La première génération de RAG (Retrieval-Augmented Generation) suivait un principe simple : découper les documents en segments, générer des embeddings, effectuer une recherche par similarité cosinus et transmettre les meilleurs segments au LLM. Avec des milliers de PDF complexes, de tableaux et de termes métier, cette approche naïve échoue souvent en entreprise.
RAG 2.0 transforme la récupération d’information en pipeline d’ingénierie à plusieurs étapes. Elle commence par une recherche hybride (Hybrid Search), qui combine des embeddings vectoriels denses capturant le sens avec une recherche clairsemée par mots-clés, comme BM25 ou PostgreSQL pgvector, qui retrouve les références, noms et codes exacts.
Un reranker, tel que Cohere Rerank ou BGE-Reranker, améliore fortement la précision lors d’une seconde passe. Il compare le contexte complet de la requête aux segments candidats et élimine 90 % du bruit non pertinent avant son arrivée dans la fenêtre de contexte du LLM.
GraphRAG va plus loin en construisant des graphes de connaissances — entités et relations — à partir de documents d’entreprise non structurés. Pour une question globale, comme « Quels risques sont communs à tous les contrats fournisseurs de 2025 ? », il parcourt les nœuds du graphe au lieu de récupérer des fragments isolés.
Pour l’ingestion de documents complexes, des modèles multimodaux comme Claude 3.5 Sonnet Vision ou Unstructured.io convertissent les graphiques PDF, tableaux financiers et schémas en tableaux Markdown avant la vectorisation, afin de préserver l’exactitude des calculs dans les réponses ultérieures.
Donnez à votre prochain produit quelqu’un qui reste.
Prêt à commencer ? Écrivez-moi — je peux démarrer immédiatement et rester dans la durée. Des collaborations à long terme, pas une passation après deux semaines. Discutons de votre projet, de vos exigences et de la meilleure façon d’avancer.