NeuroForge Academy

RAG — Retrieval Augmented Generation

Implémente un pipeline RAG complet : embeddings, vector stores, chunking, re-ranking et évaluation. Du concept à la production.

Intermédiaire · 7 leçons · environ 25 min

Programme

Fondations du RAG

  1. Pourquoi RAG ? Limites du LLM seul
  2. Embeddings : représenter le sens
  3. Vector stores : Pinecone, Weaviate, pgvector

Pipeline RAG en production

  1. Chunking : la clé de la qualité
  2. Re-ranking et hybrid search
  3. Prompt template RAG
  4. Projet : RAG sur documentation technique