MRMarcazzan Romaininweb2ia.hashnode.dev·4d ago · 15 min readDe Dev Web à Ingénieur IA #9 — Metadata FilteringIntro Dans l'article précédent, on a assemblé un Query Engine maison : un retriever qui trouve les chunks pertinents dans pgvector, un response synthesizer qui transforme ce contexte en réponse, et un00
MRMarcazzan Romaininweb2ia.hashnode.dev·Aug 6 · 13 min readDe Dev Web à Ingénieur IA #8 — Query Engine maisonIntro Dans l'article précédent, on a construit un RAG à la main : on vectorise la question, PostgreSQL compare les distances avec pgvector, et les chunks les plus proches deviennent le contexte du LLM00
MRMarcazzan Romaininweb2ia.hashnode.dev·Aug 6 · 17 min readDe Dev Web à Ingénieur IA #7 — Embeddings & Vector SearchIntro Dans l'article précédent, on a vu que le chunking peut faire réussir ou échouer un système RAG. Même avec le bon modèle, une information mal découpée peut ne jamais remonter dans le contexte. Ma00
MRMarcazzan Romaininweb2ia.hashnode.dev·Jul 11 · 17 min readDe Dev Web à Ingénieur IA #6 — Chunking Stratégies : Fixed-size, Semantic, RecursiveIntro Dans l'article précédent, on a construit notre premier pipeline RAG complet. Mais le chunking utilisé était basique : content.split(/\n\n+/). Pour des petits documents d'un seul paragraphe, ça p00
MRMarcazzan Romaininweb2ia.hashnode.dev·Jul 5 · 14 min readDe Dev Web à Ingénieur IA #5 — RAG FondamentauxIntro L'article précédent nous a appris à donner des outils au LLM pour qu'il puisse calculer, consulter l'heure, ou simuler une météo. Mais il y a un problème : le LLM ne connaît que ce qu'il a appri00
