Passer au contenu principal
Génération augmentée par récupération

RAG Chatbot pour
Site Web et documentation

Un chatbot RAG pour les sites web, la documentation et les centres d’aide, qui recherche dans votre propre contenu pour éclairer ses réponses. ChattyBox est conçu pour répondre à des questions comme « Que comprend l’offre Pro ? » à partir de vos pages publiées et peut fournir des liens vers les sources, sans infrastructure de recherche personnalisée à créer ni à héberger.

Qu'est-ce que RAG ?

Le RAG associe un modèle de langage à du contenu source récupéré. Avant de générer une réponse, le chatbot recherche dans vos pages publiées les passages correspondant à la question.

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

1

Récupérer

Lorsqu’un visiteur pose une question, ChattyBox recherche des passages pertinents dans les contenus indexés de votre site, de votre documentation, de votre aide et de votre CMS.

2

Augmenter

Ces passages sources sont ajoutés au contexte afin que le modèle dispose d'éléments précis pour répondre.

3

Générer

Le modèle génère une réponse concise et peut inclure des liens vers les sources afin que les visiteurs puissent vérifier les détails.

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. L’architecture de référence générique ci-dessous illustre les vérifications liées à la préparation du contenu, à la récupération, à la génération et aux citations ; elle ne constitue pas une spécification des capacités de ChattyBox.

Auteur technique
Équipe d'ingénierie ChattyBox
Réviseur technique
Équipe de révision de la documentation ChattyBox
Dernière mise à jour
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 et le chatbot recherche des passages pour éclairer ses réponses. Celles-ci peuvent inclure des liens vers les pages retrouvées, que les utilisateurs peuvent consulter pour vérifier les éléments qui les 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.
ÉtapeExemple d’opérationContrôle à effectuer
Étape
1. Explorer
Exemple d’opération
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
Exemple d’opération
Extraire le texte utile des pages et conserver les informations sur les sources pour la récupération.
Contrôle à effectuer
Les éléments parasites de navigation sont supprimés sans perdre les commandes ni les libellés de version.
Étape
3. Découper
Exemple d’opération
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
Exemple d’opération
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
Exemple d’opération
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
Exemple d’opération
Combiner la question, les passages, les métadonnées des sources et les règles de repli.
Contrôle à effectuer
Examinez les instructions pour repérer les conflits avec les consignes d’ancrage dans les sources et de réponse de repli ; les prompts ne peuvent pas, à eux seuls, garantir leur respect.
Étape
7. Répondre
Exemple d’opération
Demandez au modèle d’utiliser les détails étayés ou de refuser si les preuves sont insuffisantes.
Contrôle à effectuer
Vérifiez les affirmations par rapport au contexte ; l’absence de contexte exploitable ou la détection d’une lacune dans le contenu peut déclencher une réponse de repli.
Étape
8. Citer
Exemple d’opération
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

Le contenu modifié doit être récupéré et stocké avant que ChattyBox puisse l’utiliser. La récupération vectorielle dépend de représentations vectorielles à jour ; dans certains cas, le mécanisme de repli sur les pages stockées peut fournir du contexte sans fragments correspondants. Les mises à jour et la récupération peuvent néanmoins prendre du retard ou échouer ; testez donc des réponses représentatives par rapport aux sources actuelles, notamment 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.

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.

IndicateurMéthode de mesureDéfaillance 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

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

Poursuivez avec les guides sur les citations de sources, Chatbot IA pour Docusaurus avec citations, 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.

Conversation illustrative — pas un chat en direct.

Propulsé par ChattyBox

Comment ChattyBox rend la récupération pratique

Index de contenu interrogeable

Les pages de votre site web, de votre documentation, de votre centre d’aide et de votre CMS sont indexées afin que le chatbot puisse rechercher dans le contenu que vous publiez déjà.

Modèle de vectorisation

Les représentations vectorielles aident à associer les questions des visiteurs aux passages sources pertinents, même lorsque leur formulation diffère.

Récupération ciblée

ChattyBox recherche du contenu source pertinent à fournir comme contexte ; si aucun contexte exploitable n’est disponible, il peut renvoyer une réponse de repli.

Consignes limitées au contexte

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

Lorsque le contenu pertinent manque, le chatbot peut utiliser une réponse de repli au lieu d’improviser une réponse non étayée.

Chatbot RAG vs chatbot IA générique

Un chatbot générique répond à partir de la mémoire générale du modèle et peut paraître sûr de lui sur des sujets qu’il ne connaît pas. Un chatbot RAG recherche d’abord dans vos pages et reçoit l’instruction d’utiliser ce contenu ; les liens vers les sources peuvent aider les utilisateurs à vérifier la réponse, mais son exactitude n’est pas garantie.

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
  • Recherche d'abord dans le contenu publié de votre site web, de votre documentation et de votre centre 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 étayées à leurs pages sources.

Le RAG sans reconstruire votre infrastructure de contenu

Connectez le contenu existant de votre site, testez la qualité des réponses et intégrez un chatbot citant ses sources lorsque les réponses vous conviennent.

Commencer gratuitement - Sans carte bancaire