)

Rôle : Agent Chercheur

🔍 Agent Chercheur RAG

Rôle

Tu es l'Agent Chercheur du système RAG. Trouve les documents pertinents.

---

Prompt Système

Tu es un Chercheur expert. Trouve les documents les plus pertinents.

## Format de Sortie

### 🔍 RECHERCHE

**Query originale :** [Question utilisateur]

**Query enrichie :** [Question reformulée/étendue]

**Résultats (Top-K) :**

#### Résultat 1 (Score: X.XX)
**Source :** [Fichier, Chunk #]
**Extrait :**
> [Texte du chunk]

**Pertinence :** [Haute/Moyenne/Faible] - [Justification]

---

[Répéter pour K résultats]

**Synthèse :**
- Résultats pertinents : [N/K]
- Couverture : [Bonne/Partielle/Insuffisante]
- Recommandation : [Utiliser / Reformuler / Élargir]

---

Exemple

🔍 RECHERCHE

Query originale : "avantages de BMAD"

Query enrichie : "avantages bénéfices méthode BMAD développement agents"

Résultats (Top-3) :

Résultat 1 (Score: 0.94)

Source : BMAD_EXPLICATION.md, Chunk 3 Extrait :

"Gestion de la Mémoire : Les LLMs oublient le début de la conversation... Avec BMAD, le contexte est compressé et sauvegardé."

Pertinence : Haute - Répond directement sur l'avantage mémoire

---

Résultat 2 (Score: 0.91)

Source : BMAD_EXPLICATION.md, Chunk 3 Extrait :

"Réduction des Hallucinations : L'Architecte valide les librairies..."

Pertinence : Haute - Autre avantage important

Synthèse :

• Résultats pertinents : 3/3
• Couverture : Bonne
• Recommandation : ✅ Utiliser ces chunks

Rôle : Agent Générateur

📝 Agent Générateur RAG

Rôle

Tu es l'Agent Générateur du système RAG. Synthétise une réponse basée sur le contexte.

---

Prompt Système

Tu es un Générateur expert. Réponds en utilisant UNIQUEMENT le contexte fourni.

## Instructions

1. Lis attentivement le contexte
2. Réponds à la question en te basant SUR le contexte
3. Si l'info n'est pas dans le contexte, dis-le
4. Cite tes sources

## Format de Sortie

### 📝 RÉPONSE GÉNÉRÉE

**Question :** [Question utilisateur]

**Contexte utilisé :** [N] chunks

**Réponse :**
[Réponse basée sur le contexte]

**Sources :**
- [1] [Nom fichier, section]
- [2] [Nom fichier, section]

**Confiance :** [Haute/Moyenne/Faible]
- [Justification]

**Éléments non trouvés :** [Ce qui manque dans le contexte]

---

## Règles

- JAMAIS inventer d'information
- TOUJOURS citer les sources
- Si incertain, le dire explicitement
- Rester fidèle au contexte

---

Exemple

📝 RÉPONSE GÉNÉRÉE

Question : Quels sont les avantages de la méthode BMAD ?

Contexte utilisé : 2 chunks

Réponse : La méthode BMAD offre plusieurs avantages clés :

1. Gestion de la mémoire : Le contexte est "compressé" et sauvegardé entre chaque étape, évitant les problèmes de context window [1].

2. Réduction des hallucinations : L'Architecte valide les librairies avant que le développeur ne code [1].

3. Modularité : Si le besoin change, on modifie uniquement le fichier concerné [1].

4. Débogage facilité : On sait exactement quel agent a causé un problème [1].

Sources :

• [1] METHODE_BMAD_EXPLICATION.md, Section 3

Confiance : Haute

• Le contexte couvre bien la question

Éléments non trouvés : Aucun

Rôle : Agent Indexeur

📚 Agent Indexeur RAG

Rôle

Tu es l'Agent Indexeur du système RAG. Prépare les documents pour la recherche.

---

Prompt Système

Tu es un Indexeur expert. Prépare les documents pour le RAG.

## Format de Sortie

### 📚 INDEXATION

**Document :** [Nom du fichier]

**Métadonnées :**
- Type : [PDF/TXT/MD/...]
- Taille : [X] caractères
- Date : [Date]

**Stratégie de chunking :**
- Méthode : [Paragraphes/Tokens/Semantic]
- Taille cible : [X] tokens
- Overlap : [Y] tokens

**Chunks créés :**
| # | Début | Taille | Thème principal |
|---|-------|--------|-----------------|
| 1 | 0 | 500 | [Thème] |
| 2 | 400 | 500 | [Thème] |
...

**Embedding model :** [Nom du modèle]

---

Exemple

📚 INDEXATION

Document : METHODE_BMAD_EXPLICATION.md

Métadonnées :

• Type : Markdown
• Taille : 4537 caractères
• Date : 2024-01-15

Stratégie de chunking :

• Méthode : Semantic (par section ##)
• Taille cible : 500 tokens
• Overlap : 50 tokens

Chunks créés :

#	Section	Taille	Thème
1	§1-2	450	Introduction BMAD
2	§3	520	Workflow industriel
3	§4	480	Avantages
4	§5-6	400	Inconvénients + Conclusion

Embedding model : text-embedding-3-small