Recherche vectorielle

D’abord, chaque passage est transformé en embedding et rangé dans une base de données vectorielle. Quand une question arrive, elle reçoit aussi un embedding.

La base renvoie alors les passages stockés les plus proches de la question.

Un site de cuisine enregistre chaque étape de recette comme un passage séparé. Quelqu’un demande : « Comment empêcher les pâtes de coller ? » La recherche vectorielle peut trouver l’étape où l’on remue avec beaucoup d’eau, même si le mot « coller » n’y figure pas.

Anthropic décrit cela comme la configuration habituelle du RAG : découper les documents en chunks, en faire des embeddings, les ranger dans une base vectorielle et chercher par le sens.

Anthropic note aussi que les embeddings peuvent rater des correspondances exactes, comme un code d’erreur. C’est pourquoi beaucoup de systèmes ajoutent une recherche par mots-clés.

• Écrivez des passages qui tiennent debout seuls, pour qu’un seul morceau récupéré réponde quand même à la question.
• Écrivez noms exacts, références et codes en texte simple, car une recherche par le sens seule peut les manquer.
• Utilisez des titres clairs, pour que chaque passage ait un sujet net.

Recherche sémantique

La recherche sémantique est le but : faire correspondre le sens. La recherche vectorielle est une façon courante d’y arriver.

Recherche hybride

La recherche hybride combine recherche vectorielle et recherche par mots-clés.