Génération augmentée par récupération (RAG)

La génération augmentée par récupération (RAG) est une méthode dans laquelle un modèle de langage commence par récupérer des documents pertinents dans une source externe, un index web par exemple, puis rédige sa réponse à partir de ces documents.

Timothé Merle

En résumé

Définition clé

La génération augmentée par récupération (RAG) associe un moteur de recherche à un modèle de langage. Le système trouve des passages pertinents et les glisse dans le contexte du modèle, qui génère alors une réponse fondée sur eux. Le terme vient d'un article de Lewis et ses co-auteurs (Facebook AI Research, 2020). C'est grâce à ce mécanisme que ChatGPT Search, Perplexity ou Google AI Overviews peuvent citer des pages web.

Importance

Pourquoi est-ce important ?

  • Les connaissances d'entraînement d'une IA s'arrêtent à une date fixe. Le RAG explique comment elle peut tout de même citer une page publiée la semaine dernière.
  • Une page que le système ne récupère pas ne sera jamais citée. Être explorable et bien classé dans l'index utilisé reste la condition de départ de la visibilité IA.
  • Le modèle lit des passages, pas des pages entières. Les contenus dont chaque section répond nettement à une question précise partent avec un avantage.
  • Les citations affichées par les moteurs IA sont la partie visible de l'étape de récupération. Une marque peut donc les mesurer et agir dessus.
  • Une fois le RAG compris, on arrête de parier sur des astuces inutiles et on concentre l'effort sur l'accès des robots, la pertinence et la clarté des passages.

Comment ça fonctionne ?

Un système RAG enchaîne trois étapes, la récupération, l'augmentation du contexte et la génération. Les moteurs de recherche IA appliquent ce schéma au web tout entier, souvent en lançant plusieurs recherches pour une seule question.

  1. 1

    Récupération

    La question est convertie en une ou plusieurs requêtes envoyées à un index. Celui-ci peut être un moteur de recherche web, une base vectorielle construite avec des embeddings, ou les deux à la fois. Selon Google, les AI Overviews et AI Mode peuvent recourir au "query fan-out", qui lance plusieurs recherches liées sur des sous-thèmes de la question. Les meilleurs résultats sont ensuite découpés en passages et classés par pertinence.

  2. 2

    Augmentation du contexte

    Les passages retenus sont insérés dans le prompt du modèle, avec leur URL et leur titre. De chaque page, le modèle ne voit qu'un extrait, borné par la taille de sa fenêtre de contexte. Un passage qui s'appuie sur le paragraphe précédent, ou sur un tableau en image, perd son sens une fois isolé. Il a alors moins de chances de servir.

  3. 3

    Génération et citation

    Le modèle écrit sa réponse à partir des passages fournis, puis rattache certaines phrases à leur source. Dans l'API OpenAI, ces liens prennent la forme d'annotations url_citation qui contiennent l'URL, le titre et la position du texte cité. WebGPT (OpenAI, 2021) montrait déjà un modèle capable de naviguer sur le web et de collecter des références pour étayer ses réponses. La citation découle directement de la récupération.

  4. 4

    Limites du RAG

    Le RAG fait baisser les erreurs, il ne les fait pas disparaître. Le système peut tomber sur une page datée, comprendre un passage de travers ou prêter une phrase à une source qui ne la soutient pas. La qualité de la réponse tient autant aux pages récupérées qu'au modèle lui-même.

Métriques

Comment le mesurer ?

  • Fouillez vos logs serveur pour repérer les robots de récupération comme OAI-SearchBot, ChatGPT-User, PerplexityBot, Perplexity-User et Claude-User, ainsi que les pages qu'ils demandent.
  • Contrôlez dans Google Search Console que vos pages stratégiques sont indexées. Les AI Overviews puisent leurs sources dans l'index Google.
  • Passez un jeu de prompts sur plusieurs moteurs IA et relevez les URL citées. Vous verrez quelles pages franchissent l'étape de récupération.
  • Mettez le passage cité en regard de votre page pour voir quel paragraphe a été extrait et s'il a été repris fidèlement.
  • L'Agent site de Hikoo évalue la lisibilité IA de vos pages, et un audit gratuit est disponible sur /tools/free-audit.

Pièges

Quelles sont les erreurs courantes ?

  • Penser qu'une IA connaît vos contenus récents grâce à son seul entraînement. Sans récupération, elle ne voit pas vos nouvelles pages.
  • Bloquer les robots de recherche IA dans robots.txt ou au pare-feu. L'étape de récupération n'a pas lieu, et aucune citation n'est possible.
  • Écrire des sections qui renvoient au contexte ("comme expliqué ci-dessus") et qui n'ont plus de sens une fois extraites.
  • Cacher les informations importantes dans des images, des onglets chargés en JavaScript ou des PDF lourds, plus durs à extraire en texte.
  • Confondre RAG et entraînement du modèle. Bloquer un robot d'entraînement comme GPTBot ne retire pas vos pages de la recherche ChatGPT.

Par où commencer ?

Suivez ces étapes pour commencer.

  • Autorisez dans robots.txt et au pare-feu les robots de recherche IA dont vous souhaitez les citations.
  • Vérifiez que vos pages importantes sont indexées dans Google et Bing, qui alimentent une partie des systèmes de récupération.
  • Écrivez chaque section pour qu'elle réponde seule à une question, en nommant le sujet dès la première phrase.
  • Mettez les faits importants en texte HTML, pas dans des images ou des fichiers à télécharger.
  • Datez vos chiffres et tenez-les à jour. Un passage périmé finit par céder sa place à une source plus récente.
  • Relevez chaque mois les URL citées sur un jeu de prompts pour savoir quelles pages sont récupérées.

Exemples

Une question, plusieurs recherches

Exemple illustratif. Un utilisateur demande "quel logiciel de gestion de flotte choisir pour 300 véhicules". Le moteur lance des recherches sur les fonctionnalités, les tarifs et les avis, récupère une dizaine de passages et rédige une réponse qui cite trois pages. Un éditeur absent de ces recherches n'a aucune chance d'apparaître, aussi bon que soit son produit.

Page récente citée

Scénario type. Une entreprise publie une page sur une nouvelle réglementation. Quelques jours après l'indexation, Perplexity la cite sur des questions voisines, alors que le modèle sous-jacent n'a jamais vu cette page à l'entraînement. C'est l'étape de récupération qui l'a mise à sa disposition.

Questions fréquentes

  • Qu'est-ce que le RAG en intelligence artificielle ?

    Le RAG, ou génération augmentée par récupération, est une technique dans laquelle un modèle de langage va chercher des documents dans une source externe avant de répondre. Les passages trouvés rejoignent le contexte du modèle, qui s'en sert pour rédiger une réponse fondée. Lewis et ses co-auteurs ont formalisé la méthode en 2020.

  • Quel lien entre le RAG et les citations des moteurs IA ?

    Les citations sont la face visible du RAG. Le moteur récupère des pages web, génère sa réponse à partir de leurs passages, puis affiche les liens vers les pages utilisées. Sans récupération, un modèle répond de mémoire et ne peut en général citer aucune page précise. Avant d'être cité, il faut être récupéré.

  • ChatGPT utilise-t-il le RAG ?

    Oui, quand la recherche web est activée. ChatGPT envoie alors des requêtes, récupère des pages par ses robots comme OAI-SearchBot et ChatGPT-User, puis rédige une réponse avec des citations cliquables. Sans recherche web, il répond à partir de ses connaissances d'entraînement, arrêtées à une date donnée et dépourvues de liens vérifiés.

  • Comment optimiser son contenu pour le RAG ?

    Commencez par ouvrir vos pages aux robots de recherche IA et par les faire indexer. Écrivez ensuite des sections autonomes, chacune centrée sur une question, avec le sujet nommé, des faits précis et datés, et du texte HTML plutôt que des images. Un passage qui garde son sens une fois extrait sera plus souvent utilisé et cité.

  • Quelle différence entre RAG et fine-tuning ?

    Le fine-tuning modifie les poids du modèle en le réentraînant sur de nouvelles données. Le RAG laisse le modèle intact et lui fournit des documents au moment de la question. Avec le RAG, on exploite une information fraîche et on cite sa source. Le fine-tuning sert plutôt à ajuster le style ou la spécialité du modèle.

Sources

  1. 1arXiv Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020)
  2. 2arXiv WebGPT, Browser-assisted question-answering with human feedback (Nakano et al., 2021)
  3. 3OpenAI Platform Docs Web search (tools guide)
  4. 4Google Search Central AI features and your website

À propos de l'auteur

Timothé MerleTimothé MerleCo-founder of Hikoo, AEO and GEO expert
Voir le profil LinkedIn

Contenu associé

Testez la visibilité IA de votre site en 30 secondes.

Score GEO, santé technique et aperçu de votre visibilité sur ChatGPT et Gemini.

Lancer mon audit gratuitCommencer gratuitement