Découpage de documents

Définition : Le découpage de documents (document chunking) consiste à diviser un document en unités de texte plus petites pour la recherche et le traitement. Les limites de ces segments déterminent quelles phrases ou sections environnantes restent ensemble lorsqu’un passage est retrouvé.

Points clés

• En octobre 2026, le guide du découpage de Microsoft décrit des approches à taille fixe, fondées sur la structure et sémantiques, notamment le découpage au niveau des titres HTML ou Markdown.
• La présentation du RAG de Microsoft explique que le découpage lors de l’indexation permet à des parties d’un grand document de correspondre indépendamment à une requête.
• La documentation de référence de la compétence Text Split définit pages comme des segments de texte configurables et propose aussi un mode sentences.
• L’article d’Anthropic sur Contextual Retrieval indique que la taille, les limites et le chevauchement des segments influent sur les performances de recherche.

Comment les segments interviennent-ils dans la production d’une réponse ?

La génération augmentée par la recherche (retrieval-augmented generation, RAG) fournit à un modèle de langage des informations issues d’une recherche lorsqu’il prépare une réponse. La présentation du RAG de Microsoft situe le découpage lors de l’indexation, qui rend les contenus sources interrogeables, et décrit la transmission des résultats de recherche au modèle pour qu’il formule une réponse.

Dans le schéma RAG classique, l’application envoie une requête à Azure AI Search et transmet séparément les résultats au modèle de langage. La même présentation décrit la formulation de la réponse par le modèle à partir de cet ensemble de résultats. Le découpage détermine donc quelles parties peuvent être intégrées indépendamment aux éléments retrouvés qui étayent la réponse.

Que se passe-t-il à la limite d’un segment ?

Le guide du découpage de Microsoft prend l’exemple d’une page wiki couvrant des sous-thèmes variés pour justifier un découpage même lorsque la page entière tient dans la limite d’entrée du modèle. Un découpage plus fin peut séparer les sujets ; des segments plus grands peuvent conserver des passages intacts. Le découpage fondé sur la structure s’appuie sur les fins de phrase ou les titres. Le découpage sémantique regroupe le texte selon le sens et peut franchir les limites des pages.

Le chevauchement répète le texte de la fin d’un segment au début du suivant. Il préserve la continuité tout en dupliquant du contenu. Microsoft décrit aussi l’ajout du titre du document aux segments issus de son milieu pour conserver le contexte.

La méthode Contextual Retrieval d’Anthropic remédie au manque de contexte en ajoutant une explication propre à chaque segment avant de créer ses représentations pour la recherche. La seule préservation des limites de phrase peut encore laisser un passage dépendant d’informations situées ailleurs dans le document.

Comment examiner une configuration de découpage ?

La compétence Text Split de Microsoft propose des paramètres de longueur et de chevauchement. Cet extrait de configuration utilise les caractères comme unité, avec une longueur maximale de segment de 2 000 et un chevauchement de 500 :

{
  "textSplitMode": "pages",
  "unit": "characters",
  "maximumPageLength": 2000,
  "pageOverlapLength": 500
}

La compétence tente de terminer les segments en fin de phrase ; leur longueur réelle peut donc être inférieure. Sa sortie textItems contient le texte extrait ; offsets et ordinalPositions situent les segments dans la source. L’examen de sorties consécutives montre le chevauchement conservé et l’endroit où se termine un passage.

Pour le système de recherche propre à un site web, ces sorties permettent de vérifier concrètement si les titres et les textes qui les expliquent restent ensemble. Le guide de Microsoft présente les paramètres en caractères ci-dessus comme un point de départ dont la pertinence dépend du contenu et du cas d’usage.

Termes associés

• Génération augmentée par la recherche (RAG)
• Plongements textuels
• Base de données vectorielle
• Recherche dense

Questions fréquentes

Tous les segments doivent-ils avoir la même longueur ?

Le guide de Microsoft inclut des segments de taille variable selon la structure du document. Vous pouvez utiliser les titres ou les fins de phrase comme limites lorsque la préservation d’une section compte.

Le paramètre pages suit-il les pages imprimées ?

La documentation de référence de Text Split définit une page par une longueur maximale de texte configurable. Vous pouvez examiner textItems pour voir les unités obtenues.

Sources

1. Microsoft, « Chunk large documents for RAG and vector search in Azure AI Search », 2 juillet 2026
2. Microsoft, « Retrieval-augmented generation (RAG) in Azure AI Search », 4 août 2026
3. Microsoft, « Text Split skill », 17 septembre 2026
4. Anthropic, « Introducing Contextual Retrieval », 19 septembre 2024

---

Vérifiez comment une page se lit pour les moteurs de réponse. Ouvrir l’analyseur de score GEO