🎮 Grist Cluster Quest

🎯

Maîtrisez les stratégies RAG avec Grist
Exercices pratiques et interactifs

🤔 Qu'est-ce qu'un Vecteur ?

Un vecteur capture le sens sémantique d'un texte

🔢 Chunking Strategy

Context-Aware Chunking
Choisir quels champs vectoriser = meilleure précision

Deux approches :
• grist_record_embedding : Tous les champs (automatique)
• grist.CREATE_VECTOR($nom, $desc) : Champs ciblés

💡 Chunking ciblé = précision sémantique

🔍 Existence Conditionnelle

Contrôler qui peut être trouvé dans les recherches

Exemple :
grist.CREATE_VECTOR($nom, $desc)
  if $statut == "publié"
  else None

✅ Publiés : cherchables
❌ Brouillons : invisibles

🎨 Labels et Badges

Ajouter du contexte business dans l'embedding

Exemple :
grist.CREATE_VECTOR(
  ("🔥 PROMO " if $remise > 20 else "") +
  ("🆕 " if $age_jours < 7 else "") +
  $nom + " " + $desc
)

💡 Recherche "promo" → items 🔥 ressortent mieux !

🎯 Recherche Sémantique

grist.VECTOR_SEARCH() trouve les résultats similaires

Paramètres clés :
• threshold : Seuil de similarité (0-1)
• limit : Nombre de résultats (top-K)

💡 Threshold = curseur Recall ⇄ Precision

🎯 Hierarchical RAG

Plusieurs vecteurs = plusieurs couches sémantiques

Stratégie :
• vecteur_marketing : Pour clients
• vecteur_technique : Pour pros

💡 Bon embedding = bonne audience

🎯 Enrichir les Requêtes

Requêtes plus spécifiques = résultats plus précis

🎯 Récupération en 2 Étapes

Stratégie recommandée pour presque tous les cas RAG

Processus :
1️⃣ Récupération large (threshold=0.5, limit=20)
2️⃣ Filtrage précis (garder top 5 avec score > 0.8)

✅ Meilleure couverture + précision

🎯 E-commerce Saisonnier

Synthèse : toutes les stratégies RAG combinées

Stratégies appliquées :
✅ Context-Aware Chunking
✅ Conditional Embeddings (filtrage)
✅ Contextual Retrieval (badges)
✅ Hierarchical RAG (multi-vecteurs)
✅ Re-ranking (threshold optimisé)

🎉 Félicitations !

Votre score: 0 points

Temps total: - minutes

🎓 Vous maîtrisez maintenant :

✅ CREATE_VECTOR et chunking conscient
✅ Conditions et filtrage automatique
✅ Enrichissement contextuel
✅ VECTOR_SEARCH et paramètres
✅ Hierarchical RAG (multi-vecteurs)
✅ Query Expansion
✅ Re-ranking Strategy
✅ Système RAG complet