RAG / Vector DB
Retrieval-Augmented Generation, le pattern qui enrichit les LLM avec votre connaissance privée via des embeddings vectoriels et la recherche sémantique. Pas un outil : une architecture.
Forces
- Recherche sémantique par similarité vectorielle, trouve le sens, pas les mots-clés
- Pas de fine-tuning nécessaire, mise à jour des données sans réentraîner le modèle
- pgvector dans Supabase : zéro infra supplémentaire pour les petits projets
- Foundation du RAG : enrichit les LLM avec la connaissance privée de l'entreprise
Limites
- La qualité dépend du chunking, mal découper = résultats médiocres, hallucinations persistantes
- Coût d'embedding monte avec le volume de documents, chaque mise à jour re-vectorise
- Complexité architecturale : pipeline d'ingestion, chunking, embedding, retrieval, reranking
Pour qui
- Chatbots sur documentation privée : FAQs, wikis, bases de connaissances
- Agents AI avec mémoire long-terme et recherche contextuelle
- Moteurs de recherche sémantique sur corpus structurés ou non-structurés