L'article présente dix positions pour l'Intelligence de Documents d'Entreprise qui défient les tutoriels principaux de RAG. Il soutient que le RAG n'est pas de l'apprentissage automatique ; les embeddings ne sont pas magiques ; le sweep de taille de chunk optimise la mauvaise chose ; le schéma de réponse est plus important que le modèle. Le modèle standard de tutoriel—découper les documents en morceaux, générer des embeddings, récupérer par similarité cosinus, reclasser, envoyer au LLM—fonctionne sur les exemples hello-world mais vacille avec les vrais documents d'entreprise. Les dix positions se répartissent en trois couches : récupération (la structure d'abord, les dictionnaires avant les modèles, les rerankers comme des outils et non des étapes, un seul magasin de vecteurs pour tout), définition d'entreprise (ce que signifie entreprise, qui le système amplifie, qui choisit les chemins à l'exécution), et audit (évaluation par échec, structure relationnelle entre les briques, les citations comme preuve). La position 1 inverse le tutoriel par défaut : les magasins de vecteurs sont un recours, pas une fondation. La récupération basée sur la structure traite la majorité des vraies questions ; les embeddings interviennent comme filet de sécurité pour les cas résiduels. Les cahiers compagnons de la série s'exécutent sur de vrais PDF, démontrant la récupération basée sur la structure avant les embeddings, des réponses typées avec des citations au niveau de ligne, et une évaluation découpée par mode d'échec.

Entités Clés : Entreprises : Anthropic | Personnes : Hamel Husain, Eugene Yan, Jason Liu

FAQ : Pourquoi les tutoriels principaux de RAG échouent-ils en environnement d'entreprise ?

Les tutoriels principaux s'appuient sur un seul magasin de vecteurs et une approche de similarité cosinus qui fonctionne pour les exemples hello-world mais échoue avec les vrais documents d'entreprise. L'article préconise une récupération basée sur la structure, considère les magasins de vecteurs comme un recours, et met l'accent sur l'interprétabilité plutôt que sur les benchmarks.