Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Chunking

Le chunking (découpage en fragments) est l'étape qui divise les longs documents en passages plus petits avant qu'ils soient vectorisés et indexés, afin qu'un système de récupération puisse trouver et renvoyer uniquement les parties d'un document qui répondent à une requête.

Aussi appelé : document chunking, chunk size, chunk overlap, semantic chunking

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Un modèle de langage ne peut pas lire d'un coup toute une bibliothèque de documents, et l'embedding d'un PDF de 200 pages dit peu de chose sur une page en particulier. Le chunking découpe la source en passages assez petits pour être vectorisés, recherchés et collés dans un prompt. C'est le premier choix de conception d'un pipeline de génération augmentée par récupération, et un mauvais choix à ce stade limite tout ce qui suit.

Comment ça marche

La méthode la plus simple utilise une taille fixe : tous les N mots, caractères ou tokens. L'article d'origine sur le RAG découpait chaque article de Wikipédia en fragments de 100 mots. La plupart des outils de découpage ajoutent un chevauchement entre fragments, en répétant quelques phrases à chaque limite pour qu'une idée qui s'étend sur deux fragments ne soit pas perdue. Les découpeurs récursifs essaient d'abord les coupures naturelles (sections, puis paragraphes, puis phrases) et ne se rabattent sur des unités plus petites que si un morceau reste trop long. Le chunking tenant compte de la structure utilise les titres et les tableaux repérés lors de l'analyse de documents.

Chunking sémantique

Le chunking sémantique place les coupures selon le sens plutôt que la longueur. Il vectorise chaque phrase et commence un nouveau fragment là où la similarité entre phrases voisines chute, de sorte que chaque fragment regroupe des phrases sur un même sujet. Il coûte un appel d'embedding par phrase, et le seuil de coupure doit être réglé pour chaque corpus.

Compromis

Les petits fragments correspondent précisément aux requêtes mais perdent le contexte ; les grands fragments gardent le contexte mais diluent l'embedding et occupent davantage de la fenêtre de contexte. Il n'existe pas de taille idéale universelle : testez donc quelques réglages sur de vraies questions. Le guide de l'étape de chunking compare les outils.

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.
Analyse de documents
L'analyse de documents (document parsing) convertit des fichiers comme des PDF, des numérisations, des diapositives et des tableurs en texte structuré exploitable par un logiciel, en conservant les titres, l'ordre de lecture, les tableaux et les images au lieu d'un flux plat de caractères.
Embedding
Un embedding (plongement vectoriel) est une liste de nombres (un vecteur) qui représente un morceau de texte, une image ou d'autres données, produite de sorte que les éléments de sens proche obtiennent des vecteurs proches les uns des autres.
Base de données vectorielle
Une base de données vectorielle (vector database) stocke des embeddings avec leurs enregistrements source et retrouve les vecteurs stockés les plus proches d'un vecteur de requête, généralement à l'aide d'un index approximatif pour que la recherche reste rapide sur des millions d'éléments.
Fenêtre de contexte
Une fenêtre de contexte (context window) est la quantité maximale de texte, comptée en tokens, qu'un modèle de langage peut prendre en compte à la fois, y compris le prompt système, la conversation, les documents, les résultats d'outils et la réponse qu'il rédige.
Reranking
Le reranking (reclassement) est une seconde étape de recherche qui prend une courte liste de documents candidats et les réordonne selon leur pertinence pour la requête, à l'aide d'un modèle plus précis mais plus lent que la première recherche.

Sources