Aller au contenu

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.

01Du document aux passages indexésUn dépôt depuis l’interface ou par un processus automatisé
UtilisateurDépôt depuis l’interface
Processus automatiséDépôt par API
BackendIndexation documentaire
Réception du dépôtConserver l’original, enregistrer les métadonnées et créer le job d’indexation
RAG-IngestorLire l’original, extraire le texte et le découper en passages
RAG-EmbedVectoriser les passages et les écrire dans la base vectorielle
Modèle d’embeddingTexte → vecteurs
Appelé par RAG-Embed
Base de donnéesOrchestration des jobs
Métadonnées
Base vectorielleVecteurs, passages
et références
Stockage objetFichiers originaux
L’indexation se poursuit après le dépôt

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.

02Répondre avec les passages autorisésUne recherche dans les documents déjà indexés
Utilisateur ou applicationQuestion à l’agent
Réponse et sources
BackendAgent et recherche RAG
1 · VectoriserProduire l’embedding de la question
2 · RechercherRetrouver les passages pertinents et autorisés
3 · ContextualiserRéunir question, instructions et extraits
4 · RépondreGénérer la réponse et citer les sources
ModèlesEmbedding pour rechercher
Conversation pour répondre
Base vectorielleVecteurs, passages
et références
Base de donnéesDroits et métadonnées
documentaires
La recherche renvoie les passages déjà indexés

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.

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.

Installer les workers · Inférence · Stockage