Advanced RAG

Définition

L'Advanced RAG est une evolution architecturale du Naive RAG qui ajoute des etapes de pre-traitement et post-traitement pour ameliorer la qualite et la robustesse du retrieval. Formalise par Gao et al. (2023) dans le paper 'Retrieval-Augmented Generation for Large Language Models: A Survey', il categorise les optimisations en deux phases : pre-retrieval (avant la recherche) et post-retrieval (apres la recherche). Optimisations pre-retrieval : (1) Query enhancement — corriger les fautes, clarifier les ambiguites, reformuler la question de maniere plus semantiquement riche. (2) Query expansion — generer plusieurs variantes de la question (HyDE, stepback prompting, multiple queries) pour augmenter le recall. (3) Query decomposition — decomposer les questions complexes en sous-questions simples (chain-of-thought query planning). Ces optimisations ameliorent la qualite du retrieval initial. Optimisations post-retrieval : (1) Reranking — utiliser un cross-encoder pour re-scorer les chunks par pertinence reelle. (2) Contextual compression — extraire uniquement les phrases pertinentes de chaque chunk plutot que le chunk complet, reduisant le bruit dans le contexte. (3) Diversity ranking — diversifier les sources pour eviter la redondance. Ces etapes ameliorent la qualite des chunks passes au LLM. Les techniques d'indexation avancees font aussi partie de l'Advanced RAG : le chunking semantique (segmenter selon la structure logique du document plutot que de maniere fixe), le multi-vector retrieval (generer plusieurs embeddings par chunk), le hierarchical indexing (summary nodes + detail nodes pour le RAG a multi-echelle). En pratique, l'Advanced RAG apporte des gains significatifs mesurables via des frameworks d'evaluation comme RAGAS (Context Precision, Context Recall, Faithfulness, Answer Relevancy). L'amelioration typique vs Naive RAG : +15-30% de Context Precision avec reranking, +10-20% de Faithfulness avec contextual compression.