Projet personnel / RAG documentaire

RAG documentaire pour mon portfolio

Un assistant qui répondait aux questions sur mon portfolio à partir de mes documents, avec ChromaDB sur un VPS et un modèle accessible par API externe.

État actuel: Prototype documenté / interface retirée
Technologies: Astro / Node.js / ChromaDB / API LLM

Question utilisateur

Quels projets de ton portfolio utilisent la recherche vectorielle ?

Recherche contextuelle

Réponse contextualisée

Le projet RAG documentaire utilise la recherche vectorielle pour retrouver les passages utiles avant la génération de la réponse [1][2].

[1] Projet RAG
[2] Base documentaire

Vue synthétique du parcours d'une question jusqu'à une réponse contextualisée et sourcée.

Contexte

J'avais intégré cet assistant à une version précédente de mon portfolio pour permettre aux visiteurs d'interroger mes projets et mes notes en Markdown sans parcourir chaque page.

Après des essais locaux avec Ollama, j'ai gardé la recherche sur le VPS et confié la génération à une API externe.

Fonctionnement et architecture

Le système reposait sur deux étapes : préparer les documents, puis retrouver les passages utiles à chaque question.

Pipeline RAG : leopalich.com, embeddings, ChromaDB, chunks, prompt, API LLM et interface de chat, reliés à la question utilisateur. — Pipeline de l’ancien assistant RAG du portfolio.
Recherche sur le VPS, puis génération via une API externe.

Indexation

Les fichiers Markdown étaient découpés en passages, transformés en embeddings puis indexés dans ChromaDB. Cette préparation précédait les requêtes.

ChromaDB fonctionnait dans Docker sur un VPS Linux.

Chaîne d'indexation du corpus : fichiers Markdown, découpage en passages, embeddings, puis stockage dans ChromaDB exécuté avec Docker sur un VPS Linux. — Préparation du corpus Markdown avant les requêtes : passages, embeddings et stockage dans ChromaDB.

Requête

Node.js recevait la question et recherchait les passages pertinents dans ChromaDB. Il assemblait le prompt avec ce contexte pour le modèle appelé via l'API externe. La réponse s'affichait ensuite progressivement dans l'interface Astro.

Composants

Interface: Astro
Corpus: Markdown
Orchestration: Node.js
Recherche: ChromaDB
Génération: Modèle via API externe
Infrastructure: Docker / VPS Linux pour ChromaDB

Limites

Aucune mesure quantitative de qualité, de latence ou de couverture n'est disponible pour ce prototype.

Pistes d'évaluation

fraîcheur et traçabilité du corpus ;
évaluation de la recherche avec des questions représentatives ;
gestion des droits d'accès pour des documents non publics ;
présentation des sources et traitement explicite de l'incertitude.

Retour aux travaux