Retrieval-Augmented Generation

Le RAG scinde le travail en deux : une étape de recherche trouve les passages pertinents pour la question, puis le modèle répond en s’appuyant sur ces passages comme contexte. C’est la solution standard aux dates de coupure des connaissances, aux données privées et aux hallucinations, parce que le modèle est ancré dans un texte qu’il peut citer. La qualité de la recherche fixe le plafond — le meilleur modèle ne peut pas rattraper les trois mauvais paragraphes.

En pratique : Un bot de support qui cite votre véritable politique de remboursement plutôt qu’une invention plausible.