/ EN CLAIR
Une base vectorielle stocke des textes sous la forme de leurs embeddings et sait retrouver les plus proches d'une question donnée. Là où une base classique cherche des mots exacts, elle cherche du sens voisin.
C'est la moitié d'un RAG : on y range les documents découpés en morceaux, et à chaque question on lui demande les cinq ou dix passages les plus proches, qu'on glisse ensuite dans le contexte du modèle.
Le résultat dépend beaucoup du découpage. Des morceaux trop longs noient l'information, trop courts la privent de son contexte. C'est le réglage qu'on ajuste en premier quand un RAG répond à côté.
/ EN BREF
- À QUOI ÇA SERT
- Retrouver, dans un stock de documents, les passages proches d'une question par le SENS et non par les mots.
- CE QU'ELLE STOCKE
- Des morceaux de texte et leur embedding, plus les métadonnées qui permettent de citer la source.
- OÙ ON LA CROISE
- Dans la moitié amont de tout RAG, entre l'import des documents et l'appel au modèle.
- LE RÉGLAGE QUI COMPTE
- La taille des morceaux. Trop longs, ils noient l'information ; trop courts, ils perdent leur contexte.
CURSOR
CLAUDE
WEBFLOW