RAG agentique
Le RAG agentique (agentic RAG) est une génération augmentée par récupération pilotée par un agent IA, qui décide quand chercher, quoi chercher et quelle source utiliser, et qui peut chercher à nouveau si les premiers résultats ne suffisent pas.
Aussi appelé : agentic retrieval, agentic retrieval-augmented generation
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
La génération augmentée par récupération classique est un pipeline fixe : vectoriser la question, récupérer les meilleurs fragments, générer une fois. Cela échoue quand une question nécessite plusieurs étapes, comme comparer deux contrats ou remonter un bug à travers des journaux et du code. Le RAG agentique confie la récupération à un agent IA qui tourne en boucle.
Comment ça marche
Le modèle reçoit la recherche sous forme d'un ou plusieurs outils par l'appel de fonctions : un index vectoriel, un index par mots-clés, une base de données SQL, le web. À chaque tour de la boucle d'agent, il décide s'il a besoin de plus d'informations, rédige une requête (souvent reformulée), lit les résultats et soit cherche à nouveau, soit répond. Il peut découper une question en sous-questions et envoyer chacune vers une source différente.
Exemple
À la question « Le taux d'attrition a-t-il augmenté le trimestre dernier dans les régions où nous avons augmenté les prix ? », l'agent interroge le journal des changements de prix, puis la table d'attrition par région, et les compare avant de répondre.
Premières formes
Self-RAG (2023) entraînait un modèle à décider lui-même quand récupérer des informations et à critiquer les passages obtenus. Les systèmes actuels se contentent surtout de demander, par prompt, à des modèles généralistes de le faire avec des outils, plutôt que d'entraîner un modèle spécial.
Compromis
Le RAG agentique traite des questions plus difficiles, mais chaque recherche supplémentaire ajoute des appels de modèle, de la latence et du coût, et l'agent peut tourner en rond ou s'arrêter trop tôt. Plafonnez le nombre d'étapes, journalisez chaque appel d'outil avec des outils d'observabilité des LLM et gardez le RAG simple pour les recherches simples. Les produits de deep research sont une forme de longue durée de ce schéma.
Termes liés
- Génération augmentée par récupération
- La génération augmentée par récupération (retrieval-augmented generation, RAG) est un schéma dans lequel un système cherche d'abord dans une collection de documents les passages pertinents pour une question, puis fournit ces passages à un modèle de langage pour que sa réponse s'appuie dessus.
- Agent IA
- Un agent IA est un système dans lequel un modèle de langage décide lui-même de ses prochaines étapes : il appelle des outils, lit les résultats et recommence jusqu'à ce que la tâche soit terminée, au lieu de suivre un script fixe.
- Boucle d'agent
- Une boucle d'agent (agent loop) est le cycle répété au cœur d'un agent IA : le modèle demande un appel d'outil, l'application l'exécute et renvoie le résultat, puis le modèle décide de la suite.
- Réécriture de requêtes
- La réécriture de requêtes (query rewriting) modifie la question d'un utilisateur avant la recherche, par exemple en la clarifiant, en la découpant ou en ajoutant des termes associés, pour que le système de recherche ait plus de chances de trouver les passages qui y répondent.
- Appel d'outils
- L'appel d'outils (tool calling), aussi appelé appel de fonctions (function calling), est une fonction des API de modèles dans laquelle vous décrivez des fonctions avec un schéma, le modèle répond par une demande structurée d'appel de l'une d'elles, et votre code l'exécute et renvoie le résultat.
- Deep research (IA)
- La deep research (recherche approfondie) est une fonction d'agent IA qui planifie une question de recherche, lance de nombreuses recherches web, lit les sources trouvées et rédige un long rapport avec citations, en quelques minutes plutôt qu'en quelques secondes.