{"type":"video","version":"1.0","html":"<iframe src=\"https://www.loom.com/embed/543390bc4a2845ddbe2d53fa2f629053\" frameborder=\"0\" width=\"1850\" height=\"1387\" webkitallowfullscreen mozallowfullscreen allowfullscreen></iframe>","height":1387,"width":1850,"provider_name":"Loom","provider_url":"https://www.loom.com","thumbnail_height":1387,"thumbnail_width":1850,"thumbnail_url":"https://cdn.loom.com/sessions/thumbnails/543390bc4a2845ddbe2d53fa2f629053-df9a055a5e6a8c25.gif","duration":6622.373,"title":"Lang{chain, graph, smith} - 13 exemples pratiques et mises en situation (5 niveaux de RAG fonctionnels)","description":"Cette vidéo approfondit la mise en œuvre d’un système RAG (Retrieval-Augmented Generation) en Python avec LangChain. J'explore différentes stratégies d’implémentation, en commençant par une version naïve, avant de monter progressivement en complexité avec l’ajout de multi-query, d’index persistants, et de méthodes avancées comme la fusion de rangs et la décomposition récursive de questions. On y découvre également l’intérêt d’un système modulaire et dynamique pour tester différentes combinaisons de paramètres. L’ensemble est illustré avec du code, des démonstrations en temps réel, et des conseils pratiques pour les apprenants."}