Recherche

La recherche identifie les fragments pertinents pour une requête utilisateur donnée. Search Toolkit prend en charge les stratégies de recherche vectorielle (sémantique), par mots-clés (BM25) et hybrides, qui peuvent être combinées pour des résultats optimaux.

Un préprocesseur de requête optionnel transforme la requête brute avant la recherche : il peut la reformuler pour plus de clarté ou l’étendre en plusieurs variantes.

Un ou plusieurs Récupérateurs exécutent la recherche dans l’index. Ils peuvent s’exécuter en parallèle et leurs résultats sont fusionnés par un merge.

Un Reclasseur optionnel recalcule les scores des résultats fusionnés à l’aide d’une stratégie de notation plus précise — un LLM, un cross-encoder ou une fusion de classements sur plusieurs ensembles de résultats.

QueryEngine orchestre le pipeline de recherche. Il accepte un ou plusieurs récupérateurs, un prétraitement de requête optionnel et des reclasseurs optionnels :

from mistralai.search.toolkit.retrieval import QueryEngine
from mistralai.search.toolkit.retrieval.retrievers import VectorRetriever
from mistralai.search.toolkit.retrieval.rerankers import LLMReRanker
from mistralai.search.toolkit.retrieval.pre_processors import LLMQueryRewriter

query_engine = QueryEngine(
    retriever=vector_retriever,       # Also accepts a list of retrievers
    query_rewriter=query_rewriter,    # Optional
    rerankers=[llm_reranker],         # Optional, supports ReRanker and GroupedRanker
)

result = await query_engine.search(
    query="What is RAG?",
    top_k=10,
    include_metadata=True,
    include_content=True,
)

print(f"Original query: {result.original_query}")
print(f"Results: {len(result.results)}")

from mistralai.search.toolkit.retrieval import QueryEngine
from mistralai.search.toolkit.retrieval.retrievers import VectorRetriever
from mistralai.search.toolkit.retrieval.rerankers import LLMReRanker
from mistralai.search.toolkit.retrieval.pre_processors import LLMQueryRewriter

query_engine = QueryEngine(
    retriever=vector_retriever,       # Also accepts a list of retrievers
    query_rewriter=query_rewriter,    # Optional
    rerankers=[llm_reranker],         # Optional, supports ReRanker and GroupedRanker
)

result = await query_engine.search(
    query="What is RAG?",
    top_k=10,
    include_metadata=True,
    include_content=True,
)

print(f"Original query: {result.original_query}")
print(f"Results: {len(result.results)}")

Chaque composant de recherche est documenté en détail avec des exemples et des bonnes pratiques :

• Récupérateurs : VectorRetriever, KeywordRetriever et modèles de recherche hybrides
• Reclasseurs : LLMReRanker, CrossEncoderReRanker, fusion RRF et reclasseurs personnalisés
• Prétraitement des requêtes : Réécriture et expansion des requêtes pour une meilleure qualité de recherche
• Cache sémantique : Mise en cache des résultats par similarité de requête pour réduire la latence