La génération augmentée par récupération (RAG) permet de surmonter certaines limites des modèles de langage, notamment les hallucinations ou l’obsolescence des données. Le système procède en deux temps : il interroge une base documentaire via un moteur de recherche sémantique, puis intègre les résultats pertinents comme contexte du prompt soumis au modèle génératif. Cela permet d’ancrer les réponses dans des sources dynamiques et validées (base interne, documentation, articles, etc.). Cette approche est très utile dans des cas d’usage comme l’assistance documentaire, le support client, ou la génération de rapports personnalisés. Elle repose souvent sur des architectures hybrides combinant LLM, moteurs vectoriels et bases de connaissances. Le RAG améliore la précision, la vérifiabilité et la fraîcheur des contenus générés, tout en limitant le besoin de fine-tuning lourd.