RAG hybride et Agentic RAG : comment fiabiliser un agent IA

RAG hybride et Agentic RAG : comment fiabiliser un agent IA

Un RAG simple fonctionne souvent très bien pendant une démonstration. Les problèmes apparaissent quand la base de connaissances grandit et que les requêtes deviennent plus précises.

Le modèle peut récupérer le mauvais passage, rater un code produit ou répondre avec un contexte incomplet.

Deux approches permettent d'aller plus loin : le RAG hybride et l'Agentic RAG.

La vidéo complète

Je montre ces approches avec des exemples dans cette vidéo :

Rappel : à quoi sert un RAG ?

Un système RAG permet à un modèle de répondre à partir de données externes.

Le processus classique est simple :

1. l'utilisateur pose une question ;
2. le système recherche des passages pertinents ;
3. ces passages sont envoyés au LLM ;
4. le modèle génère sa réponse à partir du contexte récupéré.

Cette méthode permet de construire un agent qui connaît la documentation d'une entreprise sans réentraîner le modèle.

Pourquoi la recherche sémantique peut rater

La recherche sémantique compare le sens des requêtes et des documents.

Elle fonctionne très bien pour une demande comme :

Quelle est votre politique de retour ?

Elle peut être moins fiable pour des éléments précis :

• références produits ;
• codes ;
• numéros de pièces ;
• acronymes ;
• chaînes alphanumériques ;
• noms très proches.

Une référence comme GL5528 possède peu de sens sémantique. Une recherche vectorielle peut donc passer à côté du bon document.

Le RAG hybride

Le RAG hybride combine plusieurs méthodes de recherche.

Une architecture courante associe :

• recherche sémantique ;
• recherche par mots clés ;
• fusion des résultats ;
• reranking.

La recherche sémantique récupère les documents proches du sens général.

La recherche par mots clés retrouve les correspondances exactes ou quasi exactes.

Le reranking reclasse ensuite les candidats pour envoyer les meilleurs résultats au modèle.

Cette combinaison est particulièrement utile pour des bases produits, des catalogues techniques ou des documentations avec beaucoup de références.

Le problème du contexte fragmenté

Un autre problème vient du découpage des documents.

Une information peut être répartie sur plusieurs pages ou plusieurs sections. Si le moteur ne récupère que quelques fragments, le modèle peut manquer une partie du contexte.

Plus la documentation devient complexe, plus il faut réfléchir à la structure des sources, aux métadonnées et au découpage.

Le nombre de fragments récupérés doit dépendre du type de document et de la question.

L'Agentic RAG

Avec une approche agentique, l'agent participe à la sélection des sources.

On peut par exemple lui donner deux outils :

• lister les documents avec leur titre et leur résumé ;
• récupérer le contenu d'un document choisi.

L'agent commence par regarder quelles sources existent.

Il choisit ensuite le document qui semble pertinent puis consulte son contenu.

Cette logique est intéressante quand la base contient plusieurs types de sources ou des documents qui ont chacun un rôle clair.

Utiliser les métadonnées

Les métadonnées rendent cette sélection beaucoup plus efficace.

Pour chaque document, on peut stocker :

• titre ;
• résumé ;
• catégorie ;
• langue ;
• produit concerné ;
• date ;
• type de contenu.

L'agent peut alors choisir la source à partir de ces informations avant de charger le contenu complet.

Documents courts et grandes fenêtres de contexte

Les modèles récents peuvent accepter des contextes importants.

Pour certains documents courts, charger le document complet peut être plus simple que de le découper en dizaines de petits fragments.

Cette stratégie dépend du volume, du coût et de la longueur totale du contexte.

Je l'utilise surtout lorsque les documents sont clairement identifiables et suffisamment courts pour être chargés avec une latence et un coût raisonnables.

Combiner RAG hybride et sélection agentique

Les deux approches peuvent être combinées.

Pour une grande base, on peut d'abord utiliser une recherche hybride pour réduire le nombre de candidats.

L'agent examine ensuite les meilleurs documents, choisit les sources et récupère leur contenu.

Cette architecture permet de limiter le volume de contexte tout en gardant une recherche précise.

Comment choisir l'approche

Un RAG simple reste adapté à une FAQ ou une petite documentation homogène.

Le RAG hybride devient utile lorsque vous avez beaucoup de références précises ou des requêtes où les mots exacts comptent.

L'Agentic RAG est intéressant quand l'agent doit choisir entre plusieurs familles de documents ou croiser plusieurs sources.

La bonne architecture dépend donc de la structure de vos données et des questions réellement posées.

Tester sur des cas réels

Je conseille de constituer un jeu de questions représentatif avant de choisir l'architecture.

Incluez :

• questions simples ;
• références précises ;
• cas ambigus ;
• questions qui demandent plusieurs sources ;
• informations absentes ;
• formulations inhabituelles.

Vous pouvez ensuite mesurer le taux de récupération correcte avant même d'évaluer la qualité de la réponse finale.

C'est souvent à cette étape que l'on découvre si le problème vient du LLM ou de la recherche.

Si vous construisez un agent avec une base documentaire importante, vous pouvez me contacter pour auditer la partie recherche et la qualité des réponses.