# Contexte Tech

> La bibliothèque de ressources IA, analysées avant que vous les utilisiez. Chaque fiche (prompt, dataset, contexte, serveur MCP, agent, modèle…) reçoit une note de qualité sur 100 ; les datasets, contextes, évaluations, garde-fous, tests de red teaming, schémas, corpus, agents et workflows reçoivent en plus une analyse de leur contenu : ce que le modèle va apprendre, ce que la donnée couvre, ses limites, un verdict d'usage et une conclusion. Tout est calculé par règles, sans IA : le résultat est reproductible et s'explique ligne par ligne. Le site propose aussi des outils de décision sourcés (quel modèle pour quelle tâche, serveur GPU local ou API, matériel pour l'IA locale) : les chiffres viennent uniquement de sources officielles (éditeurs de modèles, fiches techniques, pages de prix, instituts de statistique). Open source, hébergé en Europe, en 9 langues (français, anglais, espagnol, allemand, italien, néerlandais, portugais, suédois, polonais). — The European hub that analyses AI resources before you use them: a quality score out of 100 for every resource, and a rule-based content analysis (what the model will learn, coverage, limits, fit-for-use verdict) for datasets, contexts, evaluations, guardrails, red-teaming tests, schemas, corpora, agents and workflows.

## Analyse et qualité

- Onglet Qualité de chaque fiche : note sur 100 et contrôles par famille (contenu propre au type, fiabilité, robustesse, cohérence, sécurité : secrets, données personnelles, injection, commandes dangereuses).
- Onglet Analyse (datasets, contextes, évaluations, garde-fous, red teaming, schémas, corpus, guides d'annotation, agents, workflows) : formes de questions, éléments couverts, comportement attendu du modèle (reprendre un chiffre, le calculer, refuser, répondre de mémoire, masquer des données), longueurs, doublons, langue et format des réponses, verdict « adapté pour » / « limites » et conclusion avec les corrections prioritaires.
- Graphiques de l'analyse : carte de couverture (comportements attendus pour chaque forme de question, refus manquants signalés), matrice des risques d'un agent (gravité de chaque action × validation humaine) et trajet des données d'un workflow (sources, traitement par l'IA, destinations, données personnelles envoyées sans masquage).
- [Analyse et qualité d'un dataset JSONL pour le fine-tuning d'intelligence artificielle](https://contextetech.com/outils/qualite-dataset-jsonl-fine-tuning-intelligence-artificielle): la même analyse sur votre propre fichier JSONL, calculée dans le navigateur ; le fichier n'est pas envoyé.
- La note sur 100 est affichée sur chaque fiche.

Chaque fiche s'exporte au format de l'outil visé (JSON, JSONL, YAML, SKILL.md, configuration MCP) depuis son onglet « Utilisation », ou en une ligne de Python (pip install contexte) ou par l'API. Les outils calculent dans le navigateur : rien n'est envoyé.

## Décider

- [Décider : quel modèle d'IA choisir pour chaque tâche](https://contextetech.com/decider): Choisissez le bon modèle d'IA selon votre besoin et vos contraintes : budget, données sensibles, précision. Recommandations argumentées, données sourcées.
- [Quel modèle d'IA pour extraire des données de documents ?](https://contextetech.com/decider/extraire-donnees-documents): Factures, CV, tickets : le bon modèle selon le volume, la confidentialité et la précision voulue.
- [Quel modèle d'IA pour rédiger des textes ?](https://contextetech.com/decider/rediger-textes-ia): Fiches produit, comptes rendus, e-mails : le bon modèle selon le volume, la confidentialité et la qualité attendue.
- [Quel modèle d'IA pour un RAG sur vos documents ?](https://contextetech.com/decider/rag-chercher-dans-documents): Répondre à partir de votre documentation : le bon modèle selon le volume de questions, la confidentialité et la fiabilité.
- [Quel modèle d'IA pour un chatbot de service client ?](https://contextetech.com/decider/chatbot-service-client): Répondre aux clients 24 h/24 : le bon modèle selon le nombre de conversations, la confidentialité et l'image de marque.
- [Quel modèle d'IA pour des agents et automatisations ?](https://contextetech.com/decider/agents-ia-automatiser): Workflows n8n, agents qui utilisent vos outils : le bon modèle selon le volume de tâches, la confidentialité et la fiabilité.
- [Classement des modèles IA : intelligence, benchmarks et prix](https://contextetech.com/decider/classement-modeles-ia): 37 modèles (Claude, GPT, Gemini, Mistral, DeepSeek, Qwen…) comparés par indice de capacités, benchmarks et prix en euros.

## Serveurs MCP

- [Serveur MCP de Contexte Tech](https://contextetech.com/serveurs-mcp/contextetech-mcp-1upc55i): adresse https://contextetech.com/mcp (Streamable HTTP, sans compte ni clé, versions du protocole 2024-11-05 à 2026-07-28). Un assistant IA y cherche, lit et télécharge les fiches du catalogue (search_resources, load_resource, get_download_link, fill_prompt, estimate_cost).
- [Catalogue des serveurs MCP](https://contextetech.com/serveurs-mcp): serveurs MCP référencés, chacun avec sa configuration prête à copier, sa note de qualité et sa note de sécurité (accès aux fichiers, au réseau, aux commandes).
- Référencer ou ajouter un serveur MCP : gratuit avec un compte (https://contextetech.com/a2/inscription). Formulaire « Publier : Serveur MCP » (https://contextetech.com/a2/new/tool) : collez l'adresse https d'un serveur en ligne, le nom, la description, la version et la liste des outils se remplissent tout seuls. Un membre peut aussi publier depuis son assistant avec un jeton d'API (outil publish_resource du serveur MCP).

## Outils

- [Boîte à outils d'intelligence artificielle](https://contextetech.com/outils): Outils gratuits pour décider et vérifier : coût d'un usage de l'IA, chiffres d'une réponse, données personnelles. Tout se passe dans votre navigateur.
- [Serveur local GPU ou API : comparateur de coût IA](https://contextetech.com/outils/serveur-local-gpu-ou-api-comparateur-cout-intelligence-artificielle): Faut-il héberger son IA en local ou passer par une API ? Comparez le coût mensuel d'un serveur avec carte graphique et celui d'une API (prix officiels en euros) et trouvez le seuil de rentabilité.
- [Choisir son serveur GPU pour l'intelligence artificielle locale](https://contextetech.com/outils/choisir-serveur-gpu-intelligence-artificielle): Quel serveur GPU pour faire tourner un modèle d'IA en local ? Choisissez le modèle ouvert, la précision et votre volume : mémoire nécessaire, matériel qui suffit (RTX, Mac Studio, DGX, H100, H200) et débit maximal, d'après les fiches officielles.
- [RAG ou fine-tuning : quelle méthode d'intelligence artificielle choisir](https://contextetech.com/outils/rag-ou-fine-tuning-intelligence-artificielle): RAG ou fine-tuning ? Répondez à 4 questions sur vos données et votre besoin : la méthode d'IA conseillée (RAG, fine-tuning, les deux ou un simple contexte) et pourquoi.
- [Quel modèle d'intelligence artificielle choisir](https://contextetech.com/outils/quel-modele-intelligence-artificielle-choisir): Quel modèle d'IA choisir ? Indiquez votre tâche, votre contrainte (volume, données sensibles, précision) et votre volume : le modèle conseillé, son coût mensuel en euros et pourquoi.
- [Calculateur et simulateur de coût de l'intelligence artificielle](https://contextetech.com/outils/calculateur-simulateur-cout-intelligence-artificielle): Votre volume et la taille de vos documents : le coût mensuel de chaque modèle d'IA, en euros.
- [Masquer des données personnelles RGPD avec l'IA](https://contextetech.com/outils/masqueur-donnees-personnelles-rgpd-intelligence-artificielle): Masquer et anonymiser les données personnelles d'un texte avant ChatGPT, Claude ou Mistral (RGPD) : nom, e-mail, téléphone, IBAN, carte, n° de sécurité sociale, puis démasquer la réponse de l'IA.
- [Vérificateur de chiffres d'une réponse d'intelligence artificielle](https://contextetech.com/outils/verificateur-chiffres-reponse-intelligence-artificielle): Détecter les hallucinations d'une IA : vérifiez que chaque chiffre d'une réponse de ChatGPT, d'un RAG ou d'un assistant vient bien de la source fournie.
- [Détecteur de traces d'IA dans un texte](https://contextetech.com/outils/detecteur-traces-ia-texte-intelligence-artificielle): Détecter un texte écrit par ChatGPT ou une IA : restes de copier-coller, tournures typiques et style trop régulier surlignés, avec une reformulation, sans faux score « % IA ».
- [Convertisseur CSV → JSONL pour le fine-tuning d'intelligence artificielle](https://contextetech.com/outils/convertisseur-csv-jsonl-fine-tuning-intelligence-artificielle): Convertir un CSV ou un tableur Excel en JSONL pour le fine-tuning d'un LLM (format chat messages compatible OpenAI, Mistral, Llama), en ligne et sans envoi de données.
- [Analyse et qualité d'un dataset JSONL pour le fine-tuning d'intelligence artificielle](https://contextetech.com/outils/qualite-dataset-jsonl-fine-tuning-intelligence-artificielle): Analyser un dataset JSONL avant le fine-tuning d'un LLM : ce que le modèle va apprendre (refuser, calculer, citer), éléments couverts, limites et verdict d'usage, plus une note de qualité sur 100 (doublons, réponses vides, données personnelles), sans envoyer le fichier.
- [Analyse de la pertinence d'un prompt d'intelligence artificielle](https://contextetech.com/outils/analyse-pertinence-prompt-intelligence-artificielle): Analyser la pertinence d'un prompt pour ChatGPT, Claude, Mistral ou un générateur d'images : tâche, contexte, format, contraintes, garde-fou contre l'invention, note sur 100 et conseils pour l'améliorer.
- [Fuite entre données d'entraînement et de test en intelligence artificielle](https://contextetech.com/outils/fuite-donnees-entrainement-test-contamination-intelligence-artificielle): Détecter une fuite entre jeu d'entraînement et jeu de test (contamination) avant d'évaluer un LLM fine-tuné : exemples identiques, même question, quasi-doublons, part du test déjà vue, note sur 100.
- [Découpage RAG d'un document pour l'intelligence artificielle](https://contextetech.com/outils/decoupage-rag-chunking-documents-intelligence-artificielle): Vérifier le découpage d'un document pour un RAG (chunking) : taille, chevauchement, morceaux coupés en pleine phrase, trop courts ou en double, comparaison taille fixe ou respect des phrases, note sur 100.

## Articles

- [La plupart de nos visiteurs n'ont pas d'yeux](https://contextetech.com/articles/site-mode-humain-agent): Sur notre site, les robots et les assistants IA dépassent les humains. Nous avons ajouté un interrupteur Humain | Agent : même page, deux lectures.
- [Le protocole MCP devient-il la base commune d'une recherche intelligente ?](https://contextetech.com/articles/mcp-recherche-decentralisee): Avec MCP, un assistant IA ne cherche plus dans un seul index : il interroge directement les sources, qui gardent leurs données, leur licence et leur nom. Ce que ça change, ce qui manque encore, et notre serveur en exemple.
- [Des données publiques européennes pour entraîner des assistants IA qui citent leurs sources](https://contextetech.com/articles/donnees-publiques-europeennes-ia): Cinq datasets gratuits construits sur les statistiques officielles d'Allemagne, d'Irlande, des Pays-Bas, d'Italie et d'Espagne : l'assistant répond à partir des chiffres publics, cite sa source et refuse d'inventer.
- [contexte : charger un dataset, un prompt ou un contexte LLM en une ligne de Python](https://contextetech.com/articles/contexte-python): Le paquet Python contexte récupère n'importe quelle fiche Contexte Tech en une ligne : dataset prêt pour l'entraînement, prompt à remplir, contexte few-shot prêt pour une API de chat. Sans dépendance, sous licence MIT.
- [Contexte Tech passe en open source : un hub pour tout ce qui s'adapte sur un modèle IA](https://contextetech.com/articles/contextetech-open-source): Pourquoi j'ai construit Contexte Tech, comment il fonctionne sous le capot, et pourquoi le code est publié sous licence AGPL-3.0.

## Catalogues

- [Contextes](https://contextetech.com/contextes): Des system prompts et des exemples few-shot pour guider une IA sans la réentraîner.
- [Prompts](https://contextetech.com/prompts): Des prompts prêts à l'emploi, avec des variables à remplir : copiez, adaptez, lancez.
- [Datasets](https://contextetech.com/datasets): Le catalogue de jeux de données JSONL pour le fine-tuning : questions, réponses, conversations.
- [LoRA](https://contextetech.com/lora): Des configurations LoRA et QLoRA pour réentraîner un modèle à moindre coût, avec Axolotl ou Unsloth.
- [Serveurs MCP](https://contextetech.com/serveurs-mcp): Des serveurs MCP pour connecter Claude, Cursor et les autres assistants à vos fichiers, outils et API.
- [LLM](https://contextetech.com/llm): Des modèles fine-tunés, fusionnés ou quantifiés (GGUF, safetensors), publiés par des Labs vérifiés.
- [Agents](https://contextetech.com/agents): Des agents IA qui enchaînent les étapes d'une tâche, avec leurs outils et leurs garde-fous.
- [Skills](https://contextetech.com/skills): Des Skills pour Claude : des savoir-faire que l'assistant charge seulement quand il en a besoin.
- [Évaluations](https://contextetech.com/evaluations): Des jeux de tests et des benchmarks pour mesurer la qualité d'un modèle, d'un prompt ou d'un agent.
- [RAG](https://contextetech.com/rag): Des pipelines RAG pour qu'une IA réponde à partir de vos documents : embeddings, base vectorielle, recherche.
- [Harness](https://contextetech.com/harness): Des configurations Claude Code prêtes à copier : CLAUDE.md, permissions et hooks.
- [Workflows](https://contextetech.com/workflows): Des enchaînements d'étapes IA prêts à importer dans n8n, LangGraph, Make ou Dify.
- [Garde-fous](https://contextetech.com/garde-fous): Des règles de sécurité et de modération pour vos assistants IA, avec leurs cas de test.
- [Embeddings](https://contextetech.com/embeddings): Des modèles d'embeddings et leurs réglages conseillés pour le RAG et la recherche sémantique.
- [Configs d'inférence](https://contextetech.com/inference): Des réglages prêts à lancer pour faire tourner un modèle chez vous : Modelfile Ollama, commande vLLM, llama.cpp.
- [Stacks](https://contextetech.com/stacks): Des ensembles de services IA à lancer en une commande : modèle, base vectorielle et interface, en docker-compose.
- [Red teaming](https://contextetech.com/red-teaming): Des attaques à tester sur un assistant IA, avec la réponse attendue : contournement, fuite de données, jailbreak.
- [Dossiers AI Act](https://contextetech.com/dossiers-ai-act): Des modèles de documentation à remplir pour l'AI Act : transparence, données d'entraînement, risques, registre.
- [Schémas de sortie](https://contextetech.com/schemas): Des JSON Schema pour obtenir des réponses structurées d'un modèle : extraction de factures, de CV, de tickets.
- [Corpus](https://contextetech.com/corpus): Des documents découpés et sourcés, prêts à vectoriser pour un RAG : textes officiels, documentation, données ouvertes.
- [World models](https://contextetech.com/world-models): Des scènes et environnements interactifs générés par un world model, pour la simulation, la robotique ou le jeu.
- [Récompenses (RL)](https://contextetech.com/recompenses): Des fonctions et des grilles qui notent les réponses d'un modèle pour l'entraîner par renforcement.
- [Données synthétiques](https://contextetech.com/donnees-synthetiques): Des recettes pour générer un dataset avec un modèle : prompt générateur, filtres et volume.
- [Guides d'annotation](https://contextetech.com/guides-annotation): Des consignes pour étiqueter des données de façon homogène : étiquettes, définitions et exemples.
- [Chartes d'usage de l'IA](https://contextetech.com/chartes-ia): Des modèles de règles internes pour utiliser l'IA : outils autorisés, données interdites, validation humaine.
- [Mémoires](https://contextetech.com/memoires): Des configurations pour qu'un assistant retienne des informations d'une conversation à l'autre.
- [Agents A2A](https://contextetech.com/agents-a2a): Des agents IA joignables avec le protocole A2A (Agent2Agent) : carte d'agent, compétences et authentification.

## Documentation

- [Qu'est-ce qu'un contexte pour LLM ?](https://contextetech.com/docs/contextes)
- [Qu'est-ce qu'un prompt ?](https://contextetech.com/docs/prompts)
- [Qu'est-ce qu'un dataset de fine-tuning ?](https://contextetech.com/docs/datasets)
- [Qu'est-ce qu'une configuration LoRA ?](https://contextetech.com/docs/lora)
- [Qu'est-ce qu'un serveur MCP ?](https://contextetech.com/docs/serveurs-mcp)
- [Qu'est-ce qu'un modèle fine-tuné ?](https://contextetech.com/docs/llm)
- [Qu'est-ce qu'un agent IA ?](https://contextetech.com/docs/agents)
- [Qu'est-ce qu'un skill d'assistant IA ?](https://contextetech.com/docs/skills)
- [Qu'est-ce qu'une évaluation de LLM ?](https://contextetech.com/docs/evaluations)
- [Qu'est-ce que le RAG ?](https://contextetech.com/docs/rag)
- [Qu'est-ce qu'un harness d'agent ?](https://contextetech.com/docs/harness)
- [Qu'est-ce qu'un workflow IA ?](https://contextetech.com/docs/workflows)
- [Qu'est-ce qu'un garde-fou IA ?](https://contextetech.com/docs/garde-fous)
- [Qu'est-ce qu'un modèle d'embeddings ?](https://contextetech.com/docs/embeddings)
- [Qu'est-ce qu'une config d'inférence ?](https://contextetech.com/docs/inference)
- [Qu'est-ce qu'une stack IA ?](https://contextetech.com/docs/stacks)
- [Qu'est-ce que le red teaming d'une IA ?](https://contextetech.com/docs/red-teaming)
- [Qu'est-ce qu'un dossier AI Act ?](https://contextetech.com/docs/dossiers-ai-act)
- [Qu'est-ce qu'un schéma de sortie ?](https://contextetech.com/docs/schemas)
- [Qu'est-ce qu'un corpus pour le RAG ?](https://contextetech.com/docs/corpus)
- [Qu'est-ce qu'un world model ?](https://contextetech.com/docs/world-models)
- [Qu'est-ce qu'une fonction de récompense ?](https://contextetech.com/docs/recompenses)
- [Qu'est-ce qu'une recette de données synthétiques ?](https://contextetech.com/docs/donnees-synthetiques)
- [Qu'est-ce qu'un guide d'annotation ?](https://contextetech.com/docs/guides-annotation)
- [Qu'est-ce qu'une charte d'usage de l'IA ?](https://contextetech.com/docs/chartes-ia)
- [Qu'est-ce qu'une mémoire d'assistant ?](https://contextetech.com/docs/memoires)
- [Qu'est-ce qu'un agent A2A ?](https://contextetech.com/docs/agents-a2a)
- [Documentation de l'API](https://contextetech.com/docs/api)
- [Glossaire](https://contextetech.com/glossaire): les notions de l'IA et les termes du site expliqués simplement.

## Ressources récentes

- [contextetech/agent-toolkit-mcp](https://contextetech.com/serveurs-mcp/agent-toolkit-mcp-afp49g): Permet à un assistant de créer et consulter clients, produits, prix, liens de paiement, factures, remboursements et abonnements Stripe. (qualité 100/100)
- [contextetech/brave-search-mcp-server](https://contextetech.com/serveurs-mcp/brave-search-mcp-server-dt86mr): Recherche web, actualités, images, vidéos et lieux avec l'API Brave Search, qui a son propre index indépendant. (qualité 100/100)
- [contextetech/context7-mcp](https://contextetech.com/serveurs-mcp/context7-mcp-1qkxho0): Apporte dans le contexte de l'assistant la documentation et les exemples de code à jour de chaque bibliothèque, pour la bonne version. (qualité 100/100)
- [contextetech/exa-mcp-server](https://contextetech.com/serveurs-mcp/exa-mcp-server-zxmt06): Recherche web, récupération du contenu des pages et recherche d'exemples de code avec l'API Exa, en ligne sur mcp.exa.ai. (qualité 100/100)
- [contextetech/figma-context-mcp](https://contextetech.com/serveurs-mcp/figma-context-mcp-2mqzmk): Donne à un agent de code la mise en page et les styles d'une maquette Figma pour l'intégrer. Serveur communautaire (Framelink), pas fait par Figma. (qualité 100/100)
- [contextetech/firecrawl-mcp-server](https://contextetech.com/serveurs-mcp/firecrawl-mcp-server-1mrx2rj): Transforme des pages web en Markdown propre, parcourt et cartographie des sites et cherche sur le web, avec l'API Firecrawl. (qualité 100/100)
- [contextetech/mcp-server-browserbase](https://contextetech.com/serveurs-mcp/mcp-server-browserbase-oaxjzp): Lance des navigateurs dans le cloud Browserbase et les pilote avec Stagehand : ouvrir des pages, agir, extraire des données, faire des captures. (qualité 100/100)
- [contextetech/mongodb-mcp-server](https://contextetech.com/serveurs-mcp/mongodb-mcp-server-ho404s): Permet à un assistant d'explorer et d'interroger des bases MongoDB et de gérer les clusters, utilisateurs et accès réseau de MongoDB Atlas. (qualité 100/100)
- [contextetech/neon-mcp](https://contextetech.com/serveurs-mcp/neon-mcp-1sk4ah0): Permet à un assistant de créer et gérer des projets, branches et bases Neon, d'exécuter du SQL et de préparer des migrations de schéma. (qualité 100/100)
- [contextetech/playwright-mcp](https://contextetech.com/serveurs-mcp/playwright-mcp-gcjlj): Permet à un assistant de piloter un vrai navigateur (ouvrir des pages, cliquer, remplir des formulaires, lire la page) avec Playwright, sans captures d'écran. (qualité 100/100)
- [contextetech/tavily-mcp](https://contextetech.com/serveurs-mcp/tavily-mcp-1oijccx): Recherche web en temps réel, extraction de pages, plans de sites et exploration avec l'API Tavily, pensée pour les agents IA. (qualité 100/100)
- [contextetech/rag-atencion-cliente-faq](https://contextetech.com/es/prompts/rag-atencion-cliente-faq-y61k61): Responde a un cliente con las entradas de la FAQ recuperadas, en tono amable, y propone pasar a una persona si la FAQ no cubre la pregunta. (qualité 100/100)
- [contextetech/rag-comparar-versoes-documento](https://contextetech.com/pt/prompts/rag-comparar-versoes-documento-mc47u2): Compara a versão antiga e a nova de um documento recuperadas e lista o que mudou, citando os trechos. (qualité 100/100)
- [contextetech/rag-datumsmedvetet-svar](https://contextetech.com/sv/prompts/rag-datumsmedvetet-svar-650cjl): Svarar utifrån hämtade dokument med datum, prioriterar det senaste vid motsägelser och anger källa och datum. (qualité 100/100)
- [contextetech/rag-dokumentacja-api-kod](https://contextetech.com/pl/prompty/rag-dokumentacja-api-kod-ul8812): Odpowiada na pytania o API na podstawie fragmentów dokumentacji; kod tylko z nazw i parametrów, które występują we fragmentach. (qualité 100/100)
- [contextetech/rag-domande-normativa-articoli](https://contextetech.com/it/prompt/rag-domande-normativa-articoli-1yeiwhc): Risponde a domande su una legge o un regolamento dagli estratti forniti, citando articolo e comma, con avvertenza finale. (qualité 100/100)
- [contextetech/rag-estrazione-dati-json](https://contextetech.com/it/prompt/rag-estrazione-dati-json-hev1o): Estrae i campi richiesti dai documenti recuperati in JSON, con la fonte di ogni campo e null quando il dato manca. (qualité 100/100)
- [contextetech/rag-groundedness-check](https://contextetech.com/en/prompts/rag-groundedness-check-1npskcg): Checks a draft answer sentence by sentence against the retrieved passages and flags unsupported claims, as JSON. (qualité 100/100)
- [contextetech/rag-kort-svar-chatt-rost](https://contextetech.com/sv/prompts/rag-kort-svar-chatt-rost-dmjgyd): Ger ett svar på högst två meningar från de hämtade passagerna, lätt att läsa upp, med en länk till källan. (qualité 100/100)
- [contextetech/rag-numeros-tabelas-estatisticas](https://contextetech.com/pt/prompts/rag-numeros-tabelas-estatisticas-k9r9a6): Responde com os números exatos das tabelas recuperadas, com unidade, período e fonte, sem arredondar nem extrapolar. (qualité 100/100)
- [contextetech/rag-personeelshandboek-hr](https://contextetech.com/nl/prompts/rag-personeelshandboek-hr-11s74o1): Beantwoordt vragen van medewerkers op basis van het personeelshandboek en verwijst naar HR als het antwoord ontbreekt. (qualité 100/100)
- [contextetech/rag-pytanie-doprecyzowujace](https://contextetech.com/pl/prompty/rag-pytanie-doprecyzowujace-fdq57h): Sprawdza, czy znalezione fragmenty wystarczą do odpowiedzi; jeśli nie, zadaje jedno pytanie doprecyzowujące zamiast zgadywać. (qualité 100/100)
- [contextetech/rag-query-rewriting](https://contextetech.com/en/prompts/rag-query-rewriting-1otu676): Turns the last message of a conversation into a standalone search query plus three variants, before retrieval. (qualité 100/100)
- [contextetech/rag-questions-contrat-articles](https://contextetech.com/prompts/rag-questions-contrat-articles-cvojxx): Questions sur un contrat ou des conditions générales : réponse à partir des clauses fournies, numéro d'article cité, sans conseil juridique. (qualité 100/100)

## Optional

- [English version](https://contextetech.com/en/): Prompts, AI agents, MCP servers, datasets, LoRA and RAG to discover and share, with visible sources, versions and compliance. An AI resource library, open source.
- [Mises à jour du site](https://contextetech.com/mises-a-jour)
- [Open source](https://contextetech.com/open-source)
- [Sitemap](https://contextetech.com/sitemap.xml)