RAG · Génération augmentée par récupération
Le RAG (Retrieval-Augmented Generation) est une architecture qui combine une recherche documentaire et un modèle génératif : le système récupère des passages pertinents, puis génère une réponse à partir d’eux. C’est le mécanisme derrière les citations des moteurs IA.
Définition autonome · 39 mots
Comment fonctionne le RAG ?
Trois étapes. La requête est convertie en embedding. Le système récupère les passages les plus proches dans un index. Le modèle génère ensuite la réponse en s’appuyant sur ces passages, ce qui permet de citer leur source. L’approche a été décrite par Lewis et al. en 2020 pour des tâches de langage intensives en connaissances.
Pourquoi le RAG change les règles du SEO ?
Le contenu n’est plus jugé page par page mais passage par passage, par proximité sémantique avec la question. Une page moyenne peut fournir le meilleur passage. La qualité d’écriture au niveau du paragraphe devient un critère de visibilité.
Comment optimiser pour le RAG ?
Découper le contenu en sections autonomes, placer la réponse en tête de section, nommer explicitement les entités, ajouter des données vérifiables et garder les pages accessibles au crawl et rendues côté serveur. Voir chunking, answer-first et SSR.
Questions fréquentes
RAG et fine-tuning, quelle différence ?
Le fine-tuning modifie les paramètres du modèle. Le RAG ajoute des informations au moment de la requête sans le modifier, ce qui permet de citer ses sources.
Tous les moteurs IA utilisent-ils du RAG ?
Ceux qui citent des sources web reposent sur une récupération avant la génération. Les détails d’implémentation ne sont pas publics.
Le RAG évite-t-il les erreurs ?
Il les réduit en fournissant des sources, mais le modèle peut mal les interpréter.
Termes liés
Approfondir
- Audit GEO Multimodal avec Gemini-Embedding-2
- Outil Bing GEO AI : comment exploiter les données pour ranker sur Copilot, Chatgpt et autres LLM
- Google Web Guide : L’IA qui réorganise la SERP
- ← Retour au glossaire GEO (114 termes)