Pipeline RAG pour une documentation produit en français

Pipeline RAG pour un assistant qui répond sur la documentation d'un produit en français, en citant ses sources.

Sources

Pages de documentation produit en Markdown ou HTML, réindexées à chaque mise à jour.

Chaîne de traitement

Gabarit du prompt

Tu réponds aux questions sur le produit uniquement à partir des extraits ci-dessous.
Cite la page source de chaque information entre crochets.
Si la réponse n'est pas dans les extraits, dis-le et propose de contacter le support.

Extraits :
{{context}}

Question : {{question}}

Identifiant

contextetech--rag-documentation-produit-fr

Fichier

rag-documentation-produit-fr.rag.json

Format

JSON (application/json)

Taille

894 octets

Encodage

UTF-8

Tokens estimés

≈ 246

Usage commercial

Autorisé

Données personnelles

Aucune

Publié le

26 septembre 2026 à 18:12

Mis à jour le

10 octobre 2026 à 18:25

Stockage

en base

Coût estimé

Tokens d'entrée par appel

≈ 259

Coût d'entrée seulement, sans la réponse du modèle. Prix publics des fournisseurs (Mistral AI, DeepSeek, OpenAI, Anthropic), tarif standard en dollars converti en euros au taux BCE du 13 octobre 2026. Estimation : 1 token ≈ 3,6 caractères.

rag-documentation-produit-fr.rag.json

{
  "format": "contextetech/rag/v1",
  "id": "contextetech/rag-documentation-produit-fr",
  "description": "Pipeline RAG pour un assistant qui répond sur la documentation d'un produit en français, en citant ses sources.",
  "license": "MIT",
  "language": "fr",
  "sources": "Pages de documentation produit en Markdown ou HTML, réindexées à chaque mise à jour.",
  "chunking": {
    "size": 800,
    "overlap": 120
  },
  "embedding": "intfloat/multilingual-e5-large",
  "vectorStore": "pgvector",
  "retrieval": {
    "topK": 6,
    "reranker": "BAAI/bge-reranker-v2-m3"
  },
  "promptTemplate": "Tu réponds aux questions sur le produit uniquement à partir des extraits ci-dessous.\nCite la page source de chaque information entre crochets.\nSi la réponse n'est pas dans les extraits, dis-le et propose de contacter le support.\n\nExtraits :\n{{context}}\n\nQuestion : {{question}}"
}

Mise en place (Python)

import json
cfg = json.load(open("rag-documentation-produit-fr.rag.json"))

# 1. Découper les documents : morceaux de 800 caractères, chevauchement 120
# 2. Vectoriser chaque morceau avec « intfloat/multilingual-e5-large » et l'enregistrer dans pgvector
# 3. À chaque question : retrouver les 6 morceaux les plus proches, les reclasser avec « BAAI/bge-reranker-v2-m3 »
# 4. Remplir le gabarit et l'envoyer au modèle
prompt = cfg["promptTemplate"].replace("{{context}}", "\n\n".join(extraits)).replace("{{question}}", question)

Cas d'usage