Chercher dans vos documents avec l'IA (RAG)
Des pipelines RAG, corpus et modèles d'embeddings pour qu'une IA réponde à partir de vos documents.
- [kh1eu2] Corpus : articles de Contexte Tech par section | corpus | fr | MIT | https://contextetech.com/corpus/articles-contexte-tech-kh1eu2 - [3zfyfk] Embeddings nomic-embed-text en local avec Ollama | embedding | fr | MIT | https://contextetech.com/embeddings/nomic-embed-text-ollama-3zfyfk - [15gplqg] Embeddings BGE-M3 pour un RAG sur de longs documents | embedding | fr | MIT | https://contextetech.com/embeddings/bge-m3-15gplqg - [1n1y7kf] Embeddings multilingual-e5-large pour un RAG en français | embedding | fr | MIT | https://contextetech.com/embeddings/multilingual-e5-large-1n1y7kf - [o2ww1g] Corpus : définitions des ressources IA de Contexte Tech | corpus | fr | MIT | https://contextetech.com/corpus/guides-contexte-tech-o2ww1g - [scwkv5] Agent IA pour répondre à partir de votre documentation | agent | fr | MIT | https://contextetech.com/agents/agent-reponses-documentation-scwkv5 - [gb0mdl] Pipeline RAG pour une documentation produit en français | rag | fr | MIT | https://contextetech.com/rag/rag-documentation-produit-fr-gb0mdl
Corpus : articles de Contexte Tech par section
Les articles du blog Contexte Tech découpés par section, avec l'adresse de l'article pour chaque morceau : un corpus prêt pour un RAG.
Embeddings nomic-embed-text en local avec Ollama
nomic-embed-text pour un RAG 100 % local avec Ollama : 768 dimensions, textes longs, préfixes search_query: / search_document:. Licence Apache 2.0.
Embeddings BGE-M3 pour un RAG sur de longs documents
BGE-M3 pour un RAG sur de longs documents : 1024 dimensions, jusqu'à 8192 tokens, plus de 100 langues, sans préfixe. Licence MIT.
Embeddings multilingual-e5-large pour un RAG en français
multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens, préfixes query:/passage: obligatoires, distance cosinus. Licence MIT.
Corpus : définitions des ressources IA de Contexte Tech
Les définitions des types de ressources IA de Contexte Tech, une par morceau avec l'adresse du guide : un petit corpus prêt pour un RAG.
Agent IA pour répondre à partir de votre documentation
Agent qui répond aux questions en cherchant dans votre documentation et cite ses sources. S'il ne trouve pas, il le dit au lieu d'inventer.
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.
Que veut dire rechercher dans des documents avec l'IA ?
L'IA peut répondre à partir de vos propres documents grâce au RAG (génération augmentée par la recherche) : les documents sont découpés, transformés en vecteurs, et les passages les plus proches de la question sont donnés au modèle, qui répond en citant ses sources.