Weaviate : concevoir une recherche hybride efficace
Combiner recherche BM25 et vectorielle dans Weaviate, régler la fusion, filtrer et évaluer la pertinence en production.
Répertoire
Guides
Comprenez les concepts essentiels et choisissez une approche adaptée à votre projet.
Qdrant en production : concevoir une recherche vectorielle performante
Comprendre l’architecture Qdrant, dimensionner les collections, optimiser les filtres et exploiter une recherche vectorielle fiable en production.
Embeddings : comprendre les modèles et choisir le bon
Comprendre comment fonctionnent les embeddings et sélectionner un modèle selon langue, recherche, dimension, coût, confidentialité et qualité.
GraphRAG : enrichir le retrieval avec un graphe de connaissances
Comprendre quand un graphe améliore un RAG, comment l’extraire, le requêter et combiner relations, vecteurs et provenance.
RAG sur des PDF complexes : tableaux, images et mise en page
Construire un pipeline RAG fiable pour des PDF comportant colonnes, tableaux, schémas, scans, en-têtes et références visuelles.
Chunking : choisir une stratégie de découpage pour un RAG performant
Comparer découpage fixe, structurel, sémantique, parent-enfant et fenêtres pour améliorer retrieval, citations, coût et qualité.
RAG avancé : reranking, query expansion et routing
Améliorer un RAG au-delà de la recherche vectorielle simple avec réécriture, fusion, reranking, routage et évaluation.
Fine-tuning, RAG ou prompt engineering : comment choisir ?
Choisir la technique adaptée selon connaissance, comportement, données, coût et vitesse d’itération.
Hybrid search : combiner BM25 et vecteurs pour un RAG plus fiable
Associer recherche lexicale et sémantique, fusionner les classements et mesurer le gain sur un dataset réel.
pgvector, Chroma ou Pinecone : quelle base vectorielle pour votre RAG ?
Choisir un stockage vectoriel selon architecture existante, filtres, échelle, exploitation et exigences de production.
RAGFlow, LangChain ou LlamaIndex : quelle base pour votre RAG ?
Comparer RAGFlow, LangChain et LlamaIndex selon le niveau d’abstraction, l’ingestion, l’orchestration et l’exploitation.
Index et retrievers dans LlamaIndex : construire une recherche maîtrisée
Comprendre le rôle des documents, nœuds, index et retrievers dans LlamaIndex, puis concevoir une récupération pertinente et évaluable.
LlamaIndex ou LangChain pour un RAG : comment choisir ?
Comparer LlamaIndex et LangChain pour ingestion, retrieval, orchestration, agents, évaluation et maintenance d’un RAG.
Utiliser un retriever pour le RAG avec LangChain
Construire et évaluer la couche de récupération d’un RAG LangChain avec filtres, recherche hybride et citations.
Comprendre les embeddings et la recherche sémantique
Comprendre comment un texte devient un vecteur, comment mesurer sa proximité et comment évaluer une recherche.
ChromaDB, FAISS ou pgvector : quelle base vectorielle choisir ?
Choisir entre bibliothèque locale, base orientée IA et extension PostgreSQL selon échelle, filtres et exploitation.