Créer un RAG pas à pas : Embeddings, FAISS et LangChain expliqués pas à pas

Exocoeur · Février 21, 2026, 01:55:41 PM

Qu'est-ce que le RAG ?

RAG = Retrieval Augmented Generation (Génération Augmentée par Récupération)

Étape	Description	Analogie
Retrieval	Chercher les informations pertinentes	Chercher dans un livre avec l'index
Augmented	Enrichir le prompt avec ces informations	Donner des notes à un étudiant avant l'examen
Generation	Le LLM génère une réponse basée sur ces infos	L'étudiant répond en s'appuyant sur ses notes

I) Créer un RAG

Code Sélectionner

# ============================================================================
# IMPORTATION DES BIBLIOTHÈQUES NÉCESSAIRES
# ============================================================================

from langchain.vectorstores import FAISS  # Base de données vectorielle
from langchain.chat_models import ChatOpenAI  # Modèle de langage (LLM)
from langchain.chains import RetrievalQA  # Chaîne pour faire du Question-Answering avec récupération
from langchain.prompts import PromptTemplate  # Pour personnaliser les prompts (non utilisé ici)
from dotenv import load_dotenv  # Pour charger les variables d'environnement
import os  # Pour accéder aux variables d'environnement


# ============================================================================
# CONFIGURATION DU MODÈLE DE LANGAGE (LLM)
# ============================================================================

# Chargement des variables d'environnement depuis le fichier .env
load_dotenv()

# Récupération des informations de connexion depuis les variables d'environnement
# Cela permet de ne pas exposer les clés API directement dans le code
api_key = os.getenv("OPENAI_API_KEY")  # Votre clé API
model_name = os.getenv("OPENAI_MODEL_NAME")  # Nom du modèle (ex: "gpt-4", "gpt-3.5-turbo")

# Initialisation du modèle de langage
llm = ChatOpenAI(
    model_name=model_name,  # Modèle générique à utiliser
    openai_api_key=api_key,  # Clé d'authentification
    temperature=0  # 0 = réponses déterministes, 1 = réponses créatives
)


# ============================================================================
# ÉTAPE 1 : CHARGEMENT DE LA BASE DE DONNÉES VECTORIELLE FAISS
# ============================================================================

# Chemin vers la base de données FAISS créée précédemment
faiss_index_path = "faiss_db"

print(f"Chargement de la base de données FAISS depuis : {faiss_index_path}")

# Chargement de la base de données vectorielle
# ⚠️ allow_dangerous_deserialization=True : nécessaire pour charger des fichiers pickle
# (à utiliser uniquement avec des sources de confiance)
db = FAISS.load_local(
    faiss_index_path, 
    embeddings=embeddings,  # Même modèle d'embeddings utilisé lors de la création
    allow_dangerous_deserialization=True
) 

print("✅ Base de données chargée avec succès")


# ============================================================================
# ÉTAPE 2 : CRÉATION DU RETRIEVER (RÉCUPÉRATEUR DE DOCUMENTS)
# ============================================================================

# Le retriever va chercher les morceaux de texte les plus pertinents
# en fonction de la question posée

retriever = db.as_retriever(
    search_kwargs={"k": 3}  # k=3 : récupère les 3 chunks les plus similaires à la question
)

print("✅ Retriever configuré pour récupérer 3 documents pertinents")


# ============================================================================
# ÉTAPE 3 : CRÉATION DE LA CHAÎNE RAG (Retrieval Augmented Generation)
# ============================================================================

# RAG = Récupération + Génération
# 1. On récupère les documents pertinents (Retrieval)
# 2. On les donne au LLM pour générer une réponse (Generation)

rag_chain = RetrievalQA.from_chain_type(
    llm=llm,  # Le modèle de langage qui va générer la réponse
    chain_type="stuff",  # "stuff" = concatène tous les documents récupérés dans le prompt
                         # Autres options : "map_reduce", "refine", "map_rerank"
    retriever=retriever,  # Le retriever qui va chercher les documents pertinents
    return_source_documents=True  # Retourne aussi les documents sources utilisés
)

print("✅ Chaîne RAG créée et prête à répondre aux questions")


# ============================================================================
# ÉTAPE 4 : INTERROGATION DU SYSTÈME RAG
# ============================================================================

# Question à poser au système
question = "Quelles idées Paul Graham donne-t-il pour les startups ?"

print(f"\n📝 Question posée : {question}\n")

# Exécution de la chaîne RAG
# Le système va :
# 1. Chercher les 3 chunks les plus pertinents dans la base FAISS
# 2. Les donner au LLM avec la question
# 3. Générer une réponse basée sur ces documents
result = rag_chain({"query": question})


# ============================================================================
# ÉTAPE 5 : AFFICHAGE DES RÉSULTATS
# ============================================================================

print("=" * 80)
print("🤖 RÉPONSE DU SYSTÈME RAG")
print("=" * 80)

# Affichage de la réponse générée
print("\n📌 Réponse :")
print(result['result'])

# Affichage des documents sources utilisés
print("\n📚 Documents sources utilisés :")
for i, doc in enumerate(result['source_documents'], 1):
    print(f"\n--- Document {i} ---")
    print(doc.page_content[:200] + "...")  # Affiche les 200 premiers caractères
    print(f"Source : {doc.metadata}")  # Métadonnées (fichier source, page, etc.)

print("\n" + "=" * 80)


# ============================================================================
# RÉSUMÉ DU PROCESSUS RAG
# ============================================================================
# 
# 1. 📥 CHARGEMENT : On charge la base de données vectorielle FAISS
# 2. 🔍 RETRIEVAL : On cherche les documents pertinents pour la question
# 3. 🤖 GENERATION : Le LLM génère une réponse basée sur ces documents
# 4. ✅ RÉSULTAT : On obtient une réponse précise et sourcée
#
# AVANTAGES DU RAG :
# - Réponses basées sur vos propres documents
# - Pas d'hallucinations (le LLM s'appuie sur des sources réelles)
# - Traçabilité (on peut voir quels documents ont été utilisés)
# - Mise à jour facile (il suffit de mettre à jour la base FAISS)
#
# ============================================================================

II) Intéroger un RAG

Code Sélectionner

# ============================================================================
# IMPORTATION DES BIBLIOTHÈQUES NÉCESSAIRES
# ============================================================================

from langchain.vectorstores import FAISS  # Base de données vectorielle
from langchain.chat_models import ChatOpenAI  # Modèle de langage (LLM)
from langchain.chains import RetrievalQA  # Chaîne pour faire du Question-Answering avec récupération
from langchain.prompts import PromptTemplate  # Pour personnaliser les prompts (non utilisé ici)
from dotenv import load_dotenv  # Pour charger les variables d'environnement
import os  # Pour accéder aux variables d'environnement


# ============================================================================
# ⚠️ IMPORTANT : CRÉATION DU FICHIER .env
# ============================================================================
# 
# Avant d'exécuter ce code, vous DEVEZ créer un fichier nommé ".env" 
# à la racine de votre projet (au même niveau que ce script Python)
#
# Contenu du fichier .env :
# -------------------------
# OPENAI_API_KEY=sk-votre-clé-api-ici
# OPENAI_MODEL_NAME=gpt-3.5-turbo
#
# ⚠️ SÉCURITÉ :
# - Ne JAMAIS partager ce fichier .env
# - Ne JAMAIS le commiter sur Git
# - Ajouter ".env" dans votre fichier .gitignore
#
# Structure du projet :
# ---------------------
# mon_projet/
# ├── .env                    ← Fichier à créer (contient les clés secrètes)
# ├── .gitignore              ← Ajouter ".env" dedans
# ├── script_rag.py           ← Ce fichier
# ├── faiss_db/               ← Base de données vectorielle
# └── requirements.txt        ← Dépendances Python
#
# ============================================================================


# ============================================================================
# CONFIGURATION DU MODÈLE DE LANGAGE (LLM)
# ============================================================================

# Chargement des variables d'environnement depuis le fichier .env
# Cette fonction lit le fichier .env et charge les variables dans l'environnement
load_dotenv()

# Récupération des informations de connexion depuis les variables d'environnement
# Cela permet de ne pas exposer les clés API directement dans le code
api_key = os.getenv("OPENAI_API_KEY")  # Votre clé API OpenAI
model_name = os.getenv("OPENAI_MODEL_NAME")  # Nom du modèle (ex: "gpt-4", "gpt-3.5-turbo")

# ⚠️ Vérification que les variables ont bien été chargées
if not api_key:
    raise ValueError(
        "❌ ERREUR : La clé API n'a pas été trouvée !\n"
        "Assurez-vous d'avoir créé un fichier .env avec :\n"
        "OPENAI_API_KEY=votre-clé-ici"
    )

if not model_name:
    raise ValueError(
        "❌ ERREUR : Le nom du modèle n'a pas été trouvé !\n"
        "Assurez-vous d'avoir créé un fichier .env avec :\n"
        "OPENAI_MODEL_NAME=gpt-3.5-turbo"
    )

print("✅ Variables d'environnement chargées avec succès")
print(f"   Modèle utilisé : {model_name}")

# Initialisation du modèle de langage
llm = ChatOpenAI(
    model_name=model_name,  # Modèle générique à utiliser
    openai_api_key=api_key,  # Clé d'authentification
    temperature=0  # 0 = réponses déterministes, 1 = réponses créatives
)


# ============================================================================
# ÉTAPE 1 : CHARGEMENT DE LA BASE DE DONNÉES VECTORIELLE FAISS
# ============================================================================

# Chemin vers la base de données FAISS créée précédemment
faiss_index_path = "faiss_db"

print(f"Chargement de la base de données FAISS depuis : {faiss_index_path}")

# Chargement de la base de données vectorielle
# ⚠️ allow_dangerous_deserialization=True : nécessaire pour charger des fichiers pickle
# (à utiliser uniquement avec des sources de confiance)
db = FAISS.load_local(
    faiss_index_path, 
    embeddings=embeddings,  # Même modèle d'embeddings utilisé lors de la création
    allow_dangerous_deserialization=True
) 

print("✅ Base de données chargée avec succès")


# ============================================================================
# ÉTAPE 2 : CRÉATION DU RETRIEVER (RÉCUPÉRATEUR DE DOCUMENTS)
# ============================================================================

# Le retriever va chercher les morceaux de texte les plus pertinents
# en fonction de la question posée

retriever = db.as_retriever(
    search_kwargs={"k": 3}  # k=3 : récupère les 3 chunks les plus similaires à la question
)

print("✅ Retriever configuré pour récupérer 3 documents pertinents")


# ============================================================================
# ÉTAPE 3 : CRÉATION DE LA CHAÎNE RAG (Retrieval Augmented Generation)
# ============================================================================

# RAG = Récupération + Génération
# 1. On récupère les documents pertinents (Retrieval)
# 2. On les donne au LLM pour générer une réponse (Generation)

rag_chain = RetrievalQA.from_chain_type(
    llm=llm,  # Le modèle de langage qui va générer la réponse
    chain_type="stuff",  # "stuff" = concatène tous les documents récupérés dans le prompt
                         # Autres options : "map_reduce", "refine", "map_rerank"
    retriever=retriever,  # Le retriever qui va chercher les documents pertinents
    return_source_documents=True  # Retourne aussi les documents sources utilisés
)

print("✅ Chaîne RAG créée et prête à répondre aux questions")


# ============================================================================
# ÉTAPE 4 : INTERROGATION DU SYSTÈME RAG
# ============================================================================

# Question à poser au système
question = "Quelles idées Paul Graham donne-t-il pour les startups ?"

print(f"\n📝 Question posée : {question}\n")

# Exécution de la chaîne RAG
# Le système va :
# 1. Chercher les 3 chunks les plus pertinents dans la base FAISS
# 2. Les donner au LLM avec la question
# 3. Générer une réponse basée sur ces documents
result = rag_chain({"query": question})


# ============================================================================
# ÉTAPE 5 : AFFICHAGE DES RÉSULTATS
# ============================================================================

print("=" * 80)
print("🤖 RÉPONSE DU SYSTÈME RAG")
print("=" * 80)

# Affichage de la réponse générée
print("\n📌 Réponse :")
print(result['result'])

# Affichage des documents sources utilisés
print("\n📚 Documents sources utilisés :")
for i, doc in enumerate(result['source_documents'], 1):
    print(f"\n--- Document {i} ---")
    print(doc.page_content[:200] + "...")  # Affiche les 200 premiers caractères
    print(f"Source : {doc.metadata}")  # Métadonnées (fichier source, page, etc.)

print("\n" + "=" * 80)


# ============================================================================
# RÉSUMÉ DU PROCESSUS RAG
# ============================================================================
# 
# 1. 📥 CHARGEMENT : On charge la base de données vectorielle FAISS
# 2. 🔍 RETRIEVAL : On cherche les documents pertinents pour la question
# 3. 🤖 GENERATION : Le LLM génère une réponse basée sur ces documents
# 4. ✅ RÉSULTAT : On obtient une réponse précise et sourcée
#
# AVANTAGES DU RAG :
# - Réponses basées sur vos propres documents
# - Pas d'hallucinations (le LLM s'appuie sur des sources réelles)
# - Traçabilité (on peut voir quels documents ont été utilisés)
# - Mise à jour facile (il suffit de mettre à jour la base FAISS)
#
# ============================================================================

Exocoeur · Février 21, 2026, 01:55:41 PM

Annonceur

Jr. Member
Messages: na
Karma: +0/-0

Re : message iportant de l'auteur

« le: un jour de l'année »

IP archivée

Exocoeur · Février 21, 2026, 01:58:43 PM

Dites nous comment obtenir une clé api pour chatgp ou autre, en Algérie? Y a t-il un fournisseur officiel?

Exocoeur · Février 21, 2026, 01:58:43 PM

Search

Shoutbox

Recent

Stats

Membres

Stats

Membres en ligne

Créer un RAG pas à pas : Embeddings, FAISS et LangChain expliqués pas à pas

Exocoeur

Exocoeur

Annonceur

Re : message iportant de l'auteur

Exocoeur

Exocoeur

Suggestions pour vous

Suggestions pour vous