Construire un pipeline RAG avec l'API Anthropic

## Qu'est-ce que le RAG ? Le **Retrieval-Augmented Generation** est une technique qui améliore les LLMs en leur donnant accès à une base de connaissances externe au moment de la génération. Au lieu de se fier uniquement à leur mémoire d'entraînement, ils peuvent récupérer des documents pertinents et les inclure dans leur contexte. ## Les 4 étapes du pipeline ### 1. Ingestion — Chunking + Embedding ` s // Découper le document en chunks const chunks = splitIntoChunks(document, { size: 512, overlap: 50 }); // Générer les embeddings via OpenAI const embeddings = await openai.embeddings.create({ model: 'text-embedding-3-small', input: chunks.map(c => c.text), }); ` ### 2. Stockage vectoriel Les embeddings sont stockés dans une base vectorielle (Supabase pgvector, Pinecone, etc.) avec leurs métadonnées. ### 3. Retrieval — Recherche sémantique ` s // Embedder la question utilisateur const queryEmbedding = await embedQuery(userQuestion); // Rechercher les chunks les plus proches const results = await supabase.rpc('match_documents', { query_embedding: queryEmbedding, match_count: 5, }); ` ### 4. Génération avec Claude ` s const response = await anthropic.messages.create({ model: 'claude-sonnet-4-6', max_tokens: 1024, system: persona.system_prompt, messages: [{ role: 'user', content: Contexte:\n\n\nQuestion: , }], }); ` ## Intégration dans ce boilerplate L'endpoint /api/search de ce boilerplate implémente ce pipeline complet. La persona Directus configure le system_prompt, les suggestions guident l'utilisateur, et les logs trackent chaque interaction.