Documents et RAG
Le RAG permet à un agent de retrouver des passages dans les documents auxquels il a accès, puis de les utiliser dans sa réponse. Deux temps se distinguent : indexer les documents, à la demande d’un utilisateur ou d’un processus automatisé, puis rechercher les passages utiles à chaque question.
La base de données coordonne les jobs des deux workers. RAG-Ingestor y prépare les passages, puis RAG-Embed construit leur index. Le document devient interrogeable une fois ce traitement terminé.
Appelé par RAG-Embed
Métadonnées
et références
Le modèle de conversation reçoit les extraits retenus, la question et les instructions de l’agent. Les workers n’interviennent pas à chaque question. Les originaux restent consultables depuis les sources citées.
Réponse et sources
Conversation pour répondre
et références
documentaires
Le modèle d’embedding de la question doit être compatible avec celui des passages indexés. Un changement de modèle peut nécessiter leur réindexation.
Rôle des stockages
| Ressource | Contenu | Rôle dans le RAG |
|---|---|---|
| Base de données | Jobs, états et métadonnées documentaires | Orchestrer les traitements, conserver les droits et les passages en attente de vectorisation |
| Base vectorielle | Vecteurs, texte des passages et références | Retrouver les passages pertinents pour une question |
| Stockage objet | Fichiers originaux | Lire le document à l’ingestion et permettre la consultation de la source |
Texte, scans et OCR
L’ingestion RAG extrait le texte natif et ne déclenche pas automatiquement l’OCR IA d’un agent. Un PDF mixte conserve son texte natif avec un diagnostic de couverture partielle, un document entièrement scanné sans texte exploitable est refusé. L’OCR spécialisé appartient aux parcours de conversation et de Studio, avec la capacité et les ressources du modèle choisi.
Déploiement
L’indexation dépend des deux workers, des stockages et du modèle d’embedding. La Prise en main permet de vérifier ce parcours avec un document textuel, puis une réponse citant sa source.
Un fournisseur d’embedding distant reçoit le texte à vectoriser. Un fournisseur de conversation distant reçoit les passages retenus pour la réponse. Ces échanges font partie des flux du déploiement.