Construire un système RAG à partir de zéro - Récapitulatif et ce qui vient ensuite

DEV - 28/06
Dans ce dernier article, nous récapitulerons ce que nous avons construit à travers la série, consoliderons les décisions de conception,...

Dans ce dernier article, nous récapitulerons ce que nous avons construit à travers la série, consoliderons les décisions de conception et indiquerons la prochaine étape.

Ce que nous avons construit

À partir d'un projet Python vierge, nous avons construit un système d'IA complet étape par étape :

01_setup_db.py Table pgvector + extension 02_create_index.py Index HNSW (m=16, ef_construction=64) 03_ingest.py Intégrer des documents → stocker dans pgvector 04_search.py Recherche de similarité cosinus 05_rag.py Pipeline RAG complet 06_tool_basic.py LLM décide s'il faut rechercher 07_tool_multi.py des routes LLM entre plusieurs outils 08_tool_agent.py Boucle agentique en plusieurs étapes 09_agent_basic.py Modèle ReAct 10_agent_memory.py Mémoire persistante entre les sessions 11_agent_planner.py Planifier → Exécuter → Évaluer mcp_server/ server.py Serveur MCP (stdio, Claude Desktop) server_http.py Serveur MCP (HTTP) server_render.py Serveur MCP (Déploiement de rendu) 12_mcp_agent.py Agent via MCP (local) 13_mcp_http_agent.py Agent via MCP (cloud)
Entrer en mode plein écran Quitter le mode pl...
[Courte citation de 8% de l'article original]