En local
Clé d'API Gemini + Python : vos documents restent sur votre poste, l'index aussi.
Formations 7
- Formation
RAG sur PDF en local avec SQLite
Construire en 200 lignes de Python un RAG qui lit des PDF, les indexe dans SQLite avec les embeddings Gemini, répond en citant la page et ne réindexe que les fichiers modifiés.
- Formation
FAQ de SAV : citations obligatoires et refus
Construire un assistant de service client qui répond avec la FAQ en citant ses sources, dit « je ne sais pas » hors périmètre grâce à un seuil calibré, et journalise les questions non couvertes ; version chaîne simple et version agent ADK.
- Formation
Contrats : découpage par structure et métadonnées
Construire un RAG sur des contrats qui découpe par articles et clauses, filtre par type, partie et date, répond aux questions comparatives par un tableau cité et produit un récapitulatif des contrats en sortie structurée.
- Formation
RAG sur du code source
Construire un assistant qui répond aux questions sur une base de code Python avec des liens fichier:ligne vérifiés : découpage par fonction et classe avec le module ast, recherche hybride embeddings + BM25, et « où est géré X ? » sans appel de génération.
- Formation
RAG hybride : BM25, fusion RRF et reranking par LLM
Combiner recherche par mots-clés (BM25) et recherche vectorielle, fusionner les classements avec RRF, les retrier avec Gemini, puis mesurer le gain de rappel@5 et de MRR sur 25 questions de référence.
- Formation
RAG multimodal : interroger les graphiques, tableaux et schémas d'un PDF
Faire décrire les figures d'un PDF par Gemini à l'indexation, indexer descriptions et texte avec gemini-embedding-2, joindre l'image elle-même à la réponse, et mesurer le gain face à un RAG texte seul : 0/10 contre 10/10 sur les questions dont la réponse est dans une figure.
- Formation
GraphRAG léger : entités, relations et questions multi-sauts
Extraire entités et relations avec une sortie structurée Gemini, les ranger dans un graphe networkx, détecter et résumer des communautés, puis répondre aux questions relationnelles (« qui est lié à… ») mieux qu'un RAG vectoriel, mesuré sur 15 questions de 1 à 3 sauts.