https://github.com/julienlucas/agentic-rag-multiagent
Système RAG agentique multi-agent (Recherche, VérificateurPertinence, FactChecker) à haute précision et évitant les hallucinations dans la recherche de documents (meilleur que GPT4o et DeepSeek R1)
https://github.com/julienlucas/agentic-rag-multiagent
agentic-rag bm25 chromadb django langgraph multi-agent rag
Last synced: about 2 months ago
JSON representation
Système RAG agentique multi-agent (Recherche, VérificateurPertinence, FactChecker) à haute précision et évitant les hallucinations dans la recherche de documents (meilleur que GPT4o et DeepSeek R1)
- Host: GitHub
- URL: https://github.com/julienlucas/agentic-rag-multiagent
- Owner: julienlucas
- License: other
- Created: 2025-08-27T09:46:16.000Z (9 months ago)
- Default Branch: main
- Last Pushed: 2026-04-03T17:15:43.000Z (2 months ago)
- Last Synced: 2026-04-03T20:07:29.602Z (2 months ago)
- Topics: agentic-rag, bm25, chromadb, django, langgraph, multi-agent, rag
- Language: Python
- Homepage: https://agentic-rag-docchat.vercel.app
- Size: 19.4 MB
- Stars: 15
- Watchers: 0
- Forks: 2
- Open Issues: 1
-
Metadata Files:
- Readme: README.md
- License: LICENSE.md
Awesome Lists containing this project
README
# RAG Agentique multi-agent haute précision sans hallucinations (meilleur que GPT4o et DeepSeek R1)
Ce système RAG agentique fonctionne avec 3 agents spécialisés et un récupérateur avancé (BM25 + embeddings) garantissant une haute précision dans la recherche de documents.
GPT 4o halucine, les stats de tableaux récupérées ne sont pas les bonnes.
DeepSeek R1 s'arrête il n'arrive pas à lire le document en entier.
## Architecture IA
### 1. **Agent de Recherche**
Analyse la question utilisateur et cherche.
### 2. **Agent Vérificateur de Pertinence**
Évalue si le document récupéré répond réellement à la question.
### 3. **Agent Fact Checker**
Valide et croise les informations trouvées.
### Le système inclut un retriever hybride pour maximiser la pertinence
- **Algo BM25 + Embeddings** : Recherche texte classique à forte précision lexicale + Recherche sémantique capturant le sens contextuel.
## Stack de modèles
- ⚡ Mistral OCR (plutôt que docling trop lent)
- 🧠 Mistral Embbed (pour les embeddings)
- 🧠 Cohere reranker 3.5 multi-langue
- 💎 Mistral Large
## Installation
1. **Cloner le projet** :
```bash
git clone https://github.com/julienlucas/agentic-rag-multi-agent
```
2. **Installer les dépendances** :
```bash
python3.12 -m venv venv
source venv/bin/activate
poetry install
```
3. **Configuration** :
Allez sur https://console.mistral.ai pour créer votre clé.
Puis créer un fichier `.env` avec votre clé :
```bash
MISTRALAI_API_KEY=votre_clé_api_mistral_ici
```
Pour surveiller votre application avec LangSmith (si vous le souhaitez) :
1. **Créer un compte LangSmith** : Allez sur [smith.langchain.com](https://smith.langchain.com)
2. **Obtenir votre clé API** : Dans les paramètres de votre compte
3. **Ajouter vos variables d'environnement**
```bash
# Configuration LangSmith
LANGSMITH_API_KEY=votre_cle_api_langsmith_ici
LANGSMITH_PROJECT=agentic_rag_multi_agent
```
4. **Lancer l'application** :
```bash
poetry run python app.py
```
## Évaluation (pertinence + avant/après)
**Lancer l'évaluation** :
```bash
uv run python evaluation/run_eval.py \
--dataset evaluation/dataset.jsonl \
--mode both \
--out-dir evaluation/outputs
```
Les résultats sont dans `evaluation/outputs/` (`eval_summary.json` et `eval_results.json`).
Métriques suivies :
- Retrieval : `recall@k`, `mrr@k`, `ndcg@k`
- Réponse : `mean_f1`, `context_hit_rate`
- Vérification : `supported_rate`, `relevant_rate`
Fichiers générés :
- `eval_summary.json`
- `eval_results.json`
- `eval_regressions.json`
- `eval_errors.json`
## RAG‑Evals (Ragas)
```bash
uv run python evaluation/run_ragas.py \
--dataset evaluation/dataset.jsonl \
--mode agentic \
--out-dir evaluation/ragas_outputs
```
Résultats : `ragas_summary.json`, `ragas_results.json`.
## CI (GitHub Actions)
Workflow : `.github/workflows/eval.yml`
Secrets requis :
- `MISTRALAI_API_KEY`
- `LANGSMITH_API_KEY` (optionnel)
## Déploiement
Le projet est configuré pour déployer le frontend sur Vercel et le backend sur Railway.
### Déploiement du Backend sur Railway
1. **Créer un projet sur Railway** : https://railway.app
2. **Connecter votre repository GitHub**
3. **Configurer les variables d'environnement** :
- `MISTRALAI_API_KEY` : Votre clé API Mistral
- `LANGSMITH_API_KEY` : (optionnel) Votre clé API LangSmith
- `CORS_ALLOWED_ORIGIN` : L'URL de votre frontend Vercel (ex: `https://your-app.vercel.app`)
4. **Railway détectera automatiquement** le `Dockerfile` et `railway.toml`
5. **Notez l'URL de votre backend** Railway (ex: `https://your-app.railway.app`)
### Déploiement du Frontend sur Vercel
1. **Créer un projet sur Vercel** : https://vercel.com
2. **Connecter votre repository GitHub**
3. **Configurer les variables d'environnement** :
- `VITE_RAILWAY_API_URL` : L'URL de votre backend Railway (ex: `https://your-app.railway.app`)
4. **Vercel détectera automatiquement** le `vercel.json` et déploiera le frontend
5. **Mettre à jour CORS_ALLOWED_ORIGIN** sur Railway avec l'URL Vercel
### Structure de déploiement
- **Frontend (Vercel)** : Le répertoire `frontend/` est déployé sur Vercel
- **Backend (Railway)** : Le répertoire `backend/` est déployé sur Railway via Docker
- Les fichiers `.vercelignore` et `vercel.json` garantissent que seul le frontend est déployé sur Vercel
Ajoutez une étoile au repo pour soutenir mon travail. 🙏