Faites vraiment marcher votre RAG en production

Un parcours court et pratique sur ce qui fait vraiment fonctionner un
système RAG (Retrieval-Augmented Generation) une fois en production, pas
seulement en démo. Cinq leçons tirées d'une vraie expérience de
production.

Ce que vous allez apprendre :

• Pourquoi journaliser chaque interaction et collecter un retour pouce

levé / pouce baissé est le changement le plus rentable que vous
puissiez faire, avant même de toucher à la recherche.

• Pourquoi une fenêtre de contexte plus grande ne remplace pas la

recherche, et les quatre choses qu'elle ne résout toujours pas : le
coût et la latence, le contrôle d'accès, la fraîcheur, et la
traçabilité.

• Pourquoi un seul canal de recherche ne suffit jamais, et comment le

vecteur fragment, le vecteur résumé, le plein texte et la recherche
par graphe couvrent chacun un angle mort différent.

• Comment lire vos propres échecs, les classer avec un LLM, et confier

une correction ciblée et vérifiable à un agent de code comme Claude
Code ou Codex, plutôt que de lui demander vaguement d'« améliorer le
RAG ».

• Un prompt que vous pouvez utiliser pour construire tout ce pipeline à

quatre canaux vous-même, à partir de zéro.

Horodatage :

• 0:00Aperçu du cours
• 0:38Chapitre 1 · Journaliser, et laisser les utilisateurs noter
• 1:55Chapitre 2 · Les fenêtres de contexte ne sont pas la recherche
• 3:18Chapitre 3 · Quatre canaux de recherche, pas un seul
• 4:44Chapitre 4 · Du tri à la correction
• 6:19Chapitre 5 · Construire sa propre base, à partir de zéro

Tutoriel écrit complet (anglais, français et chinois) et tous les
diagrammes montrés dans cette vidéo :
https://github.com/scheffershen/yt-rag-formation/tree/main/lessons/fr/continue
https://shenyi.dev/fr/ai-lab/rag-formation/continue/01-improve-your-rag

#RAG #RetrievalAugmentedGeneration #LLM #IngénierieIA #MachineLearning