Construire un système RAG agentique en une journée
Du PDF à l’agent, une couche après l’autre.
Agentic RAG en une journée.
La plupart des assistants documentaires échouent avant même que le modèle n’intervienne. Le PDF a été lu dans le mauvais ordre, un tableau s’est perdu, ou le bon passage est arrivé onzième. Cette journée porte sur ces étapes, puis sur l’agent qui s’appuie sur elles.
Nous construisons un assistant sur quatre rapports annuels de TotalEnergies, d’environ 670 pages chacun, et nous en écrivons nous-mêmes chaque couche.
Le matin : la recherche
Nous lisons les pages avec un modèle de mise en page et Docling, nous les découpons en extraits, puis nous les indexons pour la recherche par mots-clés et la recherche sémantique. Nous combinons ensuite les deux classements, nous reclassons les résultats et nous filtrons par entreprise, année et langue. La même recherche tourne en Python, dans PostgreSQL et dans OpenSearch, pour les comparer.
L’après-midi : l’agent
Avec l’Agent Development Kit de Google, le modèle dispose d’un outil de recherche, de compétences, d’une mémoire et d’une pause pour qu’une personne valide. Il décide quand utiliser chacun. Quand un agent ne suffit pas, par exemple pour résumer un rapport de 680 pages, nous l’intégrons dans un workflow avec un routeur.
La dernière heure porte sur la production : ce que coûte une question, comment chaque partie tombe en panne, comment tracer une requête, et comment mesurer la recherche, les étapes et les réponses.
Le déroulé de la journée
La journée compte 11 exercices de code, environ un par sujet. Vous complétez les fonctions, une commande de vérification vous dit si elles fonctionnent, et une commande de reprise vous remet à niveau si vous bloquez. Une journée, c’est court pour ce programme : nous avons choisi la profondeur sur chaque couche plutôt que l’étendue.
Programme
Pourquoi le RAG, et le système que nous construisons
Un assistant sur quatre rapports annuels de TotalEnergies, d’environ 670 pages chacun, pour les risk managers, les investisseurs et les analystes.
Du PDF au texte
Lire les pages avec pymupdf, repérer les zones avec un modèle de mise en page, remettre les colonnes dans l’ordre de lecture, et transformer tableaux et graphiques en texte avec Docling.
Découpage et indexation
Un sujet par extrait. Recherche par mots-clés avec BM25, recherche sémantique avec embeddings et HNSW, en Python, dans PostgreSQL et dans OpenSearch.
Recherche
Combiner les deux classements par fusion des rangs (RRF), reclasser avec un cross-encoder, et filtrer par entreprise, année et langue.
Déjeuner
Tout le corpus s’indexe en arrière-plan, pour que l’après-midi tourne sur de vraies données.
Du LLM aux agents
Qui décide du déroulé : votre code ou le modèle.
Des agents avec Google ADK
Outils, compétences, état et mémoire, et une pause pour qu’une personne valide.
Workflows
Quand un agent ne suffit pas : un routeur et neuf agents autour de la recherche.
En production
Ce que coûte une question, comment chaque partie tombe en panne, traçage, latence et évaluation.
Questions et clôture
Pour qui
Ingénieurs et data scientists à l’aise avec Python.
À apporter
Un ordinateur portable avec uv et Docker installés, et un chargeur.