Naive / Standard RAG
Recherche vectorielle en une passe sur des fragments de texte.
Correspondance simple de FAQRetrieval-Augmented Generation
RAG, conçu pour la production, pas pour les démos
Un seul type de RAG échoue à l'échelle de l'entreprise. Nous architecturons le bon mélange.
Le Retrieval-Augmented Generation ancre un modèle de langage dans vos données approuvées afin que les réponses restent exactes et traçables. À l'échelle de l'entreprise, une seule recherche vectorielle naïve ne suffit pas : produits, documents, clients et systèmes partenaires nécessitent chacun une stratégie de récupération différente. Nous concevons, construisons et exploitons la bonne combinaison, hébergée dans l'EU, avec votre code et sans verrouillage.
Pourquoi un seul type de RAG ne suffit pas
Le Retrieval-Augmented Generation (RAG) connecte un modèle de langage à vos propres données afin qu'il réponde à partir de sources approuvées plutôt que de deviner. Une démo exécute une seule recherche vectorielle sur un dossier de texte. Un système de production à l'échelle de l'entreprise superpose une récupération spécialisée par type de données, fusionne la recherche par mots-clés et la recherche vectorielle, parcourt des graphes de connaissances pour les relations et oriente chaque requête vers la bonne stratégie. Nous concevons toute cette taxonomie, ancrée, sensible aux permissions et auditée par défaut.
- Réponses ancrées avec citations, pas d'hallucinations
- Récupération sensible aux permissions, cadrée avant que le modèle ne voie les données
- Récupération hybride, par graphe et agentique, pas une simple recherche vectorielle
- Hébergement EU, votre code, neutre vis-à-vis du modèle, sans verrouillage
Comment le RAG fonctionne, de bout en bout
De vos données à une réponse ancrée : ingérées et vectorisées, récupérées par recherche hybride et par graphe, reclassées, puis générées et vérifiées.
La récupération hybride fusionne recherche vectorielle, par mots-clés et par graphe. Une couche de garde-fous, d'évaluation et d'audit enveloppe chaque étape avant le retour de la réponse.
La taxonomie RAG
Un RAG spécialisé, adapté au problème
Les architectures d'IA modernes utilisent une taxonomie de modèles de récupération. Nous concevons sur les trois familles et les combinons par actif de données.
Architecturaux et algorithmiques de base
Les socles de récupération, choisis selon la forme des données et le niveau de précision requis pour la correspondance.
GraphRAG
Les graphes de connaissances relient les entités, par exemple un client aux produits achetés via une arête de transaction.
Relations et entitésHybrid RAG
Fusionne la recherche par mots-clés (BM25) avec la similarité vectorielle.
Correspondance exacte de SKU et de codeHierarchical RAG (RAPTOR)
Résume récursivement le texte en arbres parent-enfant.
Contrats et manuels longsMultimodal RAG
Récupère simultanément à travers texte, images, vidéo et audio.
Photos vers fiches produitBoucles agentiques et dynamiques
Des boucles qui décident, vérifient et orientent, pour des réponses multi-sources et le contrôle qualité.
Agentic RAG
Des agents équipés d'outils planifient une récupération en plusieurs étapes à travers des silos de données distincts.
Réponses inter-systèmesCorrective RAG (CRAG)
Un évaluateur juge la qualité de la récupération et bascule vers une autre source lorsqu'elle est mauvaise.
Garanties d'exactitudeSelf-RAG
Le modèle critique sa propre sortie et récupère à nouveau au besoin.
Contrôle qualité en temps réelAdaptive RAG
Un routeur lit d'abord la requête, puis l'envoie vers un chemin économique ou un chemin lourd.
Maîtrise des coûts et de la latenceIngénierie du contexte et des entrées
Concevoir chaque segment et chaque tour pour porter le bon contexte avant son intégration vectorielle (embedding).
Conversational RAG
Prend en compte tout l'historique du dialogue afin que les questions de suivi conservent leur référent.
Assistants multi-toursContextual Retrieval
Ajoute le contexte global du document devant chaque fragment avant la vectorisation.
Aucun lien sémantique rompuHyDE
Génère d'abord une réponse hypothétique, puis effectue la recherche avec elle pour combler les écarts de vocabulaire.
De l'argot aux termes internesGraphRAG : des réponses qui suivent les relations
La recherche vectorielle seule fait correspondre des textes qui se ressemblent. GraphRAG ajoute une couche d'entités et de relations typées, de sorte que le système peut répondre à des questions qui dépendent de la façon dont vos données se connectent : un client à ses commandes, une commande à ses produits, un produit à sa politique. Pour les données de commerce, de support et d'ingénierie, c'est la différence entre une supposition plausible et une réponse correcte et traçable.
Un graphe de connaissances relie les entités par des arêtes typées, de sorte qu'une requête peut parcourir d'un client jusqu'aux produits et documents exacts qui ancrent la réponse.
Cartographier le RAG sur vos actifs de données
Pour passer à l'échelle, chaque type d'entité est associé à l'architecture de récupération qui lui convient. Voici comment nous structurons la récupération pour une plateforme de commerce d'entreprise.
| Stratégie RAG optimale | Pourquoi ce choix compte | |
|---|---|---|
| Produits e-commerce | Hybrid RAG + GraphRAG | Empêche la recherche sémantique d'halluciner les niveaux de stock ou de faire correspondre la mauvaise taille ou le mauvais SKU. |
| Documents | Hierarchical RAG + Conversational | Résume avec exactitude des manuels et contrats complets tout en conservant le fil du dialogue. |
| Clients | GraphRAG + sensible au contexte | Trouve les liens structurels dans l'historique des commandes pour faire émerger des parcours d'achat personnalisés. |
| Agences et partenaires | Agentic RAG | Récupère activement les données de plateformes tierces via une utilisation d'outils en direct et auditée. |
Exemples présentés pour une plateforme de commerce ; la même méthode de cartographie s'applique aux données de l'industrie, de la finance et du secteur public.
État cible en production
Structured Agentic RAG
En production, vous ne choisissez pas un seul type de RAG. Un routeur Adaptive RAG se place au-dessus et envoie chaque requête vers le bon chemin.
Le routeur classe chaque requête, puis l'envoie vers une simple consultation, un parcours de graphe ou des outils agentiques en direct, en reconvergeant à travers les garde-fous et l'évaluation.
Quel est le statut de ma livraison ?
Agentic RAGinterroge l'API logistique en direct.
Des vestes qui s'accordent avec les chaussures que j'ai achetées le mois dernier ?
GraphRAGévalue le graphe d'achat client-produit.
Ce que chaque équipe obtient
Les décisions RAG ne se voient pas de la même façon selon le poste. Voici ce qui compte pour les personnes qui valident l'architecture.
DSI et responsables IT
Vous avez besoin de réponses ancrées dans vos systèmes, pas d'un chatbot qui invente la politique.
Une architecture de récupération nommée, exécutée dans votre cloud, conforme au RGPD, avec des évaluations à chaque changement.
Entreprise et achats
Un comité d'achat doit auditer la façon dont le système parvient à une réponse.
Citations, récupération sensible aux permissions et journal d'audit, avec préparation à l'AVV et aux TOM.
DSI et fondateurs de start-up
Vous voulez une récupération opérationnelle en quelques semaines, pas un projet de recherche.
Un Hybrid ou Agentic RAG pragmatique livré dans un pilote de 90 jours, puis mis à l'échelle.
Agences et partenaires
Votre client a besoin d'un travail RAG senior livré sous votre marque.
Ingénierie de récupération en marque blanche, la même rigueur que derrière nos travaux open source.
Une ingénierie publique que vous pouvez inspecter
En production sur ce site
En directL’assistant de ce site est un système agentique utilisant des outils, que nous avons construit et exploitons en production, pas une démo derrière un identifiant.
Vendure Data Hub
Open sourceUn plugin commerce Vendure que nous avons construit et publié, public sur GitHub. Deux de nos onze bundles développés sont publics.
Voir sur GitHubPimcore Asset Pilot
Open sourceUn bundle d’assets Pimcore que nous avons construit et publié, public sur GitHub et inspectable de bout en bout.
Voir sur GitHubQuand le RAG n'est pas la réponse
- La vérité numérique en temps réel pur, par exemple les niveaux de stock en direct, relève d'une requête directe, pas de la récupération.
- Modifier le ton ou le comportement de base du modèle est un travail de fine-tuning, pas un travail de RAG.
- Une base de connaissances statique minuscule peut être moins coûteuse à placer directement dans le prompt.
- Les tâches sans source de vérité pour s'y ancrer ne sont pas un problème de récupération.
Questions que les équipes posent sur le RAG
Ils se répartissent en trois familles : les modèles architecturaux de base (Naive, GraphRAG, Hybrid, Hierarchical ou RAPTOR, Multimodal), les boucles agentiques et dynamiques (Agentic RAG, Corrective ou CRAG, Self-RAG, Adaptive RAG) et l'ingénierie du contexte (Conversational, Contextual Retrieval, HyDE). Les systèmes de production en combinent plusieurs.
L'Agentic RAG dote le système d'agents équipés d'outils qui planifient une récupération en plusieurs étapes à travers des sources de données distinctes, y compris des API en direct, plutôt qu'une simple consultation vectorielle. C'est le bon modèle lorsqu'une réponse a besoin de données provenant de plus d'un système.
Le RAG vectoriel est idéal pour la similarité textuelle floue. GraphRAG est idéal lorsque la réponse dépend des relations entre entités, par exemple relier un client à des produits via l'historique d'achat. La plupart des systèmes d'entreprise utilisent les deux derrière un routeur.
Le RAG ancre le modèle dans des données actuelles et approuvées et garde les réponses traçables. Le fine-tuning modifie le ton, le style ou la logique métier du modèle. Ils résolvent des problèmes différents et fonctionnent souvent ensemble ; nous conseillons celui qui convient à chaque cas.
Les produits utilisent Hybrid RAG plus GraphRAG afin que les SKU exacts et les stocks ne soient pas hallucinés ; les documents utilisent Hierarchical RAG ; les clients utilisent GraphRAG ; les systèmes partenaires utilisent Agentic RAG. Un routeur Adaptive les relie entre eux.
La récupération est la base. La production a aussi besoin d'évaluation, de garde-fous, de contexte sensible aux permissions, d'observabilité et de routage. Nous concevons le système complet, hébergé dans l'EU, avec votre code et sans verrouillage fournisseur.
Explorer la stack IA
Ancrez votre IA dans vos propres données
Dites-nous à quoi ressemblent vos systèmes et vos données. Nous cartographierons la bonne architecture de récupération et un chemin vers la production.
Avec qui vous travaillez
HRB 288224
Immatriculée à Munich
15+
Ans, dirigée par le fondateur
DE · EN · AR
Langues de travail
2
Open source sur GitHub
EU
Résidence des données, Francfort
AVV/DPA
Prêt à signer, art. 28
Niveaux d'engagement
Oronts travaille avec des équipes sérieuses qui ont besoin d'une livraison senior, pas d'externalisation low-cost.
- Pilote de production
- à partir de 25k EUR
- Projets logiciels et IA sur mesure
- à partir de 50k EUR
- Retainers techniques continus
- à partir de 15k EUR/mois
Le prix exact dépend du périmètre, des responsabilités, de la vitesse de livraison, de la taille d'équipe, des intégrations, des attentes de support et du risque de production.