Contextual Retrieval

La récupération contextuelle est une technique de prétraitement qui améliore la génération augmentée par récupération (RAG) en ajoutant une courte explication spécifique au document à chaque bloc de données avant de l'indexer. Introduite dans le guide de récupération contextuelle d'Anthropic de 2024, elle aide les systèmes de recherche à comprendre où se trouve un passage par ailleurs ambigu, améliorant ainsi les preuves fournies à un grand modèle de langage. (anthropic.com)

Link to this sectionComment fonctionne la récupération contextuelle#

Le RAG standard découpe les documents en blocs et les convertit en plages vectorielles. Cependant, un bloc tel que « le chiffre d'affaires a augmenté de 3 % » peut omettre l'entreprise, la période de reporting et le type de document. La récupération contextuelle utilise le document complet pour générer un préfixe concis, tel que « Ce passage décrit les résultats financiers du T2 2025 d'ACME », avant d'indexer le texte combiné.

Un flux de travail type comprend :

1. Découpage sémantique : Diviser les documents en passages cohérents qui s'adaptent aux limites du modèle et de la récupération. L'objectif principal du découpage est de rendre de grandes sources interrogeables sans dépasser la fenêtre de contexte du modèle.
2. Génération de contexte : Utiliser un modèle pour résumer la relation de chaque bloc avec sa source, en suivant un processus tel que le cookbook des plages contextuelles Claude.
3. Recherche hybride : Indexer les blocs contextualisés avec des vecteurs denses et des méthodes lexicales telles que le classement par mots-clés BM25.
4. Ré-ordonnancement : Réordonner les candidats récupérés à l'aide de comparaisons requête-bloc plus approfondies avant d'envoyer les meilleures preuves au générateur.

Anthropic a indiqué que les plages contextuelles combinées au BM25 contextuel ont réduit son taux d'échec de récupération top-20 de 49 %, tandis que l'ajout du ré-ordonnancement a produit une réduction de 67 % dans ses tests. Les résultats varient selon le jeu de données, ces chiffres doivent donc être traités comme des repères plutôt que comme des garanties. (anthropic.com)

Link to this sectionLa récupération contextuelle en vision par ordinateur#

Dans le RAG multimodal, le contexte du document peut inclure des objets détectés, des légendes d'images, des horodatages, des emplacements de caméras ou des événements vidéo environnants. L'exemple ci-dessous utilise Ultralytics YOLO26 pour créer un contexte interrogeable pour une image :

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg")[0]
labels = [model.names[int(cls)] for cls in result.boxes.cls.tolist()]
context = f"Street-scene image containing: {', '.join(labels)}."
print(context)

Le texte généré peut être préfixé à une légende d'image ou à un enregistrement de métadonnées avant l'intégration. Tu peux explorer les flux de travail de prédiction YOLO et la recherche de similarité visuelle associés.

Link to this sectionApplications concrètes#

• Recherche d'entreprise et juridique : Les assistants de politique préservent les noms de documents, les dates, les départements et les relations de clauses, réduisant ainsi les réponses trompeuses provenant de passages isolés.
• Systèmes de maintenance visuelle : Les machines détectées, les types de défauts et les emplacements des installations contextualisent les images avant que le système ne récupère les manuels de réparation ou les rapports d'inspection.
• Éducation personnalisée : Les agents d'apprentissage peuvent combiner le dialogue des étudiants avec les journaux d'activité pour récupérer des conseils pertinents pour la tâche actuelle de l'apprenant.

Link to this sectionTechniques associées et meilleures pratiques#

La récupération contextuelle diffère de l'ingénierie contextuelle, qui gère toutes les informations fournies à un modèle au moment de l'exécution. Elle diffère également de la recherche sur le découpage tardif, qui intègre un document complet avant de regrouper les représentations de jetons en blocs. Une évaluation comparative de 2025 a révélé que la récupération contextuelle est efficace pour préserver la cohérence sémantique mais plus exigeante sur le plan informatique. (arxiv.org)

Les meilleures pratiques actuelles incluent le test de plusieurs tailles de blocs, la conservation des métadonnées sources, la combinaison de la récupération dense et par mots-clés, ainsi que la mesure du rappel, de la précision, de la mise en ancrage et de l'exhaustivité des réponses à l'aide des recommandations d'évaluation RAG de Microsoft. Des recherches plus récentes telles que la récupération précise SAGE privilégient la segmentation sémantique et la sélection dynamique de blocs, tandis qu'un référentiel de récupération de 2026 prend en charge la récupération hybride et le ré-ordonnancement neuronal pour les documents complexes de texte et de tableaux. Les équipes qui construisent des systèmes de connaissances visuelles peuvent utiliser Ultralytics Platform pour annoter des jeux de données, entraîner des modèles de vision, déployer des points de terminaison et surveiller les composants qui fournissent un contexte visuel structuré.