Sommaire6 parties · 11 min
L’essentiel en 30 secondes
- Un RAG, pour génération augmentée par la recherche, permet à un agent IA de retrouver les passages pertinents dans vos documents avant de répondre, au lieu de s’appuyer sur ses seules connaissances générales.
- Un LLM seul ignore vos documents internes et peut inventer une réponse ; avec un RAG, la réponse s’appuie sur des passages retrouvés dans vos sources, ce qui limite les erreurs sans les supprimer.
- Florian Martin, consultant freelance appuyé par un réseau de freelances, met en place des agents RAG avec n8n : connexion des sources, indexation dans une base vectorielle, règles de réponse et contrôle d’accès.
- Le devis d’un agent RAG dépend du volume de documents à indexer, du nombre de sources à connecter et de leur fréquence de mise à jour, ainsi que du niveau de contrôle d’accès attendu.
n8n RAG : comprendre simplement comment un agent IA interroge vos documents
Votre entreprise détient une masse d’informations utiles : procédures, notices, contrats types, comptes rendus, bases de connaissances. Un assistant IA généraliste ne les connaît pas. Le RAG avec n8n est une façon de les mettre à sa disposition : l’agent cherche d’abord dans vos documents, puis répond à partir de ce qu’il a trouvé. Cette page l’explique simplement avant de présenter l’accompagnement. Pour le principe appliqué au référencement, l’article RAG expliqué simplement apporte un éclairage complémentaire.
C’est quoi un RAG en IA ? La génération augmentée par la recherche dans vos documents
RAG signifie Retrieval-Augmented Generation, soit génération augmentée par la recherche. Le principe tient en deux temps. D’abord la recherche : à partir de la question posée, le système retrouve dans vos documents les passages les plus pertinents. Ensuite la génération : ces passages sont transmis au modèle de langage, qui rédige sa réponse en s’appuyant dessus. Imaginez un collaborateur qui, avant de répondre, ouvre le bon classeur et relit le bon paragraphe plutôt que de répondre de mémoire. C’est la différence entre une réponse plausible et une réponse fondée sur vos sources. Le même principe sert de base à un chatbot IA pour le service client.
Quelle différence entre un LLM seul et un LLM avec RAG ?
Un LLM, grand modèle de langage comme ChatGPT, Claude, Gemini ou Mistral, a appris à partir de vastes corpus, et ses connaissances s’arrêtent à une date. Il ignore vos documents internes, et face à une question qu’il ne maîtrise pas, il peut produire une réponse plausible mais fausse : c’est ce que l’on appelle une hallucination. Avec un RAG, le même modèle reçoit en plus les extraits de vos documents qui concernent la question. Sa réponse peut citer ses sources, et l’information reste à jour tant que vos documents le sont.
RAG, CAG, ajustement du modèle : trois façons de donner du contexte à une IA
Le RAG n’est pas la seule méthode. Le CAG, pour génération augmentée par le cache, charge à l’avance toute une base de connaissances dans le contexte du modèle, sans recherche à chaque question : il convient à un corpus restreint et stable. L’ajustement du modèle, ou fine-tuning, poursuit l’entraînement du modèle sur des exemples pour adapter son style ou son comportement, mais il convient mal à des connaissances qui changent. Le RAG est souvent le meilleur compromis quand les documents sont nombreux et évoluent, mais le choix se fait au cas par cas.
Mon accompagnement pour un agent IA RAG relié à vos documents internes
Je conçois votre agent RAG en consultant freelance, appuyé par un réseau de freelances pour les volets spécialisés. Vous avez un seul interlocuteur, et le projet est livré avec un workflow documenté, des règles de réponse écrites et un jeu de questions de test. Il s’inscrit dans mon offre d’agent IA en entreprise.
Un agent qui répond à partir de vos procédures, de votre documentation et de vos bases de connaissances
Les cas les plus courants concernent des collaborateurs qui cherchent une information dispersée : une procédure interne, une règle de gestion, une fiche produit, une clause type, un historique de projet. L’agent retrouve le passage, formule la réponse et indique le document d’origine, pour que la personne puisse vérifier. Il peut servir vos équipes en interne, ou vos clients, dans un assistant de support relié à votre documentation.
Connecter vos sources de documents : formats, dossiers et mises à jour
Je connecte les sources où se trouvent vos documents : dossiers partagés, Google Drive, wiki interne, pages de votre site, PDF ou documents bureautiques. Chaque format demande un traitement adapté pour en extraire proprement le texte. Il faut aussi décider de ce qui est indexé ou non, et de la façon dont l’agent suit les évolutions : un document modifié ou supprimé doit être mis à jour dans la base, sans quoi l’agent répond sur une version périmée.
Une base vectorielle et un workflow n8n pour retrouver le bon passage
Techniquement, vos documents sont découpés en passages, puis chaque passage est converti en une représentation numérique de son sens, appelée embedding, et stocké dans une base vectorielle. À chaque question, le workflow n8n convertit la question de la même façon, interroge la base pour trouver les passages les plus proches, puis les transmet au modèle de langage avec ses consignes. n8n propose des nœuds pour chacune de ces étapes. Pour comprendre le rôle de cette base, voyez l’article sur la base vectorielle et les contenus pour l’IA.
- Inventaire des documents à indexer, avec les formats, les dossiers et les droits d’accès
- Pipeline d’indexation n8n : extraction du texte, découpage en passages, embeddings
- Base vectorielle et recherche des passages pertinents pour chaque question
- Agent IA borné à vos sources, avec règles de réponse et indication du document d’origine
- Mise à jour des sources quand un document est modifié ou supprimé
- Jeu de questions de test et documentation pour vos équipes
De vos documents à un agent qui répond : la méthode d’un projet RAG avec n8n
Inventorier vos documents et vos usages
Nous listons les sources, les formats, les personnes qui interrogeront l’agent et le type de questions attendues.
DémarragePréparer et indexer les documents
J’extrais le texte, je découpe les documents en passages cohérents et je les indexe dans la base vectorielle.
DémarrageConstruire l’agent et ses règles
Je construis le workflow n8n, j’écris les règles de réponse et je limite l’agent à vos sources.
EnsuiteTester avec de vraies questions
Nous éprouvons l’agent sur des questions réelles de vos équipes, y compris celles dont la réponse ne figure dans aucun document.
EnsuiteMettre en service et tenir à jour
L’agent est livré avec sa documentation et la procédure de mise à jour des sources, puis nous ajustons selon les usages.
En continu
Comment limiter les hallucinations d’une IA : s’appuyer sur vos sources et borner les réponses
Le RAG réduit le risque d’invention, il ne le supprime pas. Plusieurs réglages le limitent : demander à l’agent de répondre uniquement à partir des passages retrouvés, lui faire dire qu’il ne sait pas quand rien de pertinent n’apparaît, afficher le document d’origine pour permettre la vérification, et soumettre les réponses sensibles à une relecture. Les tests de questions servent à repérer les situations où l’agent s’écarte de ses sources. Des documents de qualité restent la condition de base : un document ambigu produira une réponse ambiguë.
Vos données sensibles : qui peut interroger quoi
Un agent RAG donne accès à des informations internes : la question est de savoir qui peut interroger quoi. Nous décidons dès le cadrage des documents à exclure, des droits à respecter, par exemple en limitant les passages disponibles selon le profil de la personne, et des journaux à conserver. Nous regardons aussi où sont hébergés n8n et la base vectorielle, et les conditions de traitement des données du fournisseur de modèle, qui varient selon les offres. Pour la conformité, dont le RGPD, je vous invite à valider ces choix avec votre référent juridique ou votre DPO, car je ne fournis pas de conseil juridique.
De la question à la réponse : le scénario d’un agent RAG au quotidien
Voici le parcours d’une question dans un agent RAG construit avec n8n, du collaborateur qui la pose à la réponse qu’il reçoit. Le même schéma s’applique à un assistant destiné à vos clients, avec des règles adaptées.
Le déclencheur : une question posée par un collaborateur
Un collaborateur pose une question dans l’outil que vous avez choisi : une fenêtre de discussion, un message dans votre messagerie interne ou un formulaire. n8n reçoit la question, identifie la personne si les droits d’accès l’exigent et lance le traitement. Le canal est choisi avec vous selon vos habitudes de travail.
La recherche : l’agent retrouve les passages pertinents dans vos documents
Le workflow transforme la question en représentation numérique, interroge la base vectorielle et récupère les passages les plus proches de son sens. Il peut filtrer ces passages selon les droits de la personne ou le type de document. Si aucun passage ne paraît pertinent, l’agent le sait avant même de rédiger : il évite de combler le vide par une invention.
La réponse : rédigée à partir des passages retrouvés
Le modèle de langage reçoit la question, les passages retrouvés et ses consignes : répondre uniquement à partir de ces extraits, citer le document d’origine, signaler les limites. Il rédige alors une réponse claire. La personne voit la réponse et la source, et peut ouvrir le document pour vérifier. Les échanges peuvent être journalisés pour améliorer ensuite la base.
RAG, chatbot classique ou agent IA : choisir selon vos documents et vos usages
Un RAG n’est pas la réponse à tout. Selon vos documents et vos usages, un chatbot classique ou un agent IA sans base documentaire peut suffire. Le tableau compare les trois approches pour vous aider à choisir.
| Chatbot classique | Agent IA sans documents | Agent IA avec RAG | |
|---|---|---|---|
| Principe | Parcours de questions et de réponses prédéfinies | Modèle de langage et outils, sans base documentaire | Modèle de langage, outils et recherche dans vos documents |
| Source des réponses | Réponses écrites à l’avance | Connaissances générales du modèle | Passages retrouvés dans vos documents |
| Mise à jour | Réécriture manuelle des réponses | Dépend de la mise à jour du modèle | Réindexation des documents modifiés |
| Adapté à | Questions peu nombreuses et très répétitives | Tâches générales et actions dans vos outils | Questions variées sur un fonds documentaire volumineux |
| Point de vigilance | Peu souple face aux formulations libres | Peut inventer sur vos sujets internes | Qualité et droits d’accès des documents |
Quand le RAG n’est pas nécessaire
Si vos informations tiennent en quelques pages stables, une consigne bien rédigée, ou le chargement direct du contenu dans le contexte du modèle, suffit souvent, sans base vectorielle ni indexation. Si les questions sont peu nombreuses et très répétitives, un parcours de réponses préparées peut convenir. Et si l’agent doit surtout agir dans vos outils, sans consulter de documents, un agent IA sans RAG est plus simple. Je vous le dis au cadrage : on ne construit pas un RAG quand il n’apporte rien.
Ce qui fait varier le devis d’un agent IA RAG : documents, sources et accès
Je ne publie pas de tarif unique : un agent RAG sur un dossier de quelques documents n’a rien à voir avec un projet sur plusieurs sources documentaires en évolution constante. Le devis est établi après un échange de cadrage, à partir de trois paramètres.
Le volume de documents à indexer
Plus le fonds documentaire est volumineux et hétérogène, plus la préparation demande de travail : extraction propre du texte, découpage cohérent, traitement des documents mal structurés, des scans ou des tableaux. Le volume influence aussi le dimensionnement de la base vectorielle et les tests nécessaires pour vérifier que l’agent retrouve bien le bon passage.
Le nombre de sources à connecter et leur fréquence de mise à jour
Un seul dossier statique se traite plus simplement que plusieurs sources, comme un Drive, un wiki et un site, qui évoluent chaque jour. Chaque source ajoute son propre connecteur, ses règles d’accès et sa procédure de synchronisation. Plus les documents changent souvent, plus la mise à jour de l’index doit être soignée et supervisée.
Le niveau de contrôle d’accès attendu
Si tous les collaborateurs peuvent consulter tous les documents, la conception reste simple. Si l’accès doit varier selon les équipes ou les profils, l’agent doit filtrer les passages en conséquence, ce qui demande des métadonnées de droits, des tests plus poussés et une supervision. L’hébergement des données et l’ouverture éventuelle de l’agent à des clients externes pèsent aussi sur le devis.