Élaguer le contexte RAG pour ne garder que l'essentiel à la réponse

L'équipe de Kapa.ai présente une technique de pruning appliquée au contexte RAG : après la phase de retrieval, un processus filtre les chunks récupérés pour ne conserver que les passages directement utiles à la réponse attendue. L'objectif est de réduire le bruit contextuel, limiter les tokens envoyés au LLM et améliorer la précision des réponses générées. La méthode s'appuie sur une évaluation de la pertinence segment par segment avant la phase de génération.