r\u00e9duire les hallucinations<\/a> et assurer la transparence y est crucial, la personnalisation bien moins, ce qui donne l’avantage \u00e0 la r\u00e9cup\u00e9ration sur l’ajustement du mod\u00e8le.<\/p>\nC\u00f4t\u00e9 co\u00fbt, le pipeline se met \u00e0 jour souvent, \u00e0 tr\u00e8s faible co\u00fbt<\/strong>, et s’accommode de types de donn\u00e9es vari\u00e9s. L’ajustement d’un mod\u00e8le, lui, exige de pr\u00e9parer et de curer des jeux de donn\u00e9es de qualit\u00e9, co\u00fbteux et laborieux, puis de payer le r\u00e9entra\u00eenement. La contrepartie : la recherche rallonge chaque r\u00e9ponse, donc la latence monte.<\/p>\nTout cela vaut pour un fait que quelques passages suffisent \u00e0 porter. D\u00e8s que la r\u00e9ponse se disperse, les ennuis commencent.<\/p>\n
O\u00f9 la r\u00e9ponse se perd entre la question et la phrase finale<\/h2>\n Chaque probl\u00e8me du RAG na\u00eff se rattache \u00e0 une \u00e9tape pr\u00e9cise du pipeline. Suis la question du d\u00e9but \u00e0 la fin et note o\u00f9 elle peut d\u00e9railler.<\/p>\n
Quand le bon passage n’arrive pas<\/h3>\n Au moment de la r\u00e9cup\u00e9ration, deux mesures posent probl\u00e8me : la pr\u00e9cision (les fragments trouv\u00e9s sont mal align\u00e9s avec la question) et le rappel (trouver tous les fragments pertinents). Les causes sont vari\u00e9es :<\/p>\n
\nune base p\u00e9rim\u00e9e, ou mal index\u00e9e ;<\/li>\n un embedder trop petit, ou inadapt\u00e9 au domaine, dont la repr\u00e9sentation s\u00e9mantique est faible ;<\/li>\n le top-K coupe des fragments d\u00e9cisifs<\/strong> : en gardant les k premiers, on peut conserver des fragments moins pertinents et ne pas renvoyer ceux qui comptent vraiment ;<\/li>\nla bonne information est trouv\u00e9e, mais en trop de fragments pour la longueur de contexte du LLM.<\/li>\n<\/ul>\n\n\u26a0\ufe0f Pi\u00e8ge<\/strong> Un d\u00e9coupage identique pour tous les types de fichiers (PDF, HTML, texte brut) est une cause classique de mauvaise indexation : des documents de types vari\u00e9s sont alors mal trait\u00e9s.<\/p>\n<\/blockquote>\nQuand le passage arrive sans \u00eatre bien lu<\/h3>\n Imagine que le bon fragment soit dans le prompt. Rien n’est gagn\u00e9 pour autant.<\/p>\n
\n\nExtraction \u00e9chou\u00e9e : le bon contexte est renvoy\u00e9, mais le LLM n’en tire pas la bonne r\u00e9ponse, en g\u00e9n\u00e9ral \u00e0 cause de trop de bruit ou d’informations contradictoires.<\/p>\n<\/li>\n
\nRedondance : une base qui m\u00eale plusieurs corpus contient beaucoup de documents redondants, de styles et de tons diff\u00e9rents ; le LLM peut alors r\u00e9p\u00e9ter, halluciner ou mal int\u00e9grer l’information.<\/p>\n<\/li>\n
\nMauvais format ou mauvaise sp\u00e9cificit\u00e9 : le LLM ignore la consigne de pr\u00e9sentation (puces, tableau), ou r\u00e9pond de fa\u00e7on trop vague ou trop technique pour un public d’\u00e9tudiants, par exemple.<\/p>\n<\/li>\n
\nR\u00e9ponse incompl\u00e8te : pas fausse, mais l’information n\u00e9cessaire n’a pas \u00e9t\u00e9 toute trouv\u00e9e, ou le LLM l’a mal utilis\u00e9e. Une requ\u00eate trop complexe (\u00ab r\u00e9sume les points A, B et C \u00bb) gagne \u00e0 \u00eatre modifi\u00e9e.<\/p>\n<\/li>\n<\/ul>\n
Ce que sa structure l’emp\u00eache de voir<\/h2>\n Certains \u00e9checs ne viennent pas d’un mauvais r\u00e9glage mais du plan m\u00eame du pipeline.<\/p>\n
Premier angle mort : un seul niveau de fragments<\/strong>. Avec beaucoup de documents, latence et performance en p\u00e2tissent ; avec de gros documents, il devient difficile de trouver les fragments pertinents ; et la hi\u00e9rarchie que beaucoup de corpus poss\u00e8dent reste inexploit\u00e9e.<\/p>\nDeuxi\u00e8me angle mort : les relations. Les textes d’une base sont interconnect\u00e9s, non isol\u00e9s<\/strong>, mais le RAG ne capture pas le savoir relationnel structur\u00e9 quand la similarit\u00e9 s\u00e9mantique ne peut pas le saisir. En science, un r\u00e9seau de citations relie un article \u00e0 des travaux ant\u00e9rieurs : on retrouve des articles semblables \u00e0 la requ\u00eate, pas ce r\u00e9seau.<\/p>\nTroisi\u00e8me angle mort : la vue d’ensemble. Les fragments retrouv\u00e9s ne sont pas repr\u00e9sentatifs de l’information globale, ce qui g\u00eane surtout les t\u00e2ches de r\u00e9sum\u00e9. Relier des points dispers\u00e9s rel\u00e8ve de la m\u00eame logique : c’est exactement le cas de la question sur Hinton, qui \u00e9choue d\u00e8s qu’aucun fragment ne rassemble l’ensemble de ses actions.<\/p>\n
Reste la passe unique<\/strong> : r\u00e9cup\u00e9rer une fois puis g\u00e9n\u00e9rer peut \u00eatre insuffisant pour des probl\u00e8mes complexes qui exigent un raisonnement en plusieurs \u00e9tapes. L\u00e0, la limite de raisonnement du syst\u00e8me d\u00e9pend du LLM : la r\u00e9cup\u00e9ration ne sert qu’\u00e0 trouver le contexte.<\/p>\nQuelle panne, quel ajout : le chemin vers le RAG avanc\u00e9<\/h2>\n Le RAG avanc\u00e9 n’est pas un autre outil : c’est le m\u00eame pipeline, avec un correctif pos\u00e9 sur chaque panne, avant et apr\u00e8s la recherche<\/strong>. Les techniques de pr\u00e9-r\u00e9cup\u00e9ration optimisent l’index et la requ\u00eate ; celles de post-r\u00e9cup\u00e9ration optimisent le contexte avant la g\u00e9n\u00e9ration. Le processus enrichi se r\u00e9sume \u00e0 \u00ab r\u00e9\u00e9crire puis r\u00e9cup\u00e9rer puis re-classer puis lire \u00bb.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tCompare avec le sch\u00e9ma du d\u00e9but : la boucle \u00ab r\u00e9cup\u00e9rer puis lire \u00bb est toujours l\u00e0, mais encadr\u00e9e de deux \u00e9tages en plus, l’un qui pr\u00e9pare la question, l’autre qui trie ce qui revient.<\/figcaption><\/figure>\n\n\n\n\n\nCe qui casse<\/th>\n Ce qu’on ajoute<\/th>\n O\u00f9<\/th>\n<\/tr>\n<\/thead>\n \n\nBeaucoup de documents, ou de gros documents : latence et fragments introuvables<\/td>\n Indexation hi\u00e9rarchique : r\u00e9sum\u00e9s des grandes sections, embeddings \u00e0 plusieurs niveaux, m\u00e9tadonn\u00e9es<\/td>\n Avant la recherche<\/td>\n<\/tr>\n \nUn fragment isol\u00e9 qui perd le contexte de son document<\/td>\n R\u00e9sum\u00e9 du document entier ajout\u00e9 \u00e0 chaque fragment, au prix de calcul et de stockage en plus<\/td>\n Avant la recherche<\/td>\n<\/tr>\n \nUne information obsol\u00e8te qui remonte<\/td>\n Filtrage par m\u00e9tadonn\u00e9es (par exemple la date) avant la recherche par similarit\u00e9<\/td>\n Avant la recherche<\/td>\n<\/tr>\n \nUn contexte redondant<\/td>\n R\u00e9sum\u00e9 du contexte trouv\u00e9, pour en \u00e9liminer l’information redondante<\/td>\n Apr\u00e8s la recherche<\/td>\n<\/tr>\n \nUne passe unique qui ne suffit pas<\/td>\n R\u00e9cup\u00e9ration it\u00e9rative, r\u00e9cursive ou adaptative<\/td>\n Autour de la boucle<\/td>\n<\/tr>\n \nAucun contr\u00f4le de la r\u00e9ponse<\/td>\n Module de validation : on passe de \u00ab r\u00e9cup\u00e9rer et lire \u00bb \u00e0 \u00ab r\u00e9cup\u00e9rer, lire et r\u00e9\u00e9crire \u00bb<\/td>\n Architecture modulaire<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\nLes trois variantes de la cinqui\u00e8me ligne m\u00e9ritent un coup d’\u0153il, puisqu’elles remettent en cause la passe unique elle-m\u00eame.<\/p>\n\n\n\n\t\t\t\n\t\t\t\tLes deux premi\u00e8res colonnes s’arr\u00eatent sur un seuil fixe ; seule la troisi\u00e8me laisse un mod\u00e8le juge d\u00e9cider quand r\u00e9cup\u00e9rer \u00e0 nouveau.<\/figcaption><\/figure>\n\n\nTrois id\u00e9es re\u00e7ues \u00e0 ranger<\/h2>\n \u00ab Plus on r\u00e9cup\u00e8re de fragments, plus on a de chances. \u00bb<\/em> Faux : plus de fragments, plus de redondance<\/strong>. Le contexte du LLM est une s\u00e9rie de fragments concat\u00e9n\u00e9s ; les mod\u00e8les acceptent de plus en plus de contexte mais peinent avec la redondance, et ce qui n’est pas essentiel pour r\u00e9pondre r\u00e9duit la performance.<\/p>\n\u00ab Si la recherche est bonne, la r\u00e9ponse l’est aussi. \u00bb<\/em> Non : le bon contexte ne suffit pas<\/strong>. Le LLM peut ne pas en extraire la bonne r\u00e9ponse, noy\u00e9 dans le bruit ou des informations contradictoires. Et face \u00e0 un domaine tr\u00e8s technique, un mod\u00e8le g\u00e9n\u00e9raliste aura du mal : ajuster l’embedder et le LLM peut \u00eatre une solution.<\/p>\n\u00ab Un bon r\u00e9glage de k viendra \u00e0 bout de tout. \u00bb<\/em> Non : ni les relations perdues, ni la vue d’ensemble absente, ni le raisonnement en plusieurs \u00e9tapes ne se r\u00e8glent avec un param\u00e8tre de recherche. C’est pour cela que le tableau pr\u00e9c\u00e9dent range les rem\u00e8des par panne.<\/p>\n\n\ud83d\udccc \u00c0 retenir<\/strong> Un RAG na\u00eff se d\u00e9crit en une ligne : un embedder, une base vectorielle, un LLM, une seule passe. Quand une r\u00e9ponse d\u00e9raille, ne cherche pas un coupable g\u00e9n\u00e9ral : demande-toi \u00e0 quelle \u00e9tape elle s’est perdue (trouver, lire ou relier), puis choisis le correctif de cette \u00e9tape.<\/p>\n<\/blockquote>","protected":false},"excerpt":{"rendered":"Un RAG na\u00eff r\u00e9cup\u00e8re une fois, puis lit : trois composants, aucun contr\u00f4le. Vois comment il marche, o\u00f9 une r\u00e9ponse s’y perd et ce qu’on lui ajoute.<\/p>\n","protected":false},"author":1,"featured_media":492,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-493","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-rag"],"_links":{"self":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/493","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/comments?post=493"}],"version-history":[{"count":3,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/493\/revisions"}],"predecessor-version":[{"id":799,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/posts\/493\/revisions\/799"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media\/492"}],"wp:attachment":[{"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/media?parent=493"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/categories?post=493"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ranksignal.fr\/blog\/wp-json\/wp\/v2\/tags?post=493"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"Le](\"https:\/\/www.ranksignal.fr\/wp-content\/uploads\/2026\/10\/b2_ch05_pipeline_rag_naif.png\")