Mode d'emploi · rag/encoder.py
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