RAG avec OpenAI : de l'indexation vectorielle à la réponse sourcée

Comment faire répondre un modèle d'OpenAI à partir de vos propres documents, sans qu'il invente ? Le RAG associe une indexation vectorielle de vos contenus à la génération de texte. Voici son fonctionnement, étape par étape, les erreurs à éviter et la méthode pour construire un premier assistant fiable.

Pourquoi un modèle OpenAI ne suffit pas à lui seul

Un modèle de langage, aussi performant soit-il, ne connaît que ce qu'il a vu pendant son entraînement. Il ignore votre catalogue, vos contrats, vos procédures internes et tout ce qui a changé depuis. Lorsqu'on l'interroge sur ces sujets, il lui arrive de rédiger une réponse fluide, assurée, et pourtant inexacte.

Deux solutions existent. La première consiste à réentraîner le modèle sur vos données : c'est long, coûteux à maintenir, et il faut recommencer à chaque mise à jour. La seconde consiste à lui fournir, au moment précis de la question, les extraits de documents dont il a besoin. C'est le principe du RAG, et c'est aujourd'hui la voie la plus pragmatique pour une entreprise.

Chez Blue Web, nous l'intégrons dans des projets de développement spécifique en PHP et Symfony, pour des entreprises comme pour des agences partenaires.

RAG avec OpenAI : le principe en deux temps

Le RAG avec OpenAI consiste à rechercher les passages pertinents dans vos documents, puis à demander au modèle de rédiger une réponse à partir de ces seuls passages. RAG signifie « Retrieval-Augmented Generation », soit une génération augmentée par la recherche.

Le système fonctionne en deux temps bien distincts :

La préparation, réalisée une fois puis à chaque mise à jour : vos contenus sont découpés, transformés en vecteurs et enregistrés dans un index.
L'interrogation, réalisée à chaque question : le système retrouve les passages les plus proches, les transmet au modèle, et celui-ci rédige la réponse.

Cette séparation est essentielle. Elle explique pourquoi un RAG reste à jour sans réentraînement : il suffit de réindexer le document modifié. Notre page consacrée au RAG sur mesure pour les entreprises présente les usages que ce socle rend possibles.

L'indexation vectorielle, étape par étape

L'indexation vectorielle est la phase qui conditionne tout le reste. Un assistant ne peut pas citer un passage qu'il n'a pas su retrouver.

Découper les documents en passages

Un document entier est trop long et trop varié pour être comparé utilement à une question. On le découpe donc en passages de quelques paragraphes, en suivant sa structure naturelle : titres, sections, articles d'un contrat, fiches d'un catalogue. Un bon passage se comprend seul, sans le texte qui le précède.

Transformer chaque passage en vecteur

Chaque passage est envoyé à un modèle d'embedding, par exemple l'un de ceux que propose OpenAI. Ce modèle renvoie un vecteur, c'est-à-dire une longue suite de nombres qui représente le sens du texte. Deux passages qui parlent du même sujet obtiennent des vecteurs proches, même s'ils n'ont aucun mot en commun.

Enregistrer les vecteurs avec leurs métadonnées

Les vecteurs sont rangés dans une base vectorielle, accompagnés d'informations utiles : titre du document, date, auteur, service concerné, niveau de confidentialité. Ces métadonnées permettront de filtrer la recherche et d'afficher la source de chaque réponse. L'index peut vivre sur un serveur que vous maîtrisez, avec un service d'infogérance et de supervision adapté.

De la question à la réponse sourcée

Une fois l'index prêt, chaque question suit le même chemin, en quelques instants.

Retrouver les bons passages

La question de l'utilisateur est elle aussi transformée en vecteur, puis comparée à ceux de l'index. Le système retient les passages les plus proches. Cette recherche par le sens peut être combinée à une recherche par termes exacts, précieuse pour les références de produits, les noms propres ou les numéros d'article.

Donner une consigne claire au modèle

Les passages retenus sont insérés dans la demande adressée au modèle, avec une consigne explicite : répondre uniquement à partir des extraits fournis, dans un ton donné, et reconnaître quand l'information est absente. Cette consigne fait la différence entre un assistant fiable et un assistant bavard.

Citer les sources

La réponse affichée mentionne les documents utilisés, avec un lien lorsque c'est possible. L'utilisateur peut vérifier, et vous pouvez repérer rapidement un contenu à corriger. C'est aussi ce qui installe la confiance dans l'outil.

Les erreurs qui dégradent un RAG

La plupart des assistants décevants ne souffrent pas d'un mauvais modèle, mais d'une préparation insuffisante. Voici les causes que nous rencontrons le plus souvent :

Des contenus contradictoires : deux versions d'une même procédure, et l'assistant cite la mauvaise.
Un découpage arbitraire : des passages coupés au milieu d'une phrase ou d'un tableau perdent leur sens.
Des documents illisibles par la machine : fichiers numérisés sans reconnaissance de texte, tableaux complexes, mises en page en colonnes.
L'absence de métadonnées : impossible de filtrer par date, par langue ou par service.
Aucune évaluation : sans jeu de questions de référence, chaque réglage se fait à l'aveugle.
Des droits d'accès oubliés : un assistant interne ne doit jamais révéler à un collaborateur un document qu'il n'a pas le droit de lire.

La qualité d'un RAG se joue donc d'abord dans vos contenus. Les principes qui rendent un texte exploitable par une machine sont d'ailleurs les mêmes que ceux décrits dans notre guide pour optimiser un site pour les modèles de langage : structure claire, titres explicites, une idée par paragraphe.

OpenAI ou un autre modèle : les critères de choix

Le RAG n'impose aucun fournisseur. Les modèles d'OpenAI sont un point de départ fréquent, parce qu'ils sont bien documentés et simples à appeler depuis une application. D'autres options existent, et le bon choix dépend de votre contexte.

Critère	Ce qu'il faut regarder
Confidentialité	Lieu de traitement des données, conditions de conservation, possibilité d'un hébergement européen ou sur votre serveur.
Langue	Qualité des réponses en français et, le cas échéant, en arabe ou en anglais.
Coût d'usage	Facturation liée au volume de texte traité, à estimer sur vos volumes réels.
Rapidité	Temps de réponse acceptable pour un visiteur ou un conseiller en ligne.
Réversibilité	Possibilité de changer de modèle sans réécrire l'application.

Nous recommandons de traiter le modèle comme une pièce remplaçable. Une architecture bien conçue isole l'appel au modèle derrière une interface unique : passer d'un fournisseur à un autre devient alors une affaire de configuration, non de refonte.

Intégrer le RAG dans une application PHP ou Symfony

Le RAG n'est pas réservé aux projets écrits en Python. L'écosystème PHP dispose désormais des briques nécessaires. Nous avons présenté en détail ce que Symfony AI apporte aux projets PHP : un composant de stockage pour indexer les données dans la base vectorielle de votre choix, et une couche d'abstraction qui dialogue avec de nombreuses plateformes d'IA.

Concrètement, le RAG devient une fonctionnalité de votre application comme une autre. Il respecte vos règles d'authentification, s'appuie sur vos données métier et s'affiche dans votre interface. Si vous hésitez encore sur le socle technique, notre comparatif pour choisir entre PHP, Symfony et JavaScript donne des repères utiles.

Un point de vigilance concerne les applications anciennes. Les bibliothèques d'IA récentes exigent une version actuelle du langage. Une mise à niveau de votre code vers PHP 8 constitue parfois le préalable indispensable.

Comment construire un premier RAG avec OpenAI

Un premier RAG se construit sur un périmètre volontairement étroit. L'objectif est d'obtenir vite un assistant utile, puis de l'élargir. Vous souhaitez être accompagné ? Présentez-nous votre projet au moyen d'une demande de devis détaillée.

Choisir un périmètre réduit : retenez un seul jeu de documents fiables, par exemple votre documentation produit ou vos conditions de vente.
Nettoyer et découper les contenus : supprimez les doublons et les versions obsolètes, puis découpez chaque document en passages cohérents qui se comprennent seuls.
Vectoriser et indexer : transformez chaque passage en vecteur avec un modèle d'embedding et enregistrez-le dans une base vectorielle avec ses métadonnées.
Écrire la consigne du modèle : demandez au modèle de répondre uniquement à partir des passages fournis, de citer ses sources et de dire clairement quand l'information manque.
Évaluer avec des questions réelles : constituez une liste de questions accompagnées de la réponse attendue et vérifiez les résultats à chaque modification.
Ouvrir à un groupe pilote : confiez l'assistant à quelques utilisateurs, relisez les échanges et corrigez les contenus avant de généraliser.

FAQ — Questions fréquentes

Le RAG avec OpenAI entraîne-t-il le modèle sur mes documents ?

Non. Dans un RAG, vos documents ne modifient pas le modèle. Ils sont indexés à part, puis les passages utiles sont transmis au modèle au moment de la question, uniquement pour rédiger la réponse.

Quelle différence entre RAG et fine-tuning ?

Le fine-tuning réentraîne un modèle pour lui apprendre un style ou une tâche. Le RAG lui fournit, à chaque question, les informations à jour dont il a besoin. Pour répondre à partir de documents qui évoluent, le RAG est en général plus simple à maintenir.

Qu'est-ce qu'un embedding ?

Un embedding est la représentation d'un texte sous forme de vecteur, c'est-à-dire d'une suite de nombres. Deux textes de sens voisin obtiennent des vecteurs proches, ce qui permet de les rapprocher même s'ils n'emploient pas les mêmes mots.

Faut-il une base de données vectorielle dédiée ?

Pas nécessairement. Une base relationnelle comme PostgreSQL, complétée par une extension vectorielle, suffit à de nombreux projets. Une base spécialisée devient utile lorsque le volume de documents ou le nombre d'utilisateurs augmente fortement.

Un RAG peut-il encore se tromper ?

Oui, si les documents sont erronés, mal découpés ou si la recherche remonte de mauvais passages. C'est pourquoi l'évaluation régulière, la citation des sources et la consigne de ne pas répondre en cas de doute font partie intégrante du projet.