| 1 | Recherche documentaire : découpage, rappel, reclassement et citations | Transformer des documents en preuves traçables, et repérer ce que le rappel, le classement et l’assemblage du contexte font perdre. |
| 2 | Embeddings, reclasseurs et classificateurs : similarité, pertinence et décision | Distinguer les trois rôles de modèle par leur entrée, leur sortie et leur objectif d’entraînement, et choisir le bon à chaque étape. |
| 3 | Ingénierie du contexte pour les agents | Assembler pour la tâche un ensemble de travail court et à jour, en gardant provenance et état durable hors de la fenêtre. |
| 4 | Mémoire des agents : conservation, révision et péremption | Décider ce qu’un assistant IA doit retenir, quand le réviser et quand le considérer comme périmé. |
| 5 | Index vectoriels : recherche exacte, HNSW et IVF | Comparer recherche exacte, HNSW et IVF, et mesurer le rappel par rapport aux voisins exacts. |
| 6 | QMD : rechercher des notes Markdown en local | Chercher dans vos notes Markdown par mot-clé, par le sens ou les deux, puis lire la source de chaque résultat. |
| 7 | zvec-grep : rechercher du code et des documents par le sens | Retrouver des fichiers de code et de documentation par le sens, puis vérifier la source actuelle. |
| 8 | Basic Memory : des notes Markdown liées pour les assistants IA | Laisser un assistant IA lire et écrire des notes Markdown liées d’une conversation à l’autre. |
| Voir aussi | Évaluer la recherche et la génération : des preuves aux réponses correctes | Mesurer séparément les preuves trouvées, le classement, la fidélité et la qualité des réponses pour trouver le goulot d’un système RAG ; cette note appartient au groupe Évaluation et preuves. |