Mode d'emploi · rag/encoder.py

Calculer des embeddings et des similarités

V = self.client.embed(textes)

V.shape # (3, 1024) : vecteurs bruts

V = V / np.linalg.norm(V, axis=1,

                     keepdims=True)

 

q = … # la question, encodée de même

V @ q # similarités cosinus

# array([0.581, 0.389, 0.224])

 

self.index.vectors @ q # search.py

textes, et leur similarité avec q

« Les amendes peuvent aller jusqu'à 35 000 000 EUR… »

0,581

« La CNIL a reçu 20 150 plaintes en 2025. »

0,389

« Recette de la tarte tatin… »

0,224

Normaliser : le produit scalaire devient le cosinus

self.index.vectors : vos vecteurs, ligne i = index.chunks[i]

Cache : un texte n'est envoyé qu'une fois au serveur