Atelier

Lección 3 — Construire pas à pas

Rechercher et répondre avec citations

5 min de lectura

Este contenido aún no está traducido. Se muestra la versión original.

Rechercher et répondre avec citations

flowchart LR
  Q["Question"] --> E["embed(kind=query)"]
  DB[("chunks.vec")] --> M["matrice N x 768"]
  E --> D["produit scalaire"]
  M --> D
  D --> T["top-k scores"]
  T --> P["prompt : extraits numérotés + consigne"]
  P --> G["Gemini"]
  G --> A{"commence par Je ne sais pas ?"}
  A -- "oui" --> RF["refus"]
  A -- "non" --> OK["réponse citée"]

1. La recherche

files/rag.py
def search(db, question: str, k: int = 4, embed_fn=embed) -> list[dict]:
    # Limite connue : parcours complet en numpy, suffisant jusqu'à ~100 000 morceaux ;
    # au-delà, index ANN (sqlite-vec, FAISS).
    rows = db.execute("SELECT path, page, text, vec FROM chunks").fetchall()
    if not rows:
        return []
    mat = np.stack([np.frombuffer(r[3], dtype=np.float32) for r in rows])
    scores = mat @ embed_fn([question], kind="query")[0]
    best = np.argsort(-scores)[:k]
    return [{"path": rows[i][0], "page": rows[i][1], "text": rows[i][2],
             "score": float(scores[i])} for i in best]

Les vecteurs étant normés, mat @ q donne d'un coup les similarités cosinus de tous les morceaux (entre -1 et 1). Pas besoin de base vectorielle pour quelques milliers de morceaux : c'est une multiplication de matrice. Un index ANN (approximate nearest neighbours, plus proches voisins approchés) ne devient utile que sur de gros volumes.

2. Le prompt de réponse

files/rag.py
PROMPT = """Tu es l'assistant documentaire d'Atelier Nova. Réponds en français, en 1 à 3 phrases,
UNIQUEMENT à partir des extraits ci-dessous. Après chaque affirmation, cite la source au format
[fichier.pdf p. N]. Si les extraits ne contiennent pas la réponse, réponds exactement : "{refus}".

Extraits :
{context}

Question : {question}"""


def answer(db, question, k=4, embed_fn=embed, generate_fn=generate) -> dict:
    hits = search(db, question, k, embed_fn)
    context = "\n\n".join(f"[{h['path']} p. {h['page']}] {h['text']}" for h in hits)
    text = generate_fn(PROMPT.format(refus=REFUS, context=context, question=question))
    return {"question": question, "answer": text, "hits": hits, "refus": text.startswith(REFUS)}

Trois consignes font le travail :

ConsigneCe qu'elle empêche
« UNIQUEMENT à partir des extraits »que le modèle complète avec ses connaissances générales
« cite la source au format [fichier.pdf p. N] »une réponse invérifiable ; le format est copié de l'en-tête des extraits
« réponds exactement : Je ne sais pas »une réponse inventée quand rien ne correspond ; la chaîne exacte se détecte en code

Pourquoi chaque extrait du contexte commence-t-il par [fichier.pdf p. N] ?

Toutes les questions passent par le modèle, même hors sujet. Qu'est-ce qui produit le refus dans ce lab ?

3. Essayer

terminal
python rag.py ask "Combien de jours par semaine peut-on télétravailler ?"
python rag.py ask "Quel est le salaire de la directrice ?"

Exercice : afficher l'extrait cité

Ajoutez à la commande ask l'affichage des 80 premiers caractères de chaque extrait sous sa source, pour que l'utilisateur voie d'où vient la réponse.

Voir la solution
files/rag.py (bloc __main__)
    elif cmd == "ask":
        r = answer(db, arg)
        print(r["answer"])
        for h in r["hits"]:
            print(f"  - {h['path']} p. {h['page']} (score {h['score']:.3f})")
            print(f"      « {h['text'][:80]}… »")

En interface web, on ferait de chaque citation un lien vers le PDF à la bonne page : docs/notes-de-frais.pdf#page=2 fonctionne dans la plupart des lecteurs PDF des navigateurs.

Résultat obtenu

Exécution réelle du 2026-10-15 avec gemini-3.5-flash :

$ python rag.py ask "Combien de jours par semaine peut-on télétravailler ?"
Il est possible de télétravailler jusqu'à 2 jours par semaine [politique-teletravail.pdf p. 1].
  - politique-teletravail.pdf p. 1 (score 0.774)
  - politique-teletravail.pdf p. 2 (score 0.695)
  - guide-accueil.pdf p. 3 (score 0.593)
  - guide-accueil.pdf p. 1 (score 0.583)
$ python rag.py ask "Quel est le salaire de la directrice ?"
Je ne sais pas
  - guide-accueil.pdf p. 3 (score 0.628)
  - politique-teletravail.pdf p. 2 (score 0.612)
  - notes-de-frais.pdf p. 2 (score 0.605)
  - notes-de-frais.pdf p. 3 (score 0.594)

Remarquez les scores : 0,77 pour le bon passage, autour de 0,60 pour des passages sans rapport. L'écart existe, mais il est faible ; c'est pour cela qu'un seuil se calibre sur des questions de référence (lab 2) au lieu d'être choisi au hasard.

Je sais faire

  • Calculer des similarités cosinus pour tout l'index en une multiplication de matrice
  • Écrire un prompt qui impose des citations au format voulu
  • Détecter un refus en code grâce à une chaîne exacte
Siguiente