RAG IA : c'est quoi et comment faire répondre une IA à partir de tes documents ?

Un RAG fait chercher une IA dans tes documents avant qu’elle réponde. Le système retrouve les extraits utiles, les colle dans le prompt avec la question, et le modèle rédige sa réponse en s’appuyant dessus. Voici un exemple pas à pas, puis les outils pour en monter un, avec ou sans code. Aucun des outils cités n’a été testé pour cette page : les limites et les prix viennent de leur documentation officielle, relevée le 6 novembre 2026.

RAG IA, c’est quoi exactement ?

RAG signifie Retrieval-Augmented Generation. En français, la Direction générale des Entreprises parle de « génération augmentée par récupération », et Wikipédia de « génération à enrichissement contextuel ». Le terme vient d’un article de recherche soumis le 22 mai 2020 par Patrick Lewis et onze coauteurs. Ils y associaient un modèle de langage à un index de Wikipédia interrogé à chaque question.

Le RAG répond à deux limites d’un modèle seul :

• Il ne connaît pas tes documents. Ta FAQ interne, tes contrats ou ta documentation produit ne font pas partie de son entraînement.
• Ses connaissances s’arrêtent à une date. Une règle modifiée la semaine dernière lui est inconnue.

Avec un RAG, tu ne réentraînes rien. Tu ajoutes ou remplaces un document dans la base, et la prochaine réponse peut s’appuyer dessus. Le glossaire IA donne la définition courte et la distinction avec l’ajustement fin.

Un exemple de RAG : l’assistant de la FAQ d’une boutique

Prends une boutique en ligne fictive de matériel de randonnée. Elle a une FAQ de 80 questions, des conditions générales de vente et une fiche de procédure pour les retours. Un client écrit : « Puis-je retourner des chaussures que j’ai portées une fois ? »

1. Avant toute question, les documents sont découpés en passages de quelques centaines de mots, par exemple un passage par question de FAQ et un par article des conditions de vente.
2. Chaque passage est converti en vecteur par un modèle d’embeddings, une suite de nombres qui représente son sens. Les vecteurs sont rangés dans une base vectorielle.
3. La question du client est convertie de la même façon, puis la base renvoie les passages dont le vecteur est le plus proche : ici, l’article « Retours des articles portés ou utilisés » des conditions de vente et la question de FAQ sur les délais de retour.
4. Ces passages sont ajoutés au prompt avec une consigne du type : « Réponds seulement à partir des extraits fournis et cite celui que tu utilises. »
5. Le modèle répond en s’appuyant sur ces extraits, par exemple : « Non, les chaussures portées ne sont reprises qu’en cas de défaut (conditions de vente, article “Retours des articles portés ou utilisés”). » Si aucun extrait ne traite la question, la consigne lui demande de le dire et d’orienter vers le service client.

Sans la recherche (étapes 1 à 3), le modèle répondrait avec une règle de retour générale, plausible mais peut-être fausse pour cette boutique. Avec le RAG, la réponse dépend du document de la boutique, et tu peux vérifier d’où elle vient.

Comment fonctionne un RAG, étape par étape

Un RAG a deux temps : on indexe les documents une fois, puis on cherche et génère à chaque question.

Indexer : découper, vectoriser, ranger

Le découpage (« chunking ») fixe la taille des passages. Elle se compte en tokens, des morceaux de mots qui servent aussi d’unité de facturation. L’outil de recherche de fichiers d’OpenAI, par exemple, découpe par défaut en passages de 800 tokens avec un chevauchement de 400 tokens entre deux passages voisins. Un passage trop court perd son contexte ; un passage trop long noie l’information utile.

Chaque passage passe ensuite dans un modèle d’embeddings, qui le transforme en vecteur. Selon la documentation d’Ollama, ces suites comptent le plus souvent entre 384 et 1 024 nombres selon le modèle. Ils sont stockés dans une base vectorielle (Qdrant, pgvector, Supabase ou le stockage intégré d’un service), qui sait retrouver les vecteurs les plus proches d’un autre.

Chercher : sens et mots exacts

La recherche par embeddings retrouve des passages proches par le sens, même sans mot commun avec la question. Elle peut pourtant rater une correspondance exacte. Anthropic donne l’exemple d’un code d’erreur « TS-999 » : la recherche sémantique ramène des passages sur les codes d’erreur en général, alors qu’une recherche par mots-clés de type BM25 trouve le passage qui contient précisément « TS-999 ». Un RAG peut combiner les deux recherches, puis reclassent les meilleurs résultats avec un modèle dédié (« reranking »).

Générer : répondre avec des sources

Les passages retenus sont insérés dans le prompt avec la question. Pour des documents longs, la documentation d’Anthropic conseille de placer les documents en haut du prompt, avant la question, et de demander au modèle de citer les passages pertinents avant de répondre. Les citations te servent à contrôler la réponse.

Quelle différence entre un LLM et un RAG ?

Le LLM est le modèle qui génère le texte. Le RAG est un système construit autour de lui, qui décide quels morceaux de tes documents il lira avant de répondre. Un même LLM peut être utilisé avec ou sans RAG.

Le RAG n’est qu’une des façons de donner des connaissances à un modèle :

Le guide MCP détaille les rôles de l’hôte, du client et du serveur. Un RAG agentique combine les deux idées : le modèle décide lui-même quand lancer une recherche dans la base, au lieu d’une recherche systématique avant chaque réponse. C’est le fonctionnement décrit par n8n, où la base vectorielle est donnée à l’agent comme un outil, et par les projets Claude, où l’assistant utilise un outil de recherche dans les connaissances du projet.

Comment créer un RAG IA, selon ton niveau

Sans coder : NotebookLM, un projet Claude, une bibliothèque Mistral

• NotebookLM, devenu Gemini Notebook, répond à partir des sources que tu ajoutes au carnet. Selon l’aide de Google, chaque source peut contenir jusqu’à 500 000 mots ou 200 Mo pour un fichier importé, et la version sans frais accepte jusqu’à 50 sources par carnet.
• Un projet Claude bascule tout seul en mode RAG quand ses connaissances approchent de la limite de la fenêtre de contexte. L’aide d’Anthropic annonce jusqu’à 10 fois plus de contenu dans ce mode, réservé aux offres payantes (Pro, Max, Ultra, Team, Enterprise).
• Dans Vibe, l’assistant de Mistral AI, tu peux créer des bibliothèques (« Libraries ») de documents. La documentation de Mistral les décrit comme des bases de connaissances reliées aux agents pour un RAG intégré ; une bibliothèque de Vibe partagée avec l’organisation sert aussi aux agents de l’API.

Ces outils font le découpage, les embeddings et la recherche à ta place. Tu n’en règles ni la taille des passages ni le nombre de résultats.

Avec n8n : un RAG dans un workflow

n8n fournit un modèle « RAG Starter » composé de deux workflows : l’un pour importer les fichiers, l’autre pour les interroger. Pour l’import, tu ajoutes un nœud Vector Store en mode « Insert Documents », un modèle d’embeddings et un nœud Default Data Loader qui découpe le texte. n8n recommande le découpeur « Recursive Character Text Splitter » dans la plupart des cas. Pour l’interrogation, la base vectorielle devient un outil de l’agent, avec une description qui lui dit quand s’en servir et une limite sur le nombre de passages renvoyés. Utilise le même modèle d’embeddings à l’import et à la question, sinon les vecteurs ne sont pas comparables.

En local avec Ollama

Ollama génère des embeddings sur ta machine, par exemple avec le modèle embeddinggemma et l’adresse locale /api/embed, selon sa documentation. Il te faut encore une base vectorielle et un modèle de génération, local ou non. C’est la piste à étudier si tes documents ne doivent pas quitter ton ordinateur, à condition que le modèle de génération tourne lui aussi en local.

Par API : OpenAI et Gemini indexent pour toi

Prix relevés le 6 novembre 2026 sur les pages officielles. Les tokens envoyés au modèle s’ajoutent à ces frais : le calculateur de prix API IA estime ce poste selon ton volume de questions. Côté Claude, Anthropic ne propose pas son propre modèle d’embeddings et renvoie notamment vers Voyage AI.

Pourquoi un RAG se trompe, et comment le vérifier

Souvent, une mauvaise réponse vient de la recherche : le bon passage n’a pas été retrouvé. Trois causes sont fréquentes :

• Un passage sans contexte. « Le délai est de 30 jours » ne dit pas de quel délai il s’agit une fois isolé du reste du document.
• Un terme exact raté, comme un numéro de référence ou un code d’erreur, si la recherche est seulement sémantique.
• Trop ou trop peu de passages envoyés au modèle.

Anthropic a publié le 19 septembre 2024 une méthode appelée Contextual Retrieval : avant l’indexation, un modèle ajoute à chaque passage une courte phrase qui le situe dans son document. Dans les tests publiés par Anthropic, le taux d’échec de la recherche (passage utile absent des 20 premiers résultats) baisse de 35 % avec ces embeddings contextualisés, de 49 % en y ajoutant BM25, et de 67 % avec un reranking en plus, passant de 5,7 % à 1,9 %.

Pour vérifier ton propre RAG, prépare une vingtaine de questions dont tu connais la réponse et le passage source. Regarde pour chacune si le bon passage a été retrouvé, puis si la réponse le cite correctement. Une question sans réponse dans tes documents doit produire « je ne sais pas », pas une réponse inventée.

Pour aller plus loin

Si tu prépares un RAG pour une entreprise, le guide de la DGE publié le 28 novembre 2024 s’adresse aux dirigeants : cas d’usage, prérequis, coûts et choix techniques. Pour choisir le modèle qui répondra, les fiches ChatGPT, Gemini et Claude détaillent leurs offres et leurs limites. Le glossaire, le calculateur et les autres outils de référence du site sont réunis dans les ressources IA.