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

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.

Aussi appelé : query expansion, HyDE, query transformation

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

Les gens tapent des questions courtes, vagues ou familières. « Et l'autre ? » ne veut rien dire pour un index de recherche sans la conversation qui précède. Dans la génération augmentée par récupération, une étape de réécriture, généralement un appel à un LLM, transforme l'entrée brute en une ou plusieurs requêtes de recherche meilleures.

Techniques courantes

La réécriture : reformuler la question en requête autonome, en résolvant les pronoms à partir de l'historique de la conversation. L'expansion de requête : ajouter des synonymes ou des termes associés, ce qui aide la recherche par mots-clés comme BM25. La décomposition : découper une question en plusieurs parties en sous-requêtes et chercher chacune. Le multi-query : générer plusieurs formulations et fusionner les résultats, comme dans la recherche hybride.

HyDE

Hypothetical Document Embeddings (HyDE) demande à un LLM d'écrire une fausse réponse à la question, puis calcule l'embedding de cette réponse et cherche avec. La fausse réponse peut contenir des détails erronés, mais elle ressemble aux documents recherchés, si bien que son embedding tombe souvent plus près d'eux que celui de la question courte.

Fondements de recherche

L'article Rewrite-Retrieve-Read a posé le problème comme un écart entre ce que tapent les utilisateurs et ce dont la recherche a besoin, et a entraîné un petit modèle de réécriture pour le combler.

Limites

Chaque réécriture ajoute un appel à un LLM, ce qui augmente la latence et le coût. Une réécriture peut s'éloigner de ce que l'utilisateur voulait dire. Journalisez la requête d'origine et la requête réécrite, et vérifiez que la réécriture améliore réellement les métriques de recherche sur vos données. Faire cela dans une boucle est une forme de RAG agentique.

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.
Recherche hybride
La recherche hybride (hybrid search) exécute une recherche par mots-clés et une recherche vectorielle sur la même requête et fusionne les deux listes classées, afin que les résultats puissent correspondre aux mots exacts comme au sens.
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.
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.
Métriques de recherche (recall@k, nDCG, MRR)
Les métriques de recherche (retrieval metrics) mesurent la capacité d'un système de recherche à renvoyer des documents pertinents. Recall@k vérifie combien d'éléments pertinents figurent dans les k premiers, nDCG récompense un classement élevé de ces éléments, et MRR mesure à quel rang apparaît le premier résultat correct.

Sources