ATLAS — Pipeline RAG
Pose des questions en langage naturel sur tes propres documents. Pipeline RAG complet — ChromaDB, embeddings Gemini, mémoire de conversation — migré de LlamaIndex vers LangChain.
Vue d'ensemble
ATLAS permet de poser des questions en langage naturel sur ses propres documents. On dépose un PDF ou un fichier texte, le système le découpe, le vectorise, puis répond en citant ses sources.
Le pipeline RAG
Les documents sont chargés (PyPDFLoader / TextLoader), découpés en chunks par le RecursiveCharacterTextSplitter, vectorisés avec Gemini embedding-001 et stockés dans ChromaDB. À chaque question, le retriever remonte les passages pertinents et Gemini 2.5 Flash génère la réponse à partir de ceux-ci.
Migration LlamaIndex → LangChain
La première version tournait sous LlamaIndex. Je l'ai entièrement migrée vers LangChain pour gagner en contrôle sur chaque étape du pipeline — loaders, splitters, vector store, chaîne de requête — et surtout pour ajouter la mémoire de conversation, impossible à intégrer proprement dans l'architecture précédente.
Mémoire de conversation
La ConversationalRetrievalChain reformule automatiquement la question en tenant compte de l'historique. Une relance vague comme « et par rapport à ça ? » est réécrite en question autonome avant d'attaquer le retriever — ce qui change tout sur la qualité des réponses en conversation.
Infrastructure & CI/CD
Frontend Next.js 14 + Tailwind, backend FastAPI sous Python 3.11, chacun dans son container. Tests automatisés, CI/CD GitHub Actions, déploiement sur Render.