RAG (génération augmentée par récupération)
RAG signifie que le modèle consulte des documents au moment de la réponse au lieu de s'appuyer uniquement sur ce qu'il a mémorisé lors de l'entraînement.
Sans récupération, le modèle est une archive bien articulée mais avec une date de péremption. Avec le RAG, il interroge un index — le web, une base vectorielle, votre Notion — puis rédige en s'appuyant sur ces passages en contexte.
Perplexity est orienté RAG. ChatGPT Search utilise le RAG quand la navigation est activée. Les Google AI Overviews mélangent la récupération avec l'index de recherche que vous connaissez déjà. Le GEO, c'est surtout une bataille pour figurer dans cet ensemble récupéré.
La qualité des chunks compte. Si votre page est un gros bloc de marketing, le récupérateur va extraire un morceau inutile. Si chaque section est autonome, vous obtenez des citations au niveau du passage via la récupération de sous-documents.
Le RAG sur Reddit, c'est juste du RAG appliqué aux fils de discussion. Le chunk peut être un commentaire, pas une page. C'est pour ça qu'une anecdote avec 40 upvotes peut surpasser votre white paper.
Exemples
- Un bot de support qui répond à partir de vos documents, c'est du RAG. S'il ignore les docs et invente une politique de remboursement, c'est que la récupération a échoué ou n'a jamais été configurée.
- ChatGPT cite un article de blog de 2024 pour une question sur les prix de 2026 parce que la récupération en direct a raté votre mise à jour /pricing. C'est du RAG périmé, pas « l'algorithme vous déteste ».
Termes associés
La date après laquelle les poids du modèle n'incluent plus le web. Tout ce qui est plus récent nécessite du browsing ou du RAG.
La dissémination de requête se produit lorsqu'une question utilisateur devient de nombreuses recherches internes. Vous pouvez être cité pour une sous-requête que vous n'aviez jamais ciblée.
Des vecteurs qui représentent le sens. Ils alimentent la recherche sémantique et le RAG. Votre page devient un point dans l'espace.
Combinaison de la recherche par mots-clés (BM25) et de la récupération vectorielle. De nombreuses piles RAG le font. Vos noms et votre signification comptent tous les deux.
Trouver les voisins les plus proches dans l'espace d'embeddings. Cœur de RAG. Les pages floues se regroupent et perdent.
FAQ
Le RAG, c'est la même chose que le fine-tuning ? +
Non. Le fine-tuning modifie les poids. Le RAG laisse le modèle intact et injecte des preuves dans le prompt. La plupart des recherches IA que vous utilisez sont du RAG plus de la mémoire.
Comment optimiser pour le RAG ? +
Des titres clairs, des chunks factuels, des données uniques, un HTML crawlable. Ensuite, gagnez des places dans les index que ces systèmes interrogent — y compris Reddit.
Suivre cela dans Reddex
Threads Reddit et réponses IA pour votre marque au même endroit. Commencez par une analyse gratuite.
Commencer