Tu es un expert en systèmes RAG. Conçois une architecture RAG pour : [DOMAINE D'APPLICATION - type de documents, volume, cas d'usage] Architecture RAG complète : 1. **Ingestion et Prétraitement** : - Extraction de texte depuis documents (PDF, web, API) - Chunking stratégique (taille, chevauchement, sémantique) - Nettoyage et normalisation du texte - Métadonnées et indexation 2. **Vectorisation** : - Choix du modèle d'embedding (OpenAI, Sentence-BERT, etc.) - Configuration des paramètres d'embedding - Gestion des mises à jour et versions - Optimisation mémoire et performance 3. **Base de données vectorielle** : - Choix de la technologie (Pinecone, Weaviate, Chroma, etc.) - Configuration des index et métadonnées - Stratégies de partitionnement et scalabilité - Sauvegarde et récupération 4. **Stratégie de Retrieval** : - Recherche sémantique vs hybride (sémantique + mots-clés) - Nombre de documents à récupérer (top-k) - Filtrage par métadonnées - Reranking et scoring 5. **Génération Augmentée** : - Template de prompt avec contexte récupéré - Gestion de la longueur du contexte - Citation des sources - Vérification des faits (fact-checking) 6. **Interface et API** : - Endpoints REST/GraphQL - Interface de recherche intuitive - Visualisation des sources et confiance - Monitoring et analytics 7. **Qualité et Évaluation** : - Métriques de pertinence (precision, recall, F1) - Tests A/B des stratégies de retrieval - Feedback utilisateur et apprentissage - Monitoring de la performance Fournis : - Architecture technique détaillée - Code d'exemple pour chaque composant - Configuration de la base de données vectorielle - Stratégies d'optimisation