Glossaire · Concepts GEO
RAG · Retrieval-Augmented Generation
Architecture en cinq étapes (query understanding, query fan-out, retrieval, re-ranking, generation + citation) sur laquelle reposent tous les grands moteurs génératifs : ChatGPT Search, Perplexity, Google AI Overviews, Gemini, Copilot. C'est le moteur qui sélectionne les Fraggles qui seront cités.
Mis à jour le
Les cinq étapes
| Étape | Rôle |
|---|---|
| 1. Query understanding | Analyse sémantique de l’intention par un LLM |
| 2. [[query-fan-out]] | Éclatement en 8-20 sous-requêtes parallèles |
| 3. Retrieval | Combinaison [[bm25]] lexical, dense retrieval vectoriel, retrieval hybride |
| 4. Re-ranking | Modèle ML retrie par pertinence sémantique, autorité, fraîcheur, diversité |
| 5. Generation + citation | LLM synthétise et attache des citations |
Chunking
Les pipelines RAG utilisent typiquement des chunks de 256 à 512 tokens avec 10-20 % d’overlap. La recherche arXiv 2505.21700 (2025) montre que 64-128 tokens sont optimaux pour le Q/R factuel, 512-1024 pour le résumé contextuel.
Implication pratique pour le contenu
Chaque paragraphe doit être auto-suffisant : pas de « comme évoqué plus haut », ré-introduction du sujet à chaque section. Les pronoms perdent leur référence quand un chunk est extrait.
Deux sources de connaissance
- Mémoire paramétrique : entraînement sur ~80 % de Common Crawl pour GPT-3, plus Wikipedia surpondérée.
- Retrieval temps réel : Bing pour ChatGPT/Copilot, index Google pour AIO/Gemini, index propriétaire pour Perplexity, Brave Search API pour Claude.
Une stratégie GEO sérieuse cible les deux : être dans le corpus de training pour la reconnaissance d’entité long terme, et dans l’index retrieval pour la citation immédiate.
À ne pas confondre avec
- [[fraggle]] : l’unité de contenu que RAG retrieve.
- [[query-fan-out]] : étape 2 du pipeline RAG.