Optimisation RAG

Qu’est-ce que le RAG ?

Le RAG (Retrieval-Augmented Generation) consiste à récupérer des passages pertinents dans un corpus (dont le web) puis à les fournir au LLM pour générer une réponse. En pratique, le pipeline suit souvent : Requête → Récupération (retrieval) → Grounding (sélection des sources) → Augmentation (contexte, ex. Knowledge Graph) → Génération. Plus votre contenu est bien structuré, découpé et décrit, plus il a de chances d’être récupéré et cité.

Google Search Central indique que pour être éligible à apparaître comme lien de support dans les AI Overviews ou AI Mode, une page doit être indexée et éligible à l’affichage dans Google Search avec un snippet — sans exigence technique supplémentaire. Une base SEO solide reste donc le prérequis.

Bonnes pratiques

• Chunking : Contenu découpé en blocs cohérents (par section, par paragraphe) avec des titres clairs.
• Densité sémantique : Chaque bloc porte une idée claire ; éviter le remplissage.
• Métadonnées : Titre, description, dates dans le HTML et en JSON-LD pour le filtrage et le tri.
• Liens internes : Maillage logique pour que le graphe de contenu soit exploitable.
• Markdown : Proposer du Markdown peut réduire les tokens et améliorer la récupération. Voir Markdown pour les agents.
• Fragments de texte : Sur certaines surfaces (ex. Google AI Mode), les citations pointent vers des passages précis via des fragments #:~:text=. Des titres et paragraphes clairs augmentent la chance que vos passages soient utilisés comme ancrage de citation.

Voir aussi Writing for agents et Content freshness.