TP 1 · ce qui est attendu · chunker, encoder, search, prompt

Quatre composants, quatre contrats

chunker · split_fixed(), chunk(doc)

Morceaux de CHUNK_SIZE caractères de doc.raw_text, un Chunk(text=…, doc_id=doc.id) par morceau.

split_fixed("abcdefghij", 4, 1)
→ ['abcd', 'defg', 'ghij']

encoder · encode_passages(), encode_query()

self.client.embed, puis chaque vecteur divisé par sa norme : (n, 1024) et (1024,).

Après « Recharger le code » : 2 661 passages, vecteurs de dimension 1024

search · find(query, k) → list[Hit]

encode_query, un score par passage avec self.index.vectors, les k meilleurs du plus au moins proche.

« À partir de quelle date le RGPD est-il applicable ? » → cnil.html#6 (0,729), rgpd.html#2 (0,719), rgpd.html#0 (0,704)

prompt · build(conversation, hits)

Un message system : EXTRACTS_PROMPT, son {context} rempli avec le texte des passages ; puis la conversation.

[m["role"] for m in messages]
→ ['system', 'user']

C'est réussi si l'évaluation donne environ 17/41 (le LLM seul : 3), dont factuel 5/5. Les autres échecs ouvrent la partie 2.