← Tous les projets
Recherche · pgvector
Pipeline RAG documentaire
Un pipeline de génération augmentée par la recherche qui répond aux questions à partir d'un corpus de documents, grâce à la recherche vectorielle dans PostgreSQL.
requête → fragments proches → réponse
IllustrationFragmentsEspace vectorielRéponse
Le problème
Les modèles de langage ne connaissent pas vos documents. Les réponses doivent s'appuyer sur les bons passages, récupérés rapidement et de manière fiable.
L'approche
- 01Les documents sont découpés en fragments adaptés à la recherche.
- 02Chaque fragment est encodé en vecteur et stocké avec pgvector dans PostgreSQL.
- 03Une requête récupère les fragments les plus similaires.
- 04Un LLM rédige la réponse à partir du contexte récupéré.
Architecture
Comment Pipeline RAG documentaire s'articule.
Chaque étape, dans l'ordre. Sélectionnez un nœud pour voir son rôle.
Le corpus source à partir duquel le système répond.
Stack
- PostgreSQL
- pgvector
- Embeddings
- LLMs
Projet suivant
Simulateur de formation clinique
Une application de formation clinique où les étudiants traitent des cas, guidés par une machine à états et évalués par un retour IA et une notation.