RAG pour entreprise

Section 14.6.3 : RAG pour entreprise

🎯 Objectif pédagogique

Implémenter un système RAG (Retrieval-Augmented Generation) pour permettre aux agents IA d'accéder à la knowledge base de l'entreprise et de fournir des réponses précises basées sur les données internes.

RAG : donner de la mémoire à l'IA

Le RAG permet à un LLM de répondre en se basant sur vos documents internes plutôt que sur ses connaissances générales. C'est la technologie fondamentale derrière les agents IA d'entreprise.

Implémentation RAG pour RevOps

# RAG pipeline pour knowledge base RevOps

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Pinecone
from langchain.chat_models import ChatOpenAI
from langchain.chains import RetrievalQA

# 1. Préparer les documents
def prepare_documents(sources):
    """Charger et découper les documents"""
    all_docs = []

    # Playbooks de vente (Notion)
    playbooks = notion.get_pages(database_id="sales_playbooks")
    all_docs.extend(playbooks)

    # FAQ support (Intercom)
    faqs = intercom.get_articles()
    all_docs.extend(faqs)

    # Documentation produit (Confluence)
    docs = confluence.get_pages(space="PRODUCT")
    all_docs.extend(docs)

    # Découpage en chunks
    splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000,
        chunk_overlap=200,
        separators=["\n## ", "\n### ", "\n\n", "\n", " "]
    )

    chunks = splitter.split_documents(all_docs)
    return chunks

# 2. Indexer dans le vector store
def index_documents(chunks):
    embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
    vectorstore = Pinecone.from_documents(
        chunks,
        embeddings,
        index_name="revops-knowledge"
    )
    return vectorstore

# 3. Créer la chaîne RAG
def create_rag_chain(vectorstore):
    llm = ChatOpenAI(model="gpt-4", temperature=0)
    retriever = vectorstore.as_retriever(
        search_type="mmr",  # Maximum Marginal Relevance
        search_kwargs={"k": 5, "fetch_k": 20}
    )

    chain = RetrievalQA.from_chain_type(
        llm=llm,
        chain_type="stuff",
        retriever=retriever,
        return_source_documents=True
    )

    return chain

# Usage
chain = create_rag_chain(vectorstore)
result = chain({"query": "Quel est le processus de qualification BANT ?"})
print(result["result"])  # Réponse basée sur VOS playbooks
print(result["source_documents"])  # Sources citées

Bonnes pratiques RAG en entreprise

## Pièges courants et solutions

### Piège 1 : Chunks trop grands ou trop petits
- Trop grands : contexte dilué, réponses vagues
- Trop petits : perte de contexte
- Solution : chunks de 500-1500 tokens avec overlap de 100-200

### Piège 2 : Pas de metadata
- Sans metadata, impossible de filtrer par source/date/type
- Solution : toujours ajouter source, date, type, auteur, département

### Piège 3 : Données obsolètes
- Le RAG renvoie des infos périmées (ancien pricing, anciens process)
- Solution : pipeline de sync automatique + date de fraîcheur dans le prompt

### Piège 4 : Hallucinations malgré le RAG
- Le LLM peut "inventer" en combinant des sources incompatibles
- Solution : prompt "Réponds UNIQUEMENT à partir des sources fournies.
  Si l information n est pas dans les sources, dis-le."

### Piège 5 : Sécurité des données
- Tous les employés ne doivent pas voir toutes les données
- Solution : contrôle d accès au niveau du retriever (filtrer par rôle)