- \n
- Le RAG (g\u00e9n\u00e9ration augment\u00e9e par r\u00e9cup\u00e9ration) va chercher, au moment de la question, l’information utile dans une source externe, l’ajoute \u00e0 la question, puis laisse le LLM r\u00e9pondre \u00e0 partir de l\u00e0.<\/li>\n
- Un syst\u00e8me RAG repose sur deux pipelines<\/strong> : l’indexation, qui pr\u00e9pare la base de connaissances \u00e0 l’avance, et la g\u00e9n\u00e9ration, qui r\u00e9pond en temps r\u00e9el.<\/li>\n
- L’indexation encha\u00eene quatre gestes : charger les donn\u00e9es, les d\u00e9couper, les convertir en vecteurs de nombres (des embeddings<\/em>), les stocker.<\/li>\n
- Le composant le plus critique est le retriever<\/a>, celui qui retrouve les bons passages : la qualit\u00e9 de toute la r\u00e9ponse en d\u00e9pend.<\/li>\n
- Le RAG r\u00e9duit consid\u00e9rablement les hallucinations<\/a>, mais ne les supprime pas.<\/li>\n<\/ul>\n
Pourquoi un LLM seul ne suffit pas<\/h2>\n
On imagine volontiers qu’un LLM consulte une r\u00e9serve de faits pour r\u00e9pondre. Ce n’est pas le cas : il ne m\u00e9morise ni faits ni \u00e9v\u00e9nements pr\u00e9cis. Il a appris des poids dans un r\u00e9seau de neurones, et quand vous l’interrogez, il g\u00e9n\u00e8re<\/em> une r\u00e9ponse \u00e0 partir de ces poids, exactement comme il pr\u00e9dit le mot suivant d’une phrase.<\/p>\n
De l\u00e0 d\u00e9coulent trois limites. La premi\u00e8re est la date de coupure<\/strong> : entra\u00eener un mod\u00e8le prend des semaines, voire des mois, si bien que son savoir n’est jamais parfaitement \u00e0 jour (GPT-4.1, sorti en avril 2025, ne conna\u00eet le monde que jusqu’au 1er juin 2024). La deuxi\u00e8me est l’hallucination<\/strong> : des avocats am\u00e9ricains ont ainsi soumis \u00e0 un tribunal des citations juridiques enti\u00e8rement fictives, g\u00e9n\u00e9r\u00e9es par ChatGPT. La troisi\u00e8me est l’absence d’acc\u00e8s aux donn\u00e9es priv\u00e9es<\/strong> : documents internes, dossiers clients, tout ce qui n’a jamais fait partie de l’entra\u00eenement.<\/p>\n
On pourrait r\u00e9entra\u00eener un mod\u00e8le, ou l’affiner avec de nouvelles donn\u00e9es. Mais ces deux voies exigent des volumes de donn\u00e9es et des ressources de calcul consid\u00e9rables, et le remettre \u00e0 jour r\u00e9guli\u00e8rement reste prohibitivement co\u00fbteux.<\/p>\n
L’intuition : un examen \u00e0 livre ouvert<\/h2>\n
Un LLM seul passe un examen de m\u00e9moire. Un syst\u00e8me RAG lui autorise le livre ouvert : avant qu’il r\u00e9ponde, on lui glisse les pages qui comptent.<\/p>\n
Les chercheurs distinguent deux m\u00e9moires. La m\u00e9moire param\u00e9trique<\/a> est ce que le mod\u00e8le a appris pendant l’entra\u00eenement, stock\u00e9 dans ses poids : elle est n\u00e9cessairement limit\u00e9e. La m\u00e9moire non param\u00e9trique<\/a> est l’information qu’on lui fournit de l’ext\u00e9rieur, et qu’on peut \u00e9tendre autant qu’on veut. Dans l’article fondateur du RAG, Patrick Lewis et ses coauteurs ont stock\u00e9 des donn\u00e9es Wikip\u00e9dia, y ont donn\u00e9 acc\u00e8s au mod\u00e8le gr\u00e2ce \u00e0 un retriever, et obtenu un langage plus pr\u00e9cis, plus vari\u00e9 et plus factuel qu’avec un mod\u00e8le purement param\u00e9trique.<\/p>\n\n\n
![\"Un](\"https:\/\/www.ranksignal.fr\/wp-content\/uploads\/2026\/09\/b2_ch01_memoire_parametrique-scaled.png\")
- L’indexation encha\u00eene quatre gestes : charger les donn\u00e9es, les d\u00e9couper, les convertir en vecteurs de nombres (des embeddings<\/em>), les stocker.<\/li>\n