Génération augmentée par récupération

RAG Chatbot pour
Site Web et documentation

RAG (Retrieval-Augmented Generation) est la référence en matière d'IA précise. ChattyBox vous offre un pipeline RAG prêt pour la production sans écrire une seule ligne de code.

Déployer le chatbot RAG

Qu'est-ce que RAG ?

RAG combine la puissance de grands modèles de langage avec vos propres données. Au lieu de s'appuyer sur des données de formation, l'IA récupère le contenu pertinent de votre site Web avant de générer chaque réponse.

Si la confiance des réponses est votre priorité, associez ce workflow de récupération à un chatbot IA ancré qui évite les réponses inventées grâce aux contraintes de source et aux réponses de repli.

Récupérer

Lorsqu'un utilisateur pose une question, nous recherchons dans votre contenu vectorisé les éléments les plus pertinents.

Augmenter

Nous injectons ces morceaux pertinents comme contexte dans l'invite LLM.

Générer

Le LLM génère une réponse en utilisant UNIQUEMENT le contexte fourni.

Éléments éditoriaux vérifiés

Le parcours RAG complet, de la source à la réponse avec citations

Un système RAG fiable est une chaîne d'étapes testables, et non un simple appel de modèle. Cette architecture de référence sépare la préparation du contenu, la récupération, la génération et les citations afin que les équipes puissent localiser les défaillances et réindexer les sources modifiées sans réentraîner de modèle.

Auteur technique: Équipe d'ingénierie ChattyBox
Réviseur technique: Équipe de révision de la documentation ChattyBox
Dernière mise à jour: 9 juillet 2026
Informations vérifiées: 9 juillet 2026

Révision à chaque modification du comportement de récupération et au moins tous les six mois.

Schéma de l'architecture RAG présentant les étapes d'exploration, d'analyse, de découpage, de vectorisation, de récupération, de création de l'invite, de réponse et de citation — Les sources sont préparées dans un index, les passages pertinents sont récupérés pour chaque question et la réponse conserve les liens vers les pages qui l'étayent.

Chaque étape produit une sortie distincte et possède son propre contrôle qualité ; tester uniquement le texte final masque les défauts d'indexation et de récupération.
Étape	Déroulement	Contrôle à effectuer
Étape 1. Explorer	Déroulement Découvrir les pages autorisées à partir des URL et des plans de site.	Contrôle à effectuer Les URL attendues sont présentes ; les chemins exclus et privés sont absents.
Étape 2. Analyser	Déroulement Extraire les titres, le texte, les listes, les tableaux, le code, les URL canoniques et les métadonnées.	Contrôle à effectuer Les éléments parasites de navigation sont supprimés sans perdre les commandes ni les libellés de version.
Étape 3. Découper	Déroulement Découpez le contenu en passages qui conservent l’URL de leur page source.	Contrôle à effectuer Chaque passage est compréhensible isolément et conserve les prérequis.
Étape 4. Vectoriser	Déroulement Représenter les passages pour la mise en correspondance sémantique et stocker les métadonnées des sources.	Contrôle à effectuer Chaque vecteur correspond à un passage source actuel et autorisé.
Étape 5. Récupérer	Déroulement Classer un petit ensemble de passages en fonction de la question du visiteur.	Contrôle à effectuer Les tests Recall@k placent le passage de référence dans l'ensemble de contexte.
Étape 6. Créer l'invite	Déroulement Combiner la question, les passages, les métadonnées des sources et les règles de repli.	Contrôle à effectuer Les instructions ne peuvent pas étendre les autorisations ni contourner les règles de repli.
Étape 7. Répondre	Déroulement Demandez au modèle d’utiliser les détails étayés ou de refuser si les preuves sont insuffisantes.	Contrôle à effectuer Les affirmations importantes respectent le contexte ; l'absence d'éléments déclenche le repli.
Étape 8. Citer	Déroulement Renvoyez les URL des pages récupérées pour les réponses étayées ; vérifiez qu’elles justifient la réponse.	Contrôle à effectuer Les liens sont accessibles, correspondent à la version et étayent directement l'affirmation.

Actualité et réindexation

Une modification de source ne peut pas être récupérée tant que la page concernée n'a pas été de nouveau explorée, analysée, découpée et vectorisée. Suivez les révisions des sources, remplacez les fragments obsolètes au lieu d'ajouter des doublons, supprimez les pages effacées et testez des réponses représentatives après la réindexation. Définissez la fréquence d'exploration selon la plus courte période acceptable pendant laquelle une réponse peut rester obsolète pour les tarifs, les politiques et la documentation versionnée.

Limites entre sources publiques et privées

Les pages publiques peuvent partager un même périmètre d'exploration. Les données privées, propres à un locataire, à un employé ou à un compte nécessitent une ingestion authentifiée et une autorisation au moment de la récupération avant que les passages n'entrent dans l'invite. Les règles pour robots ne constituent pas un contrôle d'accès. N'indexez jamais de secrets et vérifiez que les identités non autorisées ne peuvent récupérer ni titres, ni extraits, ni URL, ni détails de réponse depuis des sources restreintes.

Sources primaires et éléments reproductibles

Cadre de gestion des risques liés à l'IA du NISTInstructions sur la mesure des risques et l'évaluation continue.Top 10 de l'OWASP pour les applications de LLMRecommandations de sécurité sur l'injection d'invites, la divulgation de données et les limites de récupération.

Évaluer la récupération avant de juger la rédaction

Utilisez un jeu de questions versionné comprenant des passages sources connus, les affirmations attendues et les cas de repli prévus. Exécutez-le après toute modification des sources, du découpage, de la vectorisation, du classement ou des invites, puis examinez les échecs par étape.

Indicateur	Méthode de mesure	Défaillance révélée
Indicateur Recall@k	Méthode de mesure Part des questions traitables pour lesquelles un passage de référence figure parmi les k premiers résultats.	Défaillance révélée Couverture d'exploration incomplète, fragments médiocres, vocabulaire divergent ou représentations vectorielles obsolètes.
Indicateur Qualité du classement	Méthode de mesure Consignez le rang réciproque ou le nDCG des passages jugés pertinents.	Défaillance révélée Une page pertinente existe, mais des éléments parasites ou une version obsolète sont mieux classés.
Indicateur Étaiement des affirmations	Méthode de mesure Vérifiez chaque affirmation importante par rapport aux passages fournis au modèle.	Défaillance révélée La réponse mêle des suppositions aux éléments probants ou exagère la portée de la source.
Indicateur Exactitude des citations	Méthode de mesure Vérifiez que chaque citation est accessible et étaye directement l'affirmation à laquelle elle est associée.	Défaillance révélée La bonne réponse renvoie vers une page simplement connexe ou vers la mauvaise version.
Indicateur Précision et rappel du repli	Méthode de mesure Incluez des questions insolubles et des sources contradictoires ; évaluez les refus corrects et les réponses manquées.	Défaillance révélée Le bot suppose sans éléments probants ou refuse de répondre malgré des éléments suffisants.
Indicateur Délai d'actualisation	Méthode de mesure Mesurez le délai entre la publication d'une modification de source et la récupération d'une réponse correcte.	Défaillance révélée Retard de la nouvelle exploration, doublons de fragments obsolètes ou échec de la propagation des suppressions.

Choisissez le RAG pour des connaissances évolutives et attribuables

Méthode	Meilleur usage	Limite importante
Méthode Recherche par mots-clés ou sur le site	Meilleur usage Les utilisateurs souhaitent des pages classées et liront eux-mêmes la source.	Limite importante Ne synthétise pas de réponse et peut manquer des correspondances sémantiques.
Méthode RAG	Meilleur usage Les connaissances évoluent, les citations sont importantes et les réponses s'appuient sur quelques passages.	Limite importante La qualité dépend de la couverture de l'exploration, de la récupération, des autorisations et de la qualité des sources.
Méthode Ajustement fin	Meilleur usage Apprendre un style, un format, une classification ou un comportement de tâche stable.	Limite importante Ne remplace pas de manière fiable les faits actuels, les citations ni la suppression des sources.
Méthode Invites à contexte long	Meilleur usage Un ensemble délimité de documents tient dans le contexte et chaque élément est pertinent.	Limite importante Le coût et les éléments parasites augmentent avec le contexte ; les autorisations et l'actualisation nécessitent toujours des contrôles.

Comment évaluer un chatbot RAG pour le support client

Il n'existe pas de meilleure option universelle. Testez la fidélité des citations, le comportement de repli, l'actualisation des sources, les contenus contradictoires, l'escalade, les limites liées au contexte privé, les statistiques, les intégrations et l'effort de déploiement avec les mêmes questions de support.

Réponses à partir de contenus publics

Un chatbot RAG ciblé peut répondre aux questions récurrentes à partir de documents et d'articles d'aide approuvés, avec des citations et un comportement de repli prudent.

Actions de compte et traitement des demandes

Choisissez une suite de support plus large si vous avez besoin d'actions de compte authentifiées, d'un routage des tickets, d'accords de niveau de service, d'espaces de travail pour les agents ou d'opérations multicanales.

Effectuez les mêmes tests de limites

Incluez des questions dont la réponse est absente, obsolète, contradictoire, privée ou à fort impact. Notez les URL citées, les refus, les relais et les remarques des évaluateurs au lieu de publier une note non vérifiée.

Planifiez les limites du support et de l'escalade · Évaluez les éléments probants des sources liées · Utilisez la checklist de réduction des hallucinations

Parcours de la source à la réponse

Supposons que la page d'installation indexée indique que le script du widget doit être placé juste avant la balise body fermante. La récupération doit sélectionner ce passage, l'invite doit interdire les conseils de placement non étayés et la réponse doit énoncer l'instruction en joignant la page d'installation comme preuve.

1. La question est vectorisée et mise en correspondance avec les fragments autorisés.
2. Le passage d'installation est mieux classé que les pages plus générales sur le widget.
3. Le modèle répond uniquement avec le détail de placement présent dans ce passage.
4. La fiche source renvoie l'utilisateur vers la page de documentation exacte.

Poursuivez avec les guides sur les citations de sources, Chatbot IA Docusaurus, chatbots pour la documentation destinée aux développeurs, ainsi que le Chatbot MkDocs avec sources citées.

Assistant de documentation

Où dois-je ajouter le script du widget ?

Ajoutez le script du widget ChattyBox juste avant la balise body fermante sur chaque page où le widget doit apparaître.

iSources citées1^

Installer le widget

Documentation technique

Posez une question...

Propulsé par ChattyBox

ChattyBox RAG Architecture

Base de données vectorielles

Votre contenu est converti en intégrations et stocké dans une base de données vectorielles hautes performances pour une recherche sémantique rapide.

Modèle d'intégration

Nous utilisons des modèles d'intégration de pointe pour comprendre la signification sémantique de votre contenu.

Récupération rapide

Le temps de récupération typique est inférieur à 100 ms. Nous trouvons les 3 à 5 éléments les plus pertinents pour chaque requête.

Prompting strict

Le modèle reçoit l’instruction de répondre à partir du contexte récupéré et d’éviter les affirmations non étayées. Ces instructions ne garantissent pas une réponse correcte.

Liens de citations

Les réponses étayées peuvent inclure des liens vers les pages sources récupérées afin que les utilisateurs les vérifient. Les réponses de secours peuvent ne contenir aucune citation.

Gestion des solutions de secours

Lorsqu’aucun contenu pertinent n’est trouvé, le bot dit honnêtement « Je ne sais pas » au lieu d’halluciner.

Chatbot RAG vs chatbot IA générique

Un chatbot générique répond à partir d’une large mémoire de modèle et peut paraître confiant sur des choses qu’il ne connaît pas. Un chatbot RAG récupère d'abord vos pages, la réponse est donc liée au contenu que vous avez publié et peut être vérifiée.

Chatbot IA générique

—Les réponses proviennent d'une large mémoire de modèles, et non de votre contenu.
—Peut inventer des fonctionnalités, des tarifs ou des étapes qui ne figurent pas dans vos documents.
—Aucune source claire pour vérifier la réponse.

Chatbot RAG

Récupère d'abord votre site Web publié, vos documents et votre contenu d'aide.
Peut utiliser un repli configuré lorsque la récupération ne fournit pas suffisamment d'éléments pour répondre.
Peut citer les pages étayantes afin que les visiteurs puissent examiner les éléments à l'origine des affirmations importantes.

Lorsque les citations sont prioritaires, associez la récupération à un chatbot IA avec citations de sources qui relie les réponses prises en charge à leurs pages sources.

RAG Sans la complexité

Construire RAG à partir de zéro prend des semaines. ChattyBox vous donne la production RAG en quelques minutes.

Début Free - Pas de carte de crédit

RAG Chatbot pour Site Web et documentation