Industrial RAG Assistant
Un assistant qui répond aux questions techniques à partir des manuels de l’usine, et qui cite ses sources.
- Rôle
- Conception et développement de bout en bout
- Période
- Automne 2026
- Technologies
- Python, FastAPI, PostgreSQL, pgvector, Gemini, Next.js, Docker
- bon passage classé premier (corpus de 3 documents)
- 12/12
- classements fusionnés : vecteurs, texte, codes exacts
- 3
- modèles au choix : Gemini ou Claude
- 2
Essayez
Posez une question à mon parcours.
Le principe de l’assistant, appliqué à ce site : votre question cherche les passages les plus pertinents, et chaque réponse cite sa source.
01Le problème
Dans une usine, la réponse existe souvent déjà, mais elle est perdue dans des manuels, des procédures de maintenance et des fiches techniques. L’assistant doit répondre en montrant ses sources.
02Architecture
- 01DocumentsManuels, procédures, fiches
- 02IngestionFastAPI
- 03Recherche hybridePostgreSQL, pgvector
- 04Réponse citéeGemini, Next.js
03Décisions
- 1Définir d’abord les frontières des services, le modèle de données et les contrats d’API v1 : ingest, ask et health.
- 2Rendre chaque réponse vérifiable : l’API contrôle les citations et écarte une réponse sans source valide.
- 3Combiner recherche vectorielle, texte français et codes exacts, parce que les embeddings gèrent mal une référence comme T88-PROBE-02.
- 4Refuser de répondre sous un seuil de pertinence plutôt que d’inventer.
- 5Fonctionner sans clé d’API : sans clé, ou si le fournisseur est en panne, l’application montre les passages les plus pertinents, tels quels, et le dit.
- 6Traiter les passages comme des données : le modèle ignore les instructions cachées dans les documents.
- 7Faire tourner tous les services avec Docker Compose.
04Où ça en est
Le pipeline complet fonctionne : ingestion PDF, recherche hybride, réponses citées et évaluation automatisée dans l’intégration continue. Sur un petit corpus de 3 documents, le bon passage arrive en premier pour 12 questions sur 12.