Ce tutoriel assemble les étapes essentielles d’un RAG et utilise le graphe pour diagnostiquer séparément indexation, récupération et génération.
Installer et préparer
Lancez Langflow avec la méthode adaptée à votre environnement, puis configurez une clé d’API Langflow et les identifiants du fournisseur de modèles. Pour un essai, utilisez quelques documents non sensibles dont vous connaissez les réponses.
Créez un flux à partir d’un modèle RAG ou d’un graphe vide. Les noms exacts des composants peuvent varier selon la version et les bundles installés.
Construire la branche d’indexation
Reliez successivement :
- un chargeur de fichiers ou de données ;
- un composant de découpage ;
- un modèle d’embeddings ;
- un stockage vectoriel.
Inspectez les passages produits avant de les indexer. Ils doivent conserver une origine et une portion cohérente de texte. Ajoutez des identifiants stables et les métadonnées utiles aux filtres.
N’indexez pas de nouveau tous les documents à chaque requête. Séparez l’ingestion, déclenchée lors d’un changement de corpus, du chemin de question-réponse.
Construire la branche de recherche
Ajoutez une entrée de chat, connectez-la au retriever du stockage vectoriel, puis envoyez les passages vers un modèle à travers un prompt. Le prompt doit distinguer clairement question et contexte.
Demandez au modèle d’indiquer quand le contexte ne suffit pas. Cette instruction améliore le comportement, mais le contrôle réel vient du test des passages et, si nécessaire, d’une branche basée sur les résultats de recherche.
Tester par étage
Commencez par le retriever. Pour chaque question, vérifiez si un passage attendu apparaît dans les premiers résultats. Si ce n’est pas le cas, travaillez sur découpage, embeddings, requête et nombre de voisins.
Testez ensuite la génération : fidélité au passage, absence d’invention, citation correcte et formulation en français. Conservez les mêmes questions pour comparer les modifications du flux.
Exposer le flux
Langflow fournit des extraits de code et une API pour exécuter un flux. Utilisez une clé côté serveur et n’intégrez jamais ce secret dans le navigateur. Ajoutez délais, limitation de débit et validation des tailles d’entrée dans votre backend.
Checklist
- Le corpus et le modèle d’embeddings sont versionnés.
- L’ingestion est distincte des requêtes.
- Les métadonnées permettent d’appliquer les droits.
- Les questions sans réponse sont testées.
- Les secrets ne figurent ni dans le graphe exporté ni dans les logs.
- La latence et le coût sont mesurés sur plusieurs appels.
Résultat
Le graphe obtenu rend explicites les principales causes d’échec d’un RAG. Gardez cette séparation lors du passage en production : elle facilite les évaluations et évite d’attribuer au modèle un problème venant de la récupération.