Le RAG n'est pas magique. Voici exactement ce qu'il fait.
Tape une phrase ci-dessous. Tu vas voir comment elle est chunkée, projetée en vecteur 2D, puis comment l'algorithme trouve les k voisins les plus prochesdans un mini-corpus sur mes projets. C'est l'épine dorsale de tout RAG en prod.
Ta query est décomposée en tokens.
↳ tape une query pour voir les tokens apparaître
Chaque chunk devient un pointdans l'espace sémantique.
En vrai, c'est R1536 (OpenAI) ou R768 (sentence-transformers). On projette ici en R2pour que ton cerveau humain capte. L'étoile = ta query.
Les 3 chunks les plus proches de ta query.
↳ tape une query pour voir les chunks remonter
V1 déterministe : les coordonnées 2D sont calculées par matching de mots-clés (pas un vrai embedding LLM). Suffisant pour la pédagogie.
V2 (à venir) : appel à Groq embeddings sur le corpus, projection UMAP/t-SNE en R², retrieval cosinus réel. L'UI reste identique — c'est tout le point d'une architecture pensée pour évoluer.