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)

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 :

git clone https://github.com/julienlucas/agentic-rag-multi-agent

2. Installer les dépendances :

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 :

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

2. Obtenir votre clé API : Dans les paramètres de votre compte

3. Ajouter vos variables d'environnement

# Configuration LangSmith
L