Assistant RAG pour un client du secteur foncier

Situation

Une entreprise d'administration foncière gérait un corpus vaste et croissant de documents de propriété et de parcelles. Le personnel passait des heures à chercher et recouper manuellement ces documents pour répondre aux questions internes et clients.

Tâche

Le client voulait un système capable de répondre en langage naturel à des questions sur le corpus, avec des réponses traçables et sourcées — pas seulement une barre de recherche.

Action

J'ai conçu et livré un agent de génération augmentée par récupération (RAG) sur le corpus documentaire :

• Chunking & indexation : documents parsés, découpés en chunks sémantiquement cohérents, encodés et stockés dans Qdrant comme store vectoriel.
• Récupération : recherche vectorielle top-k avec filtrage par métadonnées pour limiter les résultats aux bons types de documents et dates.
• Agent : agent LangChain/LangGraph qui planifie entre récupération, lecture des documents sources et rédaction des réponses, gardant le modèle sur la tâche avec un petit ensemble d'outils.
• Réponses : réponses finales avec références aux chunks sources, pour que chaque affirmation soit vérifiable.

Résultat

• Temps de réponse à une question documentaire typique réduit de 15 à 20 minutes à moins d'une minute.
• Les citations ont permis au personnel de vérifier les réponses au lieu de rechercher manuellement, ce qui était essentiel dans ce secteur réglementé.
• L'architecture est devenue un modèle réutilisable que le client a pu réutiliser pour d'autres corpus.

Note de confidentialité

Les détails techniques et de données de ce projet réglementé restent volontairement généraux ici. Nom du client omis à sa demande — la même posture que dans mes autres études de cas.

Points forts de la stack

• Qdrant comme base vectorielle (hébergée)
• Voyage AI pour les embeddings, Anthropic Claude pour la génération
• LangGraph pour le flux de contrôle agentique
• Docker pour un déploiement reproductible sur l'infrastructure du client

Le même pattern RAG alimente le widget de chat de ce site.