📚 Parcours RAG¶
L100 L200 L300 L400
Retrieval-Augmented Generation (RAG) est le patron le plus courant pour ancrer les agents IA dans vos propres données. Au lieu de s'appuyer sur les données d'entraînement du LLM, vous récupérez les documents pertinents au moment de la requête et les incluez dans le prompt.
Ce que Vous Allez Construire¶
- âś… Comprendre le pipeline RAG de bout en bout
- ✅ Charger, découper et générer des embeddings de documents avec GitHub Models (gratuit)
- âś… Stocker et interroger des vecteurs avec un pgvector local (Docker)
- ✅ Construire une recherche sémantique sur Azure PostgreSQL + pgvector
- ✅ Évaluer la qualité du RAG avec le Azure AI Evaluation SDK
Laboratoires du Parcours (7 laboratoires, ~355 min au total)¶
| Lab | Titre | Niveau | Coût |
|---|---|---|---|
| Lab 006 | Qu'est-ce que RAG ? | L50 | âś… Free |
| Lab 007 | Que sont les Embeddings ? | L50 | âś… Free |
| Lab 022 | Pipeline RAG avec GitHub Models + pgvector | L200 | âś… Free |
| Lab 026 | Patron RAG Agentique | L200 | âś… GitHub Free |
| Lab 031 | Recherche SĂ©mantique pgvector sur Azure | L300 | Free |
| Lab 039 | Comparaison de Bases de Données Vectorielles | L300 | ✅ Free |
| Lab 042 | RAG Entreprise avec Évaluations | L400 | ⚠️ Azure |
Le Pipeline RAG¶
