Assistant d’analyse

Recherche corrigée, sources citées, refus si les preuves manquent.

Bonjour. Posez une question sur les politiques, la FAQ ou les ventes. Si les documents ne suffisent pas, je le dirai.

Métriques

Comparaison RAG classique vs Corrective RAG : retrieval, qualité, temps et SQL.

Retrieval

Qualité de réponse

Temps

Vue d’ensemble

Mesure	Classique	Corrective	Écart

Architecture

Pipeline Corrective RAG : la récupération est contrôlée et corrigée avant la génération.

Question utilisateur

1

Recherche vectorielle interne

Embeddings · index local

2

Évaluateur de pertinence

LLM structured output

CORRECT

3A · Filtrer / reranker

4 · Génération sourcée

AMBIGUOUS

3B · Réécrire la requête

Recherche complémentaire

Fusion → génération

INCORRECT

3C · Écarter le contexte

SQL / autre corpus

Réponse ou refus

Ce que fait chaque étape

1 · Recherche

La question est comparée aux documents (PDF, MD, CSV) via embeddings. On récupère les passages les plus proches — sans encore décider s’ils sont vraiment utiles.

2 · Évaluateur

Un LLM note chaque passage (score 0–100) : relevant, partial ou irrelevant. La décision globale devient CORRECT, AMBIGUOUS ou INCORRECT.

CORRECT

Au moins un passage solide. On filtre le bruit, on garde l’utile, puis on génère une réponse avec citations.

AMBIGUOUS

Qualité moyenne. On reformule la question, on relance une recherche (et SQL si besoin), on fusionne, puis on répond.

INCORRECT

Contexte trop faible. On l’écarte, on tente le SQL sécurisé pour les chiffres, sinon on refuse plutôt que d’inventer.

Données locales · SQL SQLite sécurisé · pas d’invention hors preuves.