RAG multi-documents : un dossier de PDFs sans relation est un long document à plan hiérarchique

Contexte

Lors de la construction de systèmes d'authentification par génération améliorée par retrieval à l'échelle entreprise, une hypothèse naïve s'est discrètement transformée en piège : l'idée que jeter tous les fichiers PDF dans un même vecteur permettrait au retrieval de trouver automatiquement la bonne réponse. La réalité donne souvent le résultat inverse. Un dossier rempli de documents sans relation entre eux — rapports annuels financiers, manuels produit, spécifications techniques, contrats juridiques — ne partage ni champ de métadonnées unifié ni taxonomie commune. Forcer un index transversal sur de telles données, c'est masquer l'hétérogénéité sous une fausse cohérence. Sans champ partagé, il n'existe véritablement rien à indexer au sens traditionnel.

La racine technique du problème réside dans les deux phases du retrieval : la召回 et le reclassement. Toutes deux reposent sur une représentation comparable. Lorsque les documents manquent de champs partagés, la召回 vectorielle peut encore extraire des fragments sémantiquement proches, mais le système ne peut déterminer à quel document ou à quel niveau hiérarchique appartient chaque fragment. Les résultats retournés deviennent alors des tranches fragmentées, appauvries en contexte, plutôt que des réponses cohérentes.

Analyse approfondie

La solution proposée n'invente pas d'algorithme de découpage plus sophistiqué. Elle introduit plutôt une couche intermédiaire légère : une ligne de résumé par fichier, complétée par la table des matières propre à chaque fichier. Cette ligne de résumé agit comme un identifiant de routage au niveau du document, permettant au système de converger vers un fichier précis dès la première étape. La table des matières fournit ensuite une seconde couche structurelle, permettant de situer les sections individuelles. Le chemin de retrieval se trouve ainsi divisé en deux niveaux de traversée clairs : du dossier vers le fichier, puis du fichier vers la section, chaque niveau reposant sur une base structurelle concrète plutôt que sur une similarité vectorielle floue.

La valeur commerciale de cette conception réside dans l'endroit où elle déplace la complexité. Plutôt que de l'enfermer dans le système de retrieval, la complexité migre vers la phase de préparation des données — une phase que l'on peut batcher et réutiliser. Les solutions traditionnelles tentent de faire passer chaque document par un pipeline générique unique, ce qui signifie généralement des règles personnalisées pour chaque type de document, avec un coût de maintenance croissant de façon exponentielle.

L'approche alternative ne poursuit pas le parsing profond du contenu. Elle exploite l'information structurelle déjà intégrée dans chaque fichier : une table des matières est elle-même un plan hiérarchique produit par l'auteur ou un outil de mise en page. Générer une seule ligne de résumé coûte extrêmement peu ; les modèles de langage modernes y parviennent en quelques secondes, sans aucun entraînement adapté à un type de document précis. Une entreprise peut donc bâtir un point d'entrée utilisable pour un dossier de milliers de documents sans relation, sans constituer d'équipe d'annotation massive.

Impact sur l'industrie

Cette approche touche un point de bascule dans le domaine actuel du RAG. Les principaux éditeurs promeuvent généralement des pipelines automatisés de bout en bout, en vantant l'utilisation clé en main et la configuration nulle. Mais ce récit échoue dans les场景 d'documents entreprise hautement hétérogènes. Lorsque les clients découvrent que le système ne peut situer un document précis ou une section précise, la confiance s'érode rapidement.

Les équipes qui reconnaissent l'hétérogénéité des documents et proposent un retrieval en couches contrôlable peuvent au contraire bâtir des douves plus profondes dans les domaines verticaux. Pour les développeurs, cette approche abaisse aussi la barrière de l'essai-erreur : nul besoin de maîtriser des bases de données graphiques complexes ou de régler les index vectoriels. Il suffit d'abord de comprendre si les documents d'un dossier partagent une structure, puis de décider combien de ressources d'ingénierie investir.

Pour les utilisateurs finaux, l'amélioration la plus directe est la traçabilité. Les résultats de retrieval indiquent désormais quelle section de quel document provient la réponse, plutôt que de retourner une sortie de boîte noire invérifiable. Cette responsabilité fait souvent la différence entre un système que les ingénieurs utilisent et un système qu'ils abandonnent silencieusement.

Perspectives

Plusieurs signaux méritent l'attention. Premièrement, la combinaison d'une ligne de résumé et d'une table des matières évoluera-t-elle vers un format de représentation intermédiaire standardisé, à l'image de l'index inversé dans le retrieval textuel ancien. Deuxièmement, la traversée à deux niveaux rencontrera-t-elle un bottleneck lorsque les nombres de documents croissent et que les couches de plan se creusent, stimulant ainsi des mécanismes de routage dynamiquement extensibles à trois ou quatre niveaux.

Troisièmement, l'automatisation de la génération de résumé et du parsing de table des matières pourra-t-elle progresser jusqu'à ce que l'alignement de champs n'exige plus aucune intervention humaine. Une question plus fondamentale mérite aussi réflexion : une fois reconnue l'indépendance des documents, les systèmes devraient-ils découvrir activement les liens potentiels entre eux plutôt que de les traiter comme des îles permanentes.

Ces questions façonneront la façon dont le RAG multi-documents passe d'une astuce d'ingénierie à une méthodologie mature. L'appel immédiat demeure pourtant pragmatique : accepter que des documents sans relation ne partagent pas un index unique, et donner à chaque fichier une voix par son propre résumé et son propre plan.