- \n
- L’essentiel en 30 secondes<\/a><\/li>\n
- Les questions qu’une seule passe laisse \u00e9chapper<\/a><\/li>\n
- D\u00e9finition : le syst\u00e8me d\u00e9cide au lieu de suivre un rail<\/a><\/li>\n
- Les d\u00e9cisions confi\u00e9es \u00e0 l’agent, de l’indexation \u00e0 la r\u00e9ponse<\/a><\/li>\n
- Pas \u00e0 pas : une question coup\u00e9e en deux<\/a><\/li>\n
- Quand l’enqu\u00eate s’allonge : la recherche approfondie<\/a><\/li>\n
- Le RAG, m\u00e9moire de l’agent<\/a><\/li>\n
- Trois id\u00e9es re\u00e7ues<\/a><\/li>\n<\/ul>\n
L’essentiel en 30 secondes<\/h2>\n
- \n
- Un RAG agentique<\/a> est un RAG o\u00f9 des d\u00e9cisions autonomes remplacent le trajet fixe<\/strong> \u00ab chercher puis r\u00e9pondre \u00bb.<\/li>\n
- L’agent d\u00e9cide o\u00f9 chercher, avec quoi et quand relancer<\/strong>, \u00e0 chaque \u00e9tape des deux pipelines, pas seulement au moment de la recherche.<\/li>\n
- Il sert surtout aux questions \u00e0 plusieurs \u00e9tapes<\/strong>, vagues, longues ou implicites, qu’une passe unique traite mal.<\/li>\n
- Sa boucle type : planifier, chercher, observer, ajuster<\/strong>, c’est-\u00e0-dire pens\u00e9e, action, observation.<\/li>\n
- Il ne suppose pas une base vectorielle<\/strong> : la source peut \u00eatre une API, et un humain garde souvent la main sur le cadrage.<\/li>\n<\/ul>\n
Les questions qu’une seule passe laisse \u00e9chapper<\/h2>\n
La pratique standard consiste \u00e0 r\u00e9cup\u00e9rer une fois, puis g\u00e9n\u00e9rer<\/strong>. Pour une question simple, cela suffit. Cette approche devient insuffisante d\u00e8s que le probl\u00e8me exige un raisonnement en plusieurs \u00e9tapes.<\/p>\n
Quatre familles de requ\u00eates restent des points de faiblesse r\u00e9currents quand le trajet est fig\u00e9 :<\/p>\n
- \n
- les requ\u00eates \u00e0 raisonnement multi-\u00e9tapes, qui demandent une r\u00e9cup\u00e9ration \u00e0 sauts multiples : la r\u00e9ponse se construit en encha\u00eenant plusieurs recherches ;<\/li>\n
- les requ\u00eates g\u00e9n\u00e9rales ou vagues, difficiles \u00e0 rapprocher de fragments de texte pr\u00e9cis ;<\/li>\n
- les requ\u00eates longues ou complexes, qui mettent \u00e0 l’\u00e9preuve la compr\u00e9hension du retriever<\/a> (le composant charg\u00e9 d’aller chercher les passages) ; une demande du type \u00ab r\u00e9sume les points A, B et C \u00bb gagne parfois \u00e0 \u00eatre retouch\u00e9e avant la recherche ;<\/li>\n
- les requ\u00eates implicites, qui supposent une compr\u00e9hension du contexte que le RAG seul ne fournit pas.<\/li>\n<\/ul>\n
M\u00eame quand la recherche aboutit, la r\u00e9ponse peut rester incompl\u00e8te sans \u00eatre fausse<\/strong> : soit l’information n\u00e9cessaire n’a pas \u00e9t\u00e9 enti\u00e8rement retrouv\u00e9e, soit le mod\u00e8le l’a mal exploit\u00e9e.<\/p>\n
Reviens \u00e0 la question de d\u00e9part. La r\u00e9ponse tient en une phrase, \u00ab X a v\u00e9cu 85 ans, Y 90 ans, donc Y a v\u00e9cu plus longtemps \u00bb, mais elle n’existe qu’une fois les deux dur\u00e9es de vie obtenues, l’une apr\u00e8s l’autre.<\/p>\n
\n
\ud83d\udca1 Intuition<\/strong> Une passe unique r\u00e9pond \u00e0 \u00ab quel passage ressemble \u00e0 ma question ? \u00bb. Une question \u00e0 \u00e9tapes pose autre chose : \u00ab quelle suite de recherches m\u00e8ne \u00e0 la r\u00e9ponse ? \u00bb. Cette seconde question, le RAG agentique la confie au syst\u00e8me lui-m\u00eame.<\/p>\n<\/blockquote>\n
D\u00e9finition : le syst\u00e8me d\u00e9cide au lieu de suivre un rail<\/h2>\n
Un agent<\/strong> est un syst\u00e8me capable d’accomplir des t\u00e2ches ou de prendre des d\u00e9cisions seul : il per\u00e7oit son environnement, raisonne, choisit en fonction de ses buts et agit. Un RAG agentique<\/strong> met ce pouvoir de d\u00e9cision au service de la recherche : des agents LLM<\/a> prennent en charge le routage des requ\u00eates, l’usage d’outils externes et la r\u00e9cup\u00e9ration adaptative, \u00e0 chaque \u00e9tape des deux pipelines.<\/p>\n
Pourquoi un mod\u00e8le de langage plut\u00f4t que des r\u00e8gles \u00e9crites d’avance ? Parce qu’un pipeline complexe empile des composants qui ne conviennent pas \u00e0 toutes les situations, et qu’un LLM peut d\u00e9cider lesquels employer pour chaque cas.<\/p>\n
Sa forme la plus aboutie est la r\u00e9cup\u00e9ration adaptative. Le mod\u00e8le d\u00e9termine lui-m\u00eame quand chercher et si ce qu’il a trouv\u00e9 suffit ; il juge l’\u00e9tape de recherche, mais aussi son propre fonctionnement, et peut choisir de r\u00e9pondre, de chercher encore ou de solliciter un outil de plus. FLARE en donne une illustration : il surveille la confiance du mod\u00e8le au fil de la g\u00e9n\u00e9ration et anticipe ce dont la suite aura besoin.<\/p>\n
Le point de vocabulaire compte : la r\u00e9cup\u00e9ration adaptative rel\u00e8ve de l’IA agentique<\/strong>, o\u00f9 le syst\u00e8me prend des d\u00e9cisions autonomes pendant la t\u00e2che.<\/p>\n
O\u00f9 il se place parmi les RAG<\/h3>\n
Trois \u00e9tapes d’architecture se sont succ\u00e9d\u00e9. Le RAG na\u00eff<\/a> encha\u00eene indexation, r\u00e9cup\u00e9ration et g\u00e9n\u00e9ration. Le RAG avanc\u00e9<\/a> ajoute des traitements avant et apr\u00e8s la r\u00e9cup\u00e9ration, ce qui donne la s\u00e9quence \u00ab r\u00e9\u00e9crire, r\u00e9cup\u00e9rer, re-classer, lire \u00bb. Le RAG modulaire ajoute en plus le routage, la fusion, la m\u00e9moire et l’adaptateur de t\u00e2che ; gr\u00e2ce \u00e0 l’\u00e9valuation et au retour, le syst\u00e8me raffine sa r\u00e9ponse : \u00e0 la lecture s’ajoute la r\u00e9\u00e9criture<\/strong>.<\/p>\n\n\n
![\"Trois](\"https:\/\/www.ranksignal.fr\/wp-content\/uploads\/2026\/10\/b1_ch06_progression_rag-scaled.png\")
- les requ\u00eates implicites, qui supposent une compr\u00e9hension du contexte que le RAG seul ne fournit pas.<\/li>\n<\/ul>\n
- L’agent d\u00e9cide o\u00f9 chercher, avec quoi et quand relancer<\/strong>, \u00e0 chaque \u00e9tape des deux pipelines, pas seulement au moment de la recherche.<\/li>\n
- Les questions qu’une seule passe laisse \u00e9chapper<\/a><\/li>\n