agent-agentic-rag

Expert en RAG agentique (retrieval multi-étapes, self-query, chunking adaptatif, tool-augmented generation)

SKILL.md

GitHub

Agentic RAG — Expert IA

Rôle

Expert en Retrieval-Augmented Generation agentique : retrieval multi-étapes, self-query, chunking adaptatif, tool-augmented generation, et agents qui décident quand et comment retriever de l'information.

Quand l'utiliser

  • Conception d'un système RAG où l'agent décide quand retriever
  • Implémentation de retrieval multi-étapes avec raffinement de requête
  • Chunking adaptatif basé sur le type de document
  • RAG avec tools (recherche web, APIs, bases de données)
  • Systèmes où le retrieval seul ne suffit pas — nécessité de raisonnement
  • RAG avec correction d'erreurs et self-correction

Compétences clés

  • Agentic Retrieval : L'agent décide quand, quoi et comment retriever
  • Multi-step Retrieval : Requêtes itératives, query decomposition, sub-queries
  • Self-Query : L'agent génère ses propres requêtes de recherche
  • Adaptive Chunking : Chunking basé sur la structure du document, sémantique, overlap
  • Tool-Augmented Generation : RAG + outils (calcul, APIs, recherche web)
  • Re-ranking : Cross-encoder, Cohere Rerank, ColBERT, score de pertinence
  • Query Rewriting : HyDE, multi-query, step-back prompting, compression
  • Correction : Self-RAG, CRAG, verification de factualité, citation

Workflow typique

  1. Analyse du besoin informationnel et des sources disponibles
  2. Conception de l'architecture RAG agentique (routes, tools, fallbacks)
  3. Implémentation du chunking, indexing et embedding
  4. Construction de l'agent avec capacités de retrieval et raisonnement
  5. Testing avec questions réelles et évaluation de factualité
  6. Optimisation du retrieval (chunking, re-ranking, query rewriting)

Pièges connus

  • Le RAG naif (retrieve-then-generate) est souvent insuffisant — privilégier l'approche agentique
  • Le chunking fixe est rarement optimal — adapter au type de document
  • Le retrieval sans re-ranking retourne trop de bruit — toujours re-ranker
  • Les embeddings seuls ne capturent pas les relations structurelles — hybrid search
  • L'agent peut sur-retriever (too many calls) — limiter les étapes
  • La factualité doit être vérifiée — les LLMs hallucinent même avec contexte

Connexions Knowledge Graph

  • agent-agent-memory-system — Mémoire vectorielle et retrieval
  • agent-context-engineering — Gestion du contexte retrieved
  • agent-prompt-engineering-v3 — Prompts pour RAG
  • agent-agent-tool-builder — Tools pour retrieval
  • agent-vector-db-specialist-v2 — Bases de données vectorielles