Génération augmentée par recherche

Votre mouvement d’apprentissage

S’orienterClarifier un terme, une source, une personne ou un événement.

Pourquoi cette page existe

Les pages de référence soutiennent l’apprentissage sans vous obliger à abandonner votre question ou parcours.

Ce que vous en retirerez

La génération augmentée par recherche, ou RAG, retrouve du contenu pertinent et le place dans le contexte d’un modèle génératif.

Avant de commencer

Utilisez ces pages seules ou revenez à l’objet qui vous y a conduit.

Faites ceci maintenant

Trouvez le fait ou la relation nécessaire, puis revenez à votre objectif.

À faire maintenantClarifier ce conceptLe plan indique le résultat, le temps, les prérequis, l’action immédiate et la suite préparée.Autre parcours valableExaminer les SourcesVoir la provenance, la revue et les limites des preuves.

Compte

Glossaire connecté

Génération augmentée par recherche

La génération augmentée par recherche, ou RAG, retrouve du contenu pertinent et le place dans le contexte d’un modèle génératif.

Plan pour cette page

Comprendre un concept dans un langage simple et le relier à des idées voisines.

Vous repartirez avec: Le pipeline indexe souvent les sources, représente ou recherche une requête, classe des passages puis fournit une sélection avant génération. Droits d’accès, actualité, découpage, classement, limites et citations affectent le résultat.
Temps: 3–8 min
Avant de commencer: Aucun prérequis. Gardez un exemple réel en tête.
Faites ceci maintenant: Lisez l’explication, puis comparez l’exemple à l’idée reçue.

Étape suivante préparéeExaminer recherche et outils

Génération augmentée par rechercheLa génération augmentée par recherche, ou RAG, retrouve du contenu pertinent et le place dans le contexte d’un modèle génératif.

Plongement vectoriel
Fenêtre de contexte
Ancrage
Utilisation d’outils

Explication

Le pipeline indexe souvent les sources, représente ou recherche une requête, classe des passages puis fournit une sélection avant génération. Droits d’accès, actualité, découpage, classement, limites et citations affectent le résultat.

Exemple

Un assistant de support retrouve des passages de manuels actuels avant de rédiger une réponse et de les relier.

Pourquoi cela compte

Le RAG relie un modèle à une connaissance actuelle ou privée sans le réentraîner, mais fiabilité dépend de la recherche et de la génération. C’est un schéma d’architecture, pas une garantie factuelle.

Idée reçue

Idée reçue : le RAG signifie que le modèle fouille parfaitement tout Internet. Correction : il cherche dans une collection configurée avec un pipeline faillible.

Concepts liés

Suivez les relations, pas seulement l’alphabet

Plongement vectorielUn plongement est un vecteur numérique qui représente un élément afin de mesurer ou apprendre des relations utiles.Fenêtre de contexteUne fenêtre de contexte est la quantité limitée d’informations tokenisées qu’un modèle peut considérer ensemble pendant une génération ou inférence.AncrageL’ancrage relie le résultat d’un modèle à des informations, observations, règles ou preuves externes sélectionnées pour la tâche.Utilisation d’outilsL’utilisation d’outils est la capacité d’un système à invoquer une fonction, un service, une interface ou un appareil externe et intégrer son résultat.

Examiner recherche et outils

Sources et périmètre

Ce qui soutient cet objet

Machine Learning GlossaryGoogle for Developers

Définit la génération augmentée par récupération et les concepts de récupération associés ; les pipelines de production varient en termes d’indexation, de classement, de contrôle d’accès et de citation.

Ouvrir la source

Loading page content...

…