En bref. La génération augmentée par la recherche fournit à un modèle de langage le contexte issu de documents retrouvés lorsqu’il produit une réponse.

Définition : La génération augmentée par la recherche (retrieval-augmented generation, RAG) associe la recherche de documents à un modèle de langage qui produit une réponse à partir de la question et des contenus retrouvés. Les informations retrouvées fournissent le contexte de la réponse.

Points clés

Patrick Lewis et ses collègues présentent des modèles RAG utilisant un corpus Wikipédia interrogeable dans leur article soumis le 22 mai 2020.
Au 17 octobre 2026, la documentation .NET de Microsoft décrit comment le RAG rend des données accessibles au modèle sans entraînement préalable sur ces données.
Au 17 octobre 2026, la documentation Azure AI Search de Microsoft décrit la recherche hybride, qui associe la recherche par mots-clés à la recherche vectorielle fondée sur des représentations numériques du contenu.
Au 17 octobre 2026, les consignes de Google pour les sites web exigent qu’une page soit indexée et admissible à l’affichage d’un extrait dans les résultats de recherche pour pouvoir apparaître comme lien source dans AI Overviews ou AI Mode.

Comment s’enchaînent la recherche et la production de la réponse ?

Un fragment (chunk) est une portion d’un document source. Le processus RAG de base décrit par Microsoft découpe les documents en fragments, les convertit en données interrogeables et les stocke en vue de leur recherche. Les contenus pertinents accompagnent ensuite la question dans une invite (prompt), c’est-à-dire le contenu fourni en entrée au modèle de langage.

Ce schéma suit le processus décrit dans cette documentation :

Documents sources -> fragments de texte -> stockage interrogeable
Question -> recherche du contexte pertinent
Question + contexte retrouvé -> modèle de langage -> réponse

La recherche peut faire appel à différentes méthodes. La présentation d’Azure AI Search décrit les recherches par mots-clés et celles utilisant des plongements vectoriels (embeddings), des représentations numériques du contenu. Les requêtes hybrides combinent les résultats des deux méthodes. La documentation décrit aussi le classement sémantique, qui réordonne les résultats selon leur sens. Ces choix influent sur les passages transmis à l’étape de rédaction de la réponse.

Microsoft présente la capacité d’entrée limitée du modèle comme une contrainte pour la recherche : le système doit renvoyer des contenus concis et pertinents. Pour les documents privés, cette présentation exige aussi des contrôles d’accès afin que la recherche respecte les autorisations des utilisateurs.

Que décrit l’article à l’origine du RAG ?

L’article de Lewis et al. associe les connaissances stockées dans un modèle préentraîné à un index externe de Wikipédia. Un index est une représentation interrogeable d’un ensemble de documents. Un composant de recherche accède à cet ensemble pour produire du texte.

L’article compare une formulation qui utilise les mêmes passages retrouvés tout au long d’une séquence produite à une autre qui peut faire varier les passages pendant la génération. Son architecture intègre les documents retrouvés au processus de génération.

Que change le RAG pour un site web ?

Pour un site web public, la documentation de Google sur les fonctionnalités d’IA précise les conditions d’admissibilité à ses propres fonctionnalités de recherche. Elle recommande d’autoriser l’exploration dans robots.txt et au niveau de l’infrastructure d’hébergement, de rendre les contenus importants disponibles sous forme de texte et de rendre les pages accessibles par des liens internes.

Google indique aussi qu’AI Overviews et AI Mode peuvent lancer plusieurs recherches connexes sur des sous-thèmes et dans différentes sources de données pendant l’élaboration d’une réponse. Cela aide à comprendre pourquoi la recherche peut dépasser la formulation de la question initiale. Google n’exige aucun balisage technique supplémentaire pour ces fonctionnalités. Un examen pratique commence donc par la vérification de l’accès pour l’exploration et de la disponibilité du texte de fond de la page.

Termes associés

Questions fréquentes

Le RAG nécessite-t-il d’entraîner un modèle sur mes documents ?

La documentation .NET de Microsoft décrit comment fournir les données retrouvées dans des invites sans entraîner préalablement le modèle sur ces données.

Quel lien existe-t-il entre les passages retrouvés et les citations ?

Le processus RAG de Microsoft stocke les liens vers les données sources sous forme de métadonnées associées aux fragments. Ces informations aident le modèle à produire des citations dans ses réponses.

Tous les processus RAG utilisent-ils une seule recherche ?

La présentation d’Azure par Microsoft distingue un processus classique à requête unique de la recherche agentique (agentic retrieval), dans laquelle un modèle décompose une question complexe en sous-requêtes ciblées exécutées en parallèle.

Sources

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

Génération augmentée par la recherche (RAG)